基于边缘重构图像的边缘检测算法优选研究

边缘检测是视觉定位、零件缺陷识别、视觉测量等图像处理中的关键环节,其检测质量直接影响后续的图像目标识别与定位的精度。针对具体图像处理需选取合适的边缘检测算法的问题,提出了一种基于多方向滑动窗口线性插值重构法的图像边缘检测质量评价算法。首先,采用待处理边缘图像的最大连续非边缘矩形区域作为重构搜索窗口,设计了多方向滑动窗口线性插值图像重构法;然后,根据图像边缘的特征,建立了集成图像结构相似度和边缘错检率为性能指标的边缘检测算法的优选评价方法;最后,进行了实例应用,通过实验对重构算法的性能、优选方法的可行性和正确性进行了验证。研究结果表明:该边缘图像重构算法准确率最高,实验中重构图像的结构相似度可达到0.7087,耗时320.9021 s;采用该优选方法能快速地筛选出最佳的边缘处理算法,与人体视觉评价一致,便于实现边缘检测算法的智能优选和图像的智能处理目标。

光刻胶傅里叶全息图的记录条件对重构图像信噪比的影响

用光刻胶对具有不同空间频率的黑白二值条纹图像按各种不同条件记录了一系列傅里叶变换全息图 ,并用常规CCD摄像系统检测了重构图像的信息噪比 ,给出了信噪比与离焦量、参 -物光比和曝光量的关系曲线。实验结果表明 ,对给定的实验系统及记录介质存在一定的最佳离焦量和曝光量 ,对于不同空间频率的黑白二值条纹图像需要采用不同参 -物光比以获得最佳的信噪比。选择适当的记录条件可以对含有多种空间频率条纹的二值图像获得较好的重构效果。

基于多阶结构表示的超分辨率重构图像质量盲评价方法

为了客观地预测超分辨率重构图像的质量,提出了一种基于多阶结构表示的超分辨率重构图像无参考质量评价方法。利用多阶导数信息表示超分辨率重构图像的主要结构和细微纹理,并利用局部二值模式提取超分辨率重构图像的多阶结构特征;结合主观分数,利用随机森林回归训练图像质量预测模型,再利用模型预测待测图像的质量。为了证明该算法的有效性和优越性,对比实验在一个大尺度超分辨率图像数据库上进行。该算法的斯皮尔曼相关系数和皮尔森线性相关系数分别为0.910 3和0.918 3。实验结果表明,该算法优于现有的无参考质量评价算法,与主观评价结果保持较高的一致性。此外,该算法时间复杂度低,运行时间适中。

超分辨率重构图像的噪声分析与消除

在超分辨率重构图像中,可以观察到四种不同的重构噪声,分别是边缘振荡效应、梳毛效应、边缘锯齿效应和方块效应.本文提出了一种能同时有效地滤除这四种重构噪声的边界自适应滤波算法.实验结果表明,该算法能在保持图像细节信息的同时较好地滤除各种重构噪声.

傅里叶望远镜重构图像虚像分析

研究了采用T型激光发射阵列情况下傅里叶望远镜重构图像的虚像问题,基于系统成像基本原理,明确了虚像的来源.分析认为,发射光束在x和y轴扫描时,在俯仰角误差的作用下,抽取目标的空间频率和设定值之间存在一定的偏差;当进行轴向和象限相位闭合、计算目标的单一傅里叶分量时,该偏差会对频谱的频移造成随机的相位影响,反映在空域上使得重构图像存在虚影现象.在不同扫描方式情况下,采用下一步外场实验参数,通过计算机模拟证实了上述分析的正确性.

双树复小波算法重构图像研究

双树复小波变换拥有平移不变性、六个方向的方向选择性等长处,更契合图像重构。源图像通过双树复小波分解后采取了多策略的重构规则:低频部分采取区域平均能量择大的重构方法,高频部分采取局部标准差联合选择及加权平均的重构规则,然后使用双树复小波逆变换去重构图像。结果显示:当分解级数适合时,最后的融合图像更加准确地体现了源图像的细节信息,重构效果更好。

基于两步迭代收缩法的多稀疏空间图像快速重构方法

由于多稀疏空间图像重构时,像素范围选取过大、峰值信噪比低以及重构时间长,导致图像重构方法存在重构效果差的问题,提出基于两步迭代收缩法的多稀疏空间图像快速重构方法。明确多稀疏空间图像重构存在的问题,在明确问题后,以迭代收缩阈值算法为基础,引入迭代加权收缩算法,结合每一轮迭代结果作为初值,完成图像重构的两步迭代收缩法设计,实现多稀疏空间图像快速重构。实验结果表明:应用该方法后的重构多稀疏空间图像峰值信噪比达到37.9 dB以上,图像重构时间仅为16.0 ms,图像结构相似性达到了0.98以上,并且重构多稀疏空间图像的效果更好,经过实验分析证实了所提方法具备可行性。

基于快速采样的剪切光束成像图像重构算法

剪切光束成像是一种非传统地基光学成像技术,在对位姿快速变化的目标成像时,为重构目标高分辨率清晰图像,其成像系统的回波数据采样速率仍不够快.本文提出一种五光束快速采样的图像重构方法,通过改变成像系统编码和解码方法,采用中心对称结构呈“十”字形排布的发射光束阵型,利用所提的快速图像重构算法,单次采样的回波数据所能重构的目标图像从1幅增加到8幅,快速抑制了重构图像的散斑效应.仿真结果表明,与传统三光束图像重构方法相比,获得相同质量图像所需的回波数据采样次数从20次减少至5次,大幅减少了回波数据采样次数,提高了回波数据采样速率.

基于融合小波函数与暗通道的图像重构算法

围绕图像识别中的图像去雾模块,在暗通道条件下,对含雾图像的重构算法展开研究。针对去雾图像的颜色失真严重、图像清晰度较低等问题,利用改进的小波函数到暗通道算法多次融合对源图像进行去雾处理,不断调整图像的像素色阶使其达到一个最佳范围,并且使图像的色彩失真在一定程度上获得补偿,以此实现图像去雾的目的。仿真实验表明,利用多次融合的改进小波函数在暗通道的去雾图像重构效果最佳,重构后有更好的清晰度,在多方面的表现均优于其它算法。

基于按列分块和混合分块的压缩感知图像重构方法

压缩感知理论由于其可通过低采样率来恢复原始信号的特点,近年来逐步被用于光学成像领域。为了解决在对成像图像进行压缩感知重构时数据量过大、计算负担大的问题,分块压缩感知的方法被提出。在该方法的基础上做出改进,依次提出了按列分块和混合分块的压缩感知方法。其中按列分块的方式改变了分块模式,降低分块时的要求,混合分块则结合两种分块的特点,有效提升了压缩感知的效果。通过仿真实验验证,本方法有效提升了图像重构质量,尤其是混合分块方式,在图像的重构速度和重构质量上都有显著提升。

基于图像熵联合重构的对抗样本检测方法

为增强机器视觉领域深度神经网络模型的安全性,提出一种基于图像熵联合重构的对抗样本检测方法。利用正常样本和对抗样本在图像重构后,分类结果差异大小不同的原理进行对抗样本的检测。引入位深度缩减、空间平滑、图像压缩、平移、翻转、缩放6种图像重构方法,以图像熵作为重构参数选择的指标,利用KL散度序列训练二元检测器。对比实验结果表明,采用的方法相较于特征压缩法,对抗样本检测率得到提升,误检率有所降低。

基于卷积神经网络的超分辨率失真控制图像重构研究

目的解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。

改进网络模型的局部骨切片图像重构

基于骨切片图像的三维骨多孔结构数字建模是骨组织工程的技术基础,也是生物医学工程领域的研究热点,骨切片图像的质量决定了骨多孔结构数字模型的准确程度。然而,骨切片图像在获取过程中会出现数据丢失、图像受损或图像尺寸过小等问题,导致只能得到局部的切片图像。为了解决这个问题,提出对局部骨切片图像进行完整重构修复的改进条件生成对抗网络,即在条件生成对抗网络基础上,对生成器进行改进,加入嵌套残差密集块,同时,在判别器中加入极化自注意力模块,并对重构的图像进行形态学函数分析和局部孔隙率分布研究来评价生成图像与真实骨多孔图像的相似程度。结果表明该网络能准确、稳定地重构出多样化的完整骨多孔切片图像。

基于非局部先验的深度压缩感知图像重构网络

传统的基于迭代的压缩感知(CS)图像重构算法易于集成图像先验信息,但存在性能不足、计算复杂度高等缺点。基于深度学习的图像重构算法重构性能通常优于传统的重构算法,并且具有更低的重构计算成本。因此,为了设计出一种更有效利用先验信息的深度学习图像重构算法,该文提出基于非局部先验的深度压缩感知图像重构网络。首先,将稀疏性和非局部先验相结合建立压缩感知图像重构模型,然后通过半二次方分裂法将模型分解为3个子问题,每一个子问题的求解都在深度学习的框架下展开,最后联合建立端到端的可训练的图像重构模型。仿真实验表明,在测试的采样率与数据集下该文所提算法的峰值信噪比与当前主流的重构算法SCSNet相比平均提升了0.18 dB,与CSNet算法相比平均提升了约1.59 dB,与ISTA-Net+算法相比平均提升了约2.09 dB。

基于自适应分块的高光谱图像压缩感知重构方法

在对高光谱图像采样重构的研究中,整体采样和固定分块采样没有考虑到高光谱图像复杂的纹理特征分布,使用了相同的测量矩阵导致图像的重构质量较差。针对此问题,该文提出基于2维图像熵自适应分块压缩感知重构方法(ABCS-IE),该方法以图像2维熵作为高光谱图像纹理细节的度量,根据图像的纹理细节分布自适应改变图像子块的大小,然后为不同的图像块分配特定的采样值,根据分配的采样值设计专有的测量矩阵对图像块进行压缩测量,将采样测量值代入重构算法中进行重构。实验结果表明,与整体采样重构和固定分块采样重构相比,将该方法应用到压缩感知重构算法中对高光谱图像进行采样重构后,重构的图像在视觉效果上有明显的提高,取得的峰值信噪比(PSNR)和结构相似度(SSIM)最大,采样率为0.4时,PSNR提高了2~4 dB,SSIM最大提高了0.27,均方根误差(RMSE)和信息熵差值(ΔH)也有所降低,说明重构的图像更加接近原始图像。而且运算时间也减少了1~1.5 s。可见,该方法能充分利用高光谱图像的纹理特征,有效提高图像的重构质量,同时减少重构的运算时间。

基于低秩约束和全变分正则化的CUP-VISAR压缩图像重构算法

针对基于超快压缩成像(CUP)与二维任意反射面速度干涉仪(VISAR)获得的压缩图像重构冲击波二维条纹的问题,提出了一种基于低秩约束和全变分正则化的压缩图像重构算法。该算法利用条纹图像空间结构的相似性以及平滑性,将重构问题转化为核范数最小化和全变分正则化的优化问题,利用即插即用的交替方向乘子法将优化问题分裂为多个子问题求解,实现了CUP-VISAR压缩图像的精准重构。仿真结果表明,在大噪声的条件下,重构图像的峰值信噪比提高了8.45 dB,结构相似性提高了8.52%,重构效果优于主流重构算法。进一步设计实际实验,实验结果表明,冲击波条纹的最大速度相对误差从13.5%降低到3.46%,减少了近10%,验证了算法的有效性。

基于事件相机的图像重构综述

事件相机是一种新型仿生视觉传感器,当像素点的亮度变化超过阈值后,会输出一系列事件信息。该类视觉传感器异步输出像素的坐标、时间戳以及事件的极性,因此具有低延迟、低功耗、高时间分辨率和高动态范围等特点。它能够捕捉到高速运动和高动态场景中的信息,可以用来重构高动态范围和高速运动场景。图像重构后可以应用在物体识别、分割、跟踪以及光流估计等任务中,是视觉领域重要的研究方向之一。该文从事件相机出发,首先简要叙述事件相机的现状、发展过程、优势与挑战,然后介绍了各种类型事件相机的工作原理和一些基于事件相机的图像重构算法,最后阐述了事件相机面对的挑战和未来趋势,并对文章进行了总结。

结构光照明光切片显微图像的高保真重构方法

光切片图像的质量与使用的重构算法直接相关,传统的均方根算法虽然简洁,但在原始图像信噪比和条纹对比度不高时重构效果不佳,得到的三维重建结果并不理想。针对该问题,提出一种去背景和去卷积相结合的光切片方法。与传统均方根算法相比,该方法能有效减少残留条纹,提高微小细节的可见性。实验搭建了一套基于数字微镜器件的结构照明显微系统,以小鼠肾脏细胞、牛肺动脉内皮细胞等为样品进行了光切片实验。实验结果表明,该方法能获得更好的光切片和三维成像效果。

二维碰撞感知的单张图像参数化人体与服装重构

已有的基于图像的人体与服装重构大都不考虑身体与衣物之间的交互,导致独立重构结果互相穿刺.本文提出一个二维碰撞感知的从单张图像重构人体与服装的优化方法,利用SMPL和TailorNet参数化模型来分别表示人体和衣服的三维形状,进而建立约束能量求解人体形状参数,运动参数和服装细节控制参数.我们的方法在初始化阶段对输入图像进行了语义分割以及二维关节点的估计,并采用human mesh recovery初步估计人体的形状与运动参数作为能量优化的初始值.我们的能量优化由两部分构成:其一是形状与姿态约束,利用图像中人体的关节位置和着装人体区域对三维参数化模型的投影的关节位置和投影区域进行约束,保证重建模型与图像在形状与姿态上的一致性;其二是人体与衣服的碰撞约束,引入重构人体与服装模型的二维投影区域间的误差对人体与衣服进行碰撞约束,以避免相互穿刺,考虑到基于投影的约束对视点敏感,我们在三维空间中进行视点采样,从而建立多视角的二维投影约束.考虑到能量中包含了TailorNet,不容易计算梯度,我们利用爬山法交替地对人体形状,姿态和服装尺寸参数进行优化求取最优解.最后,通过一系列实验对本文方法和最近的一些相关工作进行了定性和定量分析,结果表明本文方法能有效缓解人体与服装穿刺,重构精度也更高。

基于卡尔曼滤波的双约束CUP-VISAR压缩图像重构算法

针对从基于压缩超快成像(Compressed Ultrafast Photography,CUP)的任意反射面速度干涉仪(Velocity Interferometer System for Any Reflector,VISAR)中获得的压缩图像中重构出冲击波二维条纹图像的问题,提出一种基于卡尔曼滤波的双约束图像重构算法。该算法首先基于条纹图像具有的稀疏性和平滑性,将问题转化为基于小波与全变分双先验约束的优化问题,然后,考虑到实际成像的噪声问题,采用加权卡尔曼滤波对图像已有信息进行预测和调整,最后将卡尔曼滤波引入二步迭代阈值算法的迭代过程中,进而求解该双约束优化问题,实现压缩图像的精确重构。在大噪声仿真实验中,该算法重构图像的峰值信噪比和结构相似度分别提高了4.8 dB和14.81%,显著提高了图像重构质量。在实际实验中,该算法重构出了清晰的冲击波条纹图像,且将冲击波速度最大相对误差降低了9.57%和平均相对误差降低了2.2%,验证了该算法的可行性。