基于高低频特征增强算法的室内场景三维重建仿真

为了提高室内设计效率和质量,提出了一种基于高低频特征增强算法的室内场景三维重建仿真方法。利用小波变换算法提取室内场景单图像高低频特征,通过加权引导滤波算法增强高低频特征图像;采用深度神经网络,预测图像的分割图和深度图,并结合长短时记忆网络估计室内场景单图像平面参数。然后整合分割图、深度图与平面参数,实现三维重建。实验结果表明:该方法可有效提取室内场景单图像高低频特征,增强高低频特征图像和提升图像清晰度;三维重建均方归一化误差最高值为0.15。

基于高低频特征分解的深度多模态医学图像融合网络

多模态医学图像融合旨在利用跨模态图像的相关性和信息互补性,以增强医学图像在临床应用中的可读性和适用性。然而,现有手工设计的模型无法有效地提取关键目标特征,从而导致融合图像模糊、纹理细节丢失等问题。为此,提出了一种新的基于高低频特征分解的深度多模态医学图像融合网络,将通道注意力和空间注意力机制引入融合过程,在保持全局结构的基础上保留了局部纹理细节信息,实现了更加细致的融合。首先,通过预训练模型VGG-19提取两种模态图像的高频特征,并通过下采样提取其低频特征,形成高低频中间特征图。其次,在特征融合模块嵌入残差注意力网络,依次从通道和空间维度推断注意力图,并将其用来指导输入特征图的自适应特征优化过程。最后,重构模块形成高质量特征表示并输出融合图像。实验结果表明,该算法在Harvard公开数据集和自建腹部数据集峰值信噪比提升8.29%,结构相似性提升85.07%,相关系数提升65.67%,特征互信息提升46.76%,视觉保真度提升80.89%。

基于高低频特征融合的电力设备热故障模糊检测方法

电力设备在运行过程中,受电流和电压的影响易出现热故障,使成像特征为高低频混合状态,现有方法仅检测高频特征或低频特征,导致检测结果置信度低、检测效果差。提出了基于高低频特征融合的电力设备热故障模糊检测方法。采用红外成像传感器采集电力设备图像,利用区域能量自适应加权法,处理图像低频和高频特征。通过小波逆变换融合高低频特征计算小波系数。利用灰度值提取特征参数,得到热故障检测结果。实验结果表明:所提方法可精准检测热故障区域,置信度最高值为0.96,检测准确率高达90%,平均交并比为89%,具有较好的热故障检测效果。

结合NSCT高低频特征的图像边缘检测算法

为提取丰富的边缘信息,利用非下采样轮廓波变换(NSCT)能够很好逼近图像的方向信息这一特征,设计了一种图像边缘检测算法.该方法将图像变换到NSCT域,对高频和低频子带信息分别处理:首先只保留高频系数矩阵中的较大的系数并利用其得到高频特征图像,根据自适应阈值法对高频图像进行处理得到高频边缘信息;然后对低频子带信息提取其低频边缘信息;最后利用低频边缘信息对高频边缘信息进行补偿,同时去除孤立噪声点,得到最终的边缘图像.通过对灰度图像及彩色图像的仿真实验,与sobel、canny、log及prewitt算子的检测结果进行比较,给出了定量的评价指标,验证了提出方法的有效性和优越性.

基于高低频特征融合的电力设备热故障模糊控制方法

部分电力站的设备由于应用时间过长,常常会发生不同程度的热故障,给日常的电力调度、传输工作带来不利影响。为降低电力设备热故障的控制偏差,进一步完善、优化整体的控制环节,扩大控制的范围,基于高低频特征融合的电力设备热故障模糊控制方法设计分析。需要先进行热故障特征量的提取,再进行多维特征热故障区域分割,设计高低频转换控制结构,最后构建高低频特征融合热故障模糊控制模型,并在模型中增设主元故障树,采用残差高低频收缩处理法实现模糊控制。结果表明,所提方法控制偏差相对较小,控制在2左右;控制速度更快,最长需要3.55 s。在实际测试应用的过程中,对于电力设备异常位置的定位效果好、误差小、速度快,特征向量保持均衡的状态下,具有实际的应用价值。

高低频通道特征交叉融合的低光人脸检测算法

低光条件下捕获的人脸图像存在着噪声严重、对比度低等不足,极大影响了现有人脸检测器的准确性,另外,现有的低光图像检测算法欠缺小区域人脸信息的提取能力。为此,提出一种基于深度学习的两阶段人脸检测算法,即利用现有的低光图像增强算法对人脸图像进行增强后再进行检测。为提升检测算法对人脸信息的提取能力,设计一种新型的高低频通道特征交叉融合方法,该方法首先使用高低频通道特征可分离模块分离出不同尺度特征的高低频信息,然后对上述信息进行交叉融合,提升网络提取高频细节信息和低频色域信息的能力,进而提高检测网络的性能。对比试验和消融试验验证了该研究方法的有效性,试验结果表明该方法优于基准方法4.0%mAP。

全色图像引导高光谱图像泛锐化

泛锐化方法通过融合低分辨率高光谱图像和全色图像,从而获取具有高空间、高光谱分辨率的图像。为充分挖掘全色图像空间纹理特征,在VGG19中引入八度卷积,同时关注全色图像不同空间尺度的高低频特征;为增强光谱图像的局部空间特征,添加特征调制模块,将全色图像高频特征注入光谱图像空间细节;为加强光谱图像特征同全色图像低频特征的全局依赖关系、降低网络复杂度,网络深层对多头注意力进行优化,使光谱图像只关注全色图像最相关的图像区域;重建阶段采用Sobel滤波器、GCN图神经网络以及ECA注意力聚合光谱图像边缘细节和显著波段特征,同时,引入VGG感知损失和边缘损失,提高融合后图像的边缘特征比重。在Pavia Center、Botswana和Chikusei这3个数据集与其他泛锐化方法进行验证,其中峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)值分别达到40.80%、45.90%和43.26%,SAM值分别降低到4.15%、1.38%和2.70%。提出泛锐化方法可有效恢复光谱图像空间纹理细节,同时避免光谱失真。

文本自动分类中特征权重算法的改进研究

文章研究并改进了文本自动分类中的特征权重算法。传统的特征权重算法着重于考虑频率和反文档频率等因素,而未考虑特征的类间、类内分布与低频高权信息。该文重点研究了特征的类间、类内分布,以及低频高权特征对分类的影响,并在此基础上提出了低频高权特征集的构造方法及特征权重的新算法,同时将该算法推广到多层次分类体系。实验证明该算法能有效提高分类的精确度,而且在多级分类中也能取得很好的效果。