逐像素注意力驱动的红外小目标检测网络

红外小目标检测在军事和民用领域获得了广泛应用,但其存在目标尺度小、细节少、复杂背景干扰等问题,现有经典深度学习检测方法往往适用于通用目标检测,对红外小目标适配性较差。针对上述问题,构建了一种新的基于U形注意力块和逐像素注意力块的红外小目标检测网络。设计了U形注意力块,在单层级内通过局部U形子网络提取多尺度特征,并通过逐像素注意力精细化增强小目标特征,丰富多尺度小尺度目标特征表示,提升网络对小尺度目标判别能力;通过稠密融合方式进一步保留小目标信息,缓解不同层特征融合时的语义鸿沟,降低漏检率;将空间与通道2个维度逐像素注意力块应用于融合后的特征图,避免小目标特征被衰减,同时抑制复杂背景干扰。实验结果表明,提出的网络在2个红外小目标数据集NUDT-SIRST与IRSTD-1k上交并比、检测概率、虚警率指标均超过最新基准方法。此外,所提网络在检测精度和效率上也达到较好平衡。

逐像素调制的高反光表面三维测量方法

高反光表面的三维面形测量是光学三维测量领域的难题之一,本文提出一种基于逐像素调制的高反光表面三维测量方法,可解决光学三维测量中因过度曝光而导致的相位信息无法获取的问题。首先,通过投影最大灰度值的灰度图识别饱和像素点的位置;然后,依据投影低灰度下横纵条纹图进行过饱和区域坐标匹配,并结合一种新的相机-投影仪强度映射关系,逐像素求解过饱和像素点的最佳投影灰度值;最后,投影重新生成自适应条纹投影序列,并结合多频外差相移法用于相位恢复和三维重建。实验结果表明:所提方法的间距平均误差和标准偏差均小于文中其他方法所得的测量值,相对于传统方法,该方法的平均误差减少了61.9%,标准偏差减少了67.7%。本文所提方法的调制度高,速度快,能保证很高的测量精度。

基于深度可分离卷积的实时农业图像逐像素分类研究

【目的】为了提高作物和杂草的识别准确率和实时性,以苗期甜菜田间彩色图像为研究对象,提出了基于深度可分离卷积的实时农业图像逐像素分类方法。【方法】本研究使用由农业机器人采集的苗期甜菜田间彩色图像,通过人工逐像素标注方法将彩色图像中各个像素点标注为作物、杂草、土壤3个类别,并将单一类别的标注信息分别置于3个不同的图像通道,构成用于训练和测试的数据集。首先,建立以编码器-解码器为基础的深度可分离卷积神经网络模型,将编码器部分和解码器部分进行多尺度合并,由编码器部分决定像素位置,解码器部分获得像素分类;然后,为了解决分类类别覆盖率不平衡的问题,通过单通道标注信息训练,提高了低覆盖率分类类别的准确率,再将多个训练结果输出,实现对图像中的土壤、杂草、作物的识别;为了控制网络参数规模,采用宽度乘数控制点卷积核的个数,同时在不同分辨率输入条件下对网络模型进一步测试,以讨论网络模型的实时性。最后,使用随机数据增强技术扩充数据集,数据集中的80%用于网络参数的训练,20%用于测试网络性能。【结果】(1)通过与已有逐像素分类方法比较,本文方法获得较高的分类准确率。其中,SegNet方法逐像素分类的平均准确率为90.06%,U-Net方法平均准确率为92.06%,三通道标记训练的本文网络平均准确率为92.70%,单通道标记训练的本文网络平均准确率达94.99%。(2)通过计算不同方法单一类别逐像素分类的各项指标,论证了本文提出的单通道标注信息训练方法在处理分类类别覆盖率不平衡和训练样本较少情况下的优势。对杂草逐像素分类的准确率,SegNet方法为18.39%,U-Net方法为18.33%,三通道标记训练的本文网络为22.87%,单通道标记训练的本文网络准确率达41.94%。(3)通过宽度乘数可以有效控制网络模型的参数规模,当宽度乘数为1时,参数尺寸为676.8万,当宽度乘数为0.1时,参数尺寸降低到7.72万,是原始网络参数规模的1.14%,对土壤、杂草、作物的逐像素分类准确率分别仅降低2.81%、2.78%、3.7%,按照识别精度需求参数规模还可以进一步减小。(4)在输入分辨率和宽度乘数的共同作用下,讨论了网络的实时处理能力。采用GPU硬件加速对3个类别同时识别的速率可达20 fps,对单一类别识别速率达60 fps。可满足农业除草系统和作物监测系统实时在线运行。【结论】本文所提出的基于深度可分离卷积的逐像素分类方法,能对农业图像中的土壤、杂草、作物实施有效逐像素分类,同时该方法能对单一类别逐像素分类进行实时处理,满足实际系统的应用需求。

应用全脑逐像素形态学自动分析方法研究阿尔茨海默氏病的灰质缺失(英文)

目的采用计算机处理核磁共振图像(magnetic resonance imaging,MRI),研究阿尔茨海默氏病(Alzheime's disease,AD)患者的灰质萎缩区域。方法采用逐像素形态学(voxeI-based morphometry,VBM)方法。结果和正常老年人对照组相比,AD病人的海马、海马旁回、内嗅皮层、杏仁体、尾状核头部、颞中回、扣带回、顶下小叶、岛叶和前额叶背外侧区双侧萎缩；右侧丘脑枕、颞上回、顶上小叶不同程度萎缩,而感觉运动皮层、小脑和枕叶相对保持完好。结论 VBM方法克服了以往使用人工勾画感兴趣区(ROI)方法的可重复性差,费时等缺点,可以客观、自动和全面地分析AD的灰质减少,具有良好的临床应用前景。

基于逐像素点深度卷积网络分割模型的上皮和间质组织分割

上皮和间质组织是乳腺组织病理图像中最基本的两种组织,约80%的乳腺肿瘤起源于乳腺上皮组织.为了构建基于乳腺组织病理图像分析的计算机辅助诊断系统和分析肿瘤微环境,上皮和间质组织的自动分割是重要的前提条件.本文构建一种基于逐像素点深度卷积网络(CN-PI)模型的上皮和间质组织的自动分割方法.1)以病理医生标注的两类区域边界附近具有类信息为标签的像素点为中心,构建包含该像素点上下文信息的正方形图像块的训练集.2)以每个正方形图像块包含的像素的彩色灰度值作为特征,以这些图像块中心像素类信息为标签训练CN模型.在测试阶段,在待分割的组织病理图像上逐像素点地取包含每个中心像素点上下文信息的正方形图像块,并输入到预先训练好的CN网络模型,以预测该图像块中心像素点的类信息.3)以每个图像块中心像素为基础,逐像素地遍历图像中的每一个像素,将预测结果作为该图像块中心像素点类信息的预测标签,实现对整幅图像的逐像素分割.实验表明,本文提出的CN-PI模型的性能比基于图像块分割的CN网络(CN-PA)模型表现出了更优越的性能.

基于逐像素递归处理的高光谱实时亚像元目标检测

亚像元目标检测是高光谱图像应用的关键技术。由于高光谱数据的高维度增加了存储空间和数据处理的复杂度,实时处理成为了目标检测面临的重要问题。自适应匹配滤波算法(AMF)是一种有效的亚像元目标检测算法。在基于Woodbury引理实现以逐像素排列格式传输和存储的高光谱数据协方差矩阵实时求逆的基础上,以AMF为高光谱图像亚像元目标检测算法,推导出了基于逐像素递归处理的高光谱图像实时AMF目标检测流程。通过仿真数据和真实高光谱图像实验证明,相比于非实时AMF,实时AMF只需少量的存储空间便可得到同样甚至更高的检测精度。

一种基于预测核逐像素重建的图像超分辨率算法

在近年来,随着深度学习和卷积神经网络的发展,基于深度学习的单张图像超分辨率方法与传统方法相比取得了更好的性能。然而,这些基于深度学习的单张图像超分辨率算法研究方法都是在DIV2K等基于实验合成获得的低分辨率图像数据集上进行重建的,对于从真实世界中获取的低分辨率图像的超分重建性能表现较差。真实世界图像的超分辨率是近年来的一个新挑战。针对真实场景下获取的低分辨率图像,本文提出了一种基于预测核逐像素重建的图像超分辨率算法。本文选择编码-解码结构作为主干基础网络结构。对于每个编码和解码模块,我们将特征通道注意和空间注意结合在一起,以增强对图像内容信息和空间信息的特征表达。本文主要思路是,对于低分辨率图像上的每一个像素点预测出其具有空间位置信息的重建核,每一个预测核直接对低分辨率图像进行超分辨率重建。实验表明,在Real-World数据集上,本文算法在客观质量和视觉效果质量方面表现都优于其他方法。

逐像素纹理合成的生成式信息隐藏

修改式信息隐藏会对嵌密载体视觉质量造成较大影响且易留下修改痕迹;纹理构造式信息隐藏生成的都是非自然纹理;纹理拼接式信息隐藏由给定样例图产生类自然纹理,通过缝合线算法来拼接纹理小块,不可避免地会产生缝合痕迹和重复纹理模式,从而不能对秘密信息进行掩盖。针对以上问题,提出逐像素纹理合成的生成式信息隐藏。在嵌密时,首先将秘密信息编码为密钥图像上的坐标以避免秘密信息直接信道传输,其次引入多备份,将坐标进一步编码为给定样例图像的高频颜色序列,并由密钥伪随机放置在空白待合成纹理图像上,最后按逐像素纹理合成策略来生成含密纹理图像。在提取时,根据密钥提取颜色序列,然后结合多备份区间扩展策略由样例图像恢复坐标并依据密钥图像提取秘密信息。理论和实验表明,所提方法通过逐像素纹理合成,不会留下明显拼接痕迹和重复模式且秘密信息完全依赖于密钥,具备一定的抗攻击能力和较高的安全性。

基于注意力机制和图像轮廓的实例分割算法

基于图像轮廓的实例分割方法利用少量轮廓顶点来表示物体,减少了算法的参数量,提高了算法的运行效率,但导致算法的精度低于传统逐像素处理的分割算法,获得的分割结果质量较差。为提升算法的准确性,文中提出一种基于图像轮廓结合注意力机制的实例分割模型(Attend the Contour snake,AC-snake)。在主干网络中加入改进的大卷积核(Largekernel+)提升模型的感受野,提取更加丰富的特征信息。改进轮廓顶点变形阶段的网络结构,结合双通道注意力模块(Dual Channel attention,DC-attentio)加强轮廓顶点的有效信息,减少训练网络中的无效参数,提升检测精度和训练速度。实验结果表明,在Cityscapes验证数据集中,相较于原始模型,文中提出的改进模型性能有所提升。

利用面向对象分类方法提取冬小麦种植面积的研究

应用陆地卫星TM数据和遥感图像处理软件eCognition5.0和ENVI4.3软件,以面向对象的方法和监督分类波谱角法分别提取泰安市2005年冬小麦种植面积及其分布信息。逐像素分类的结果存在"椒盐"效应,而且很难克服同物异谱、同谱异物现象,面向对象的分类方法可以有效的集成专家知识和各种辅助数据,克服逐像素分类的弊端。分类结果表明,利用面向对象的分类方法可以获得比传统的像素级分类方法更高的分类精度,为冬小麦种植面积的自动提取提供了广阔的前景。

基于FPGA的连通域标记设计与实现

提出了一种基于FPGA的连通域标记电路设计方案。该方案不仅满足了实时、高精度等要求,还特别增加了虚警剔除的功能。该硬件设计方案采用单次逐像素扫描法,该法通过对图像进行一次逐像素扫描,将标记与参数并行处理,最后根据统计出来的连通域及参数信息实现虚警剔除。相比较其它的硬件实现方案,该设计方案具有显著优势,通过优化标记与参数处理,该方案更适合硬件的并行处理特性;去除了第二次逐像素扫描,使得处理时间变短,资源占用率变小。仿真结果表明:若图像大小为M×N,临时标记区域上限为L,则标记完一幅图像总时钟周期为(M×N×2+L×4).该方案已在单片Virtex-Ⅱ系列FPGA中实现,并作为关键电路应用于舰船图像检测系统中。

基于GPU的实时深度图像前向映射绘制算法

提出一种完全基于GPU(graphics processing unit)的实时深度图像绘制流程.该方法利用GPU的并行计算特性对深度图像的绘制过程进行加速.推导出一种在vertex shader上进行的三维前向映射方法,对输入像素进行前向映射,以得到更高的绘制性能,并利用图形硬件流水线的光栅化功能高效地进行图像的插值重构,以得到连续无洞的结果图像.在pixel shader上进行逐像素的光照计算,生成高品质的光照效果.实验表明,该方法可以高速地进行满屏绘制,准确地保留物体轮廓信息和正确的遮挡关系.还实现了基于该方法的实时漫游系统.该系统能够实时地绘制多个基于柱面深度图像表示的对象,并能对其进行视相关的动态LOD(level of detail)操作.

修正弥散关系结合分级采样的实时海洋着色方法

为解决海洋面片平滑引起的大面积阳光反射问题并区分波峰波谷水体颜色,增强海洋水体的真实感,本文通过修改弥散关系将短波的频率进行增大而长波频率相对不变,并将Phillips谱产生的频域根据不同波频率增大的比例进行了分级采样,克服了Phillips谱抑制高频短波突出低频长波的缺陷;同时也提出了一种对水体颜色进行改进的逐像素着色方法,结合离水辐亮度和波的陡峭程度,以很小的计算代价将波峰波谷颜色分别着色.该方法完全依靠GPU进行海洋的计算及绘制.实验表明本文方法可以在不降低帧速的同时有效地提升海洋的真实感.

基于遮掩感知重检测的视觉跟踪算法

为解决相关滤波一类跟踪器因目标被遮掩等原因引起的跟踪目标丢失问题,提出一种包含遮掩感知和目标重检测机制的相关滤波器改进跟踪方法。采用遮掩感知模块对目标跟踪模块跟踪的结果做遮掩事件评估,在发生遮掩等严重影响跟踪结果的情形时,采用目标重检测模块重新检测原跟踪目标,该目标重检测采用基于颜色特征的逐像素目标置信积分图来确定备选目标。对跟踪质量不可靠且未重检测到可靠目标的视频帧,不进行跟踪模型的在线更新。实验结果表明,该算法可以有效避免因遮掩等引起的跟踪目标丢失和模型漂移问题,跟踪性能和几个主流的相关滤波类跟踪器相比有明显改善。

机加工件点阵字符识别研究

文章介绍了针对机加工件上点阵字符图像处理的关键技术,包括灰度值调整、分割图像、训练OCR和识别。对BP神经网络的结构及参数进行设计,采用逐像素特征提取法对字符进行识别,针对相似字符的识别本文采取了再次分类特征提取,最终对所提取字符的识别率有了很大提升,取得了满意的识别结果。

表面不规则物件的3D仿真设计与实现

表面不规则物件仿真通常采用光线实时计算和基于复杂几何多边形建模的方式进行表面不规则仿真。这种传统的方式虽然逼真度、实时准确性非常高,但因为其几何多边形复杂,往往实时性不高,资源消耗巨大。该文充分利用当今3D硬件的可编程能力,用逐像素凹凸映射等技术建立光学模型,尽管这种方法建立的不规则物件仿真并非很准确,但视觉效果非常逼真,很适于仿真、游戏等实时性要求很高的应用领域。

一种基于图像分割的透射率补偿去雾算法

提出一种基于图像分割的透射率补偿去雾算法。首先,该算法利用新的分割方法对图像进行分割;其次,通过逐像素操作自适应补偿得到天空区域透射率;最后,使用像素级的图像融合方法对透射率进行优化,得到透射率的精确估计。实验结果表明,该方法有效修正了天空区域的失真现象,并取得了良好的色彩保真度,同时在非天空区域也取得了一定的复原效果。

基于深度卷积神经网络的肾透明细胞癌细胞核分割

肾透明细胞癌病理图像中细胞核的形态和位置信息对肾癌的良恶性分级诊断具有重要意义,为提高肾透明细胞癌细胞核分割的质量,本研究提出了基于深度卷积神经网络的细胞核分割方法。首先,根据标定的病理图像中细胞核轮廓,构建细胞核分割样本集;然后,深度卷积神经网络通过隐式特征学习对细胞核分割模型进行训练,避免人为设计特征;最后,利用细胞核分割模型对病理图像进行逐像素分割。实验结果表明,深度卷积神经网络的细胞核分割算法在肾透明细胞癌细胞核分割的像素准确率高达90.33%,细胞核分割性能稳定,深度卷积神经网络强大的鲁棒性和适应性使得肾透明细胞癌细胞核自动分割具有可能。

基于改进FCOS的拥挤行人检测算法

针对大规模拥挤场景视频中行人目标小、行人遮挡和行人交叠而导致的检测困难等问题,本文将逐像素预测目标检测框架—全卷积单阶段目标检测FCOS(fully convolutional one-stage object detection)应用于行人检测,提出一种改进的主干网络用于提取行人特征,通过增加尺度回归实现目标行人的多尺度检测,同时减少其他特征层检测的目标数量,进而提升行人检测的能力。在拥挤行人场景数据集CrowdHuman和小目标行人数据集Caltech上的大量实验结果表明,和目前先进的方法相比,本文的方法对行人的检测精度有所提升,特别是对于小目标行人检测。与原始FCOS算法相比,在CrowdHuman上平均精度提升接近15%,丢失率降低接近33.0%;在Caltech上的平均精度提升2%。在复杂拥挤场景下的实际应用也证明本文方法的有效性。

颜色空间转换耦合特征图的显著性检测算法

为解决当前视觉显著性检测技术忽略图像的全局与局部特征的联系,使其对复杂图像的检测准确度不佳的问题,设计颜色空间转换图耦合Ripplet变换的视觉显著性检测算法。将图像转换到RGBYI空间,并计算R与G、B与Y分量的颜色差异;引入Ripplet变换,对图像进行分解,获取相应的变换系数;借助逆Ripplet变换,形成特征图;基于概率密度函数,联合特征图,计算全局显著图;利用逐像素相似度估算像素的信息熵,获取图像的局部显著图;通过组合局部与全局显著图,形成最终的显著图,完成目标检测。实验结果表明,与当前显著性检测技术相比,所提技术具有更好的检测效果,呈现出更为理想的接收机工作特性曲线。