一种基于改进MobileUNetV3的高分辨率自然图像抠图算法

自然图像抠图是指精确确定前景的不透明度从自然图像中精确提取前景的过程。广泛应用于图像编辑、目标识别等方面。在图像抠图问题中,像素p的颜色Ip被建模成前景颜色Fp和背景颜色Bp的凸组合:I_(p)=a_(p)F_(p)+(1-a_(p))B_(p)(1.1)其中,ap∈[0,1]表示前景的不透明度。

基于双重注意力机制的间质性肺病高分辨率CT图像分类方法

为了更精确地分类间质性疾病,提出了一种基于深度学习的分类网络,首先将多头自注意力机制模DenseNet-121结合,使得模型能够同时关注多个重点区域。然后采用卷积注意力模块实现更高效的特征提取,提升网络的空间感知能力,从而增强分类性能。最后,添加改进的空间金字塔池化层将不同尺度的特征图拼接起来以捕获更丰富的空间信息。此外针对高分辨率C图像数据集类别不均衡问题,引入FocalLoss损失函数,使得模型在训练时更专注于难分类的样本,从而进一步增强模型的分类能力。所提方法在未经训练的数据集上进行测试,达到了88.28%的准确率。相较于原始DenseNet-121在准确率、召回率、精确率、F1分数和Kappa系数提高了4.65%、5.08%、5.82%、5.45%和6.38%。实验结果表明,该方法具有特征提取能力强和分类准确率高的特点。

基于改进坐标注意力和U-Net网络的高分辨率遥感图像建筑物提取

在城市规划、统计调查和灾害应急评估等领域,从遥感图像中准确提取建筑物至关重要。然而,由于高分辨率遥感图像中建筑形态的多样性和地面环境的复杂性,实现建筑的完整、高精度提取仍然是一个挑战。为此,本文提出了一种用于从高分辨率遥感图像中提取建筑物的新网络,该网络保留了U-Net的编码器–解码器结构,并融合了坐标自注意模块(CSAM),以调整网络对输入图像中不同区域的关注程度,使得网络能够有选择性地捕捉和强调重要的语义信息,增强特征提取能力。在空间分辨率为0.3 m的WHU建筑物数据集上进行的实验结果表明,与U-Net、PSPNet、DeepLabV3+相比,所提出的网络能够获得更准确的建筑提取结果,达到98.21%的像素精度、95.28%的精准率、94.57%的召回率和90.34%的交并比。

基于超像素分割算子的高分辨率多光谱图像重构方法

针对分焦平面多光谱相机在成像过程中存在的图像空间分辨率较低问题,提出了分焦平面马赛克图像的高分辨率重构方法。该方法首先通过拍摄漫反射白板对分焦平面马赛克式传感器进行定标,获得了无马赛克的场景反射率图像;之后将场景反射率图像和分焦平面马赛克图像代入多光谱图像与高光谱图像的融合模型进行高分辨率重构。分析了基于超像素分割算子的2种重构方法(最小二乘-多光谱数据融合法和正则化最小秩-多光谱数据融合法)的重构结果。结果发现:最小二乘-多光谱数据融合法的求解过程简单,求解速度较快,针对反射率较为均一的场景可以取得较好的重构结果;正则化最小秩-多光谱数据融合法求解过程复杂,求解速度较慢,针对复杂场景可以取得较好的重构结果。研究提出的2种重构方法的平均像素误差约为0.12,小于其他典型重构方法,且重构评价参数也具有明显优势,表明这2种重构方法在光谱图像高分辨率融合模型的迁移上取得了较好的结果,实现了待重构图像在空间信息和光谱信息上的高度还原。

基于地铁隧道高分辨率图像的裂缝信息提取

随着运营年限的增长,地铁隧道会逐渐产生各类病害,裂缝是一种典型的病害现象。由于大部分裂缝的特征不突出,且受到地铁隧道内部电缆设备、划痕、蜘蛛网等线状干扰物的影响,现有裂缝检测方法在高分辨率图像下效果不佳。本文以衬砌裂缝为研究对象,基于自主研发的隧道相机系统,实现对隧道表面信息的无损数据采集,获取4096×2168像素的高分辨率图像数据;明确裂缝识别的干扰因素,基于病害特性构建干扰数据集及真实纹理数据集;以掩码-区域卷积神经网络(Mask R-CNN)模型为基准框架,采用K-means和遗传算法对区域建议网络(RPN)网络进行参数优化;利用对比试验和消融试验说明本文算法的检测效果和表现性能。结果表明,本文算法能实现高分辨率图像下隧道裂缝的识别和长度测量,漏检和误检概率更低,对细长、特征不太明显的裂缝具有较好的检测性能,裂缝测量值可为地铁的运营维护提供参考。

高分辨率特征增强图像的小目标检测算法

在高分辨率特征增强图像小目标特征检测过程中,局部特征与全局目标识别参量之间的参量分布不均,无法在目标图像区域内识别有效特征信息,导致实际检测结果无法满足应用要求。为了解决这一问题,利用鲁棒鉴别特征学习完成高分辨率特征增强图像的小目标检测。该算法中的D3Tes2Block结构单元提取小目标的多尺度特征,并通过损失函数优化,降低特征损失以提高对小目标区域的关注度,在鲁棒性特征学习结果的基础上,根据学习尺度参量进行目标区检测信息聚合,输出小目标检测结果。实验结果显示,本文方法能够有效提升小目标检测精准度,且整体性能输出稳定,更加适合实际场景的应用。

基于BP神经网络的高分辨率海底地形跨层生成模型

为了满足海底地形的高分辨率需求及解决测量数据的有限性问题,基于多层前馈神经网络(back propagation,BP)和跨层网格生成策略,建立了兼顾海底区域地形整体特征和局部地形信息的海底地形跨层生成模型,实现对海底地形数据生成填充。以南海海底地形为例,通过误差对比、假设检验以及海底地形云图的图像清晰度对本文模型生成数据进行有效性验证。结果显示所建立的模型在保证与原始数据之间误差小和数据特征相同的前提下完成了对地形云图的图像清晰度的提升,并且结果优于传统克里金插值方法。本文分析结果可为地形数据相关研究提供参考。

面向高分辨率激光扫描点云的图像色彩界面交互配色设计研究

配色图像样本杂色的存在会使得配色方案与源图像标准颜色存在较大的误差,导致配色协调舒适度较差。针对上述问题,进行面向高分辨率激光扫描点云的图像色彩界面交互配色设计研究。该研究中利用高分辨率激光扫描技术采集标准点云数据并作为参考样本,针对点云数据实施去噪处理,以减少杂色的干扰。将点云的RGB数据转换为HSV数据并参考表伯克霍夫美度值建立配色模型。将果蝇算法和粒子群算法结合在一起,避免陷入局部最优,利用果蝇-粒子群算法求取配色模型最优解,得出图像色彩界面交互配色最佳设计方案。结果表明:配色方案2的伯克霍夫美度值为0.976,要大于其他5个方案,由此说明配色方案2是配色模型的最优解,配色效果达到最佳,配色更加协调舒适。

基于点扩散函数的图像学高分辨率技术

常规基于一维假设的高分辨率处理技术如反褶积、反Q滤波方法等,针对水平构造或者小倾角构造有较好的处理效果,但在面向高陡构造或者断裂等复杂构造时处理效果不佳。而偏移成像结果可以看作是点扩散函数(PSF)与真实反射系数褶积的结果,高维空间条件下的高分辨率处理技术实际上是此正演问题的一个反问题,即基于成像结果进行反射系数反演。为此,提出了一种基于点扩散函数的高分辨率处理技术,首先基于点扩散函数的计算原理,推导出了基于高频近似条件下的快速求解算法,并在高维空间褶积理论的指导下结合图像学反演算法研发了纯数据驱动的点扩散函数提取技术,最后采用高维空间反褶积算法求得高分辨率成像结果,实现地震频带的有效拓宽和成像分辨率的提升。模型数据和实际数据测试结果表明,该算法可在不损失低频的前提下有效扩宽高频,且具有在计算效率与常规高分辨率算法基本相当的条件下有效提高不同展布方位地质体分辨率的优势。

基于YOLOv5 的高分辨率遥感图像目标检测算法

随着遥感技术的快速发展,高分辨率遥感图像以其高精度的地表细节信息,为城市规划、环境监测、灾害评估等提供了强有力的支持。但由于目标尺寸多样性和背景复杂性的增加,在高分辨率图像中准确地检测和识别特定目标面临挑战。YOLOv5在实时目标检测领域展现了出色的性能,在处理速度上具有显著优势,在多种复杂场景下保持高准确度。基于YOLOv5算法框架,提出一种面向高分辨率遥感图像的目标检测算法,引入改进多尺度特征融合技术,有效提升模型在复杂背景下对小目标的检测能力。结果表明,所提算法在高分辨率遥感图像目标检测任务中的性能优越,具有实用潜力。

农村集体土地测绘图像高分辨率自适应重建技术分析

农村集体土地测绘工作开展中,应用图像高分辨率自适应重建技术,有利于提升图像质量,增加土地确权结果准确度,维护土地资源分配均衡。本文立足改进小波变换算法简要分析了技术原理与技术步骤,并通过完整导入土地测绘图像、建立传统土地测绘图像、加强测绘图像去噪处理、密集匹配高分辨率图像等技术要点,促使测绘图像重建后拥有高清晰度,为测绘工作给予优化指引。

基于感知去模糊的高分辨率破损图像修复方法

为提高修复图像的视觉效果,提出基于感知去模糊的高分辨率破损图像修复方法。将高分辨率图像样本输入卷积自编码生成对抗网络中,利用编码器降维处理并输出其低维特征矩阵后,由解码器对其升维并解码,最终采用生成器完成映射学习。通过不断搜寻,获得与输入高分辨率图像L_(1)距离差异最小的生成图像,由判别网络对其作真假判断,实现高分辨率破损图像的粗修复后,再将其输入感知去模糊网络模型中,增强图像细节信息后实现高分辨率图像修复。实验结果表明:该方法修复后的高分辨率图像细节丰富、颜色自然、视觉效果突出。

基于解耦区域校准的高分辨率超像素生成算法

超像素分割是计算机视觉领域的一项重要任务,该任务将具有相似属性的像素分组到称为超像素的簇中.图像超像素不仅可以增益图像注释,而且还是各种下游应用的基础,如分割、光流估计和深度估计.尽管超像素分割技术取得了显著进展,特别是随着深度学习方法的出现,但现有解决方案由于GPU内存和计算能力的限制,一直无法有效处理高分辨率图像.针对这个问题,作者提出了一种名为区域解耦校准的高分辨率超像素网络(Patch Calibration Network,PCNet)的新型深度学习框架,通过采用解耦的一致性学习策略,解决了现有方法的局限性.这种方法允许通过从低分辨率输入预测高分辨率输出来高效生成高分辨率超像素结果,从而绕过了GPU内存限制.PCNet的一个关键贡献是解耦的区域块校准(DPC)分支,它将高分辨率图像块作为额外输入,以保留细节并增强边界像素分配.为了改善边界像素的识别,作者利用二进制掩模设计了一种动态引导训练机制.这种机制鼓励网络专注于区域内的主要边界,将任务从多类分类简化为二分类问题.这一创新策略不仅减少了网络优化的复杂性,而且显著提高了边界检测的精度.本文通过在包括Mapillary Vistas、BIG和新创建的Face-Human数据集在内的多样化数据集上进行广泛的实验,证明了PCNet的有效性.结果表明,PCNet能够成功处理5K分辨率图像,并与现有的最先进的SCN方法相比,实现了更优越的性能,后者在处理高分辨率输入时存在困难.作者的贡献包括开发了PCNet,一种针对高分辨率超像素分割的深度学习解决方案,引入了解耦的区域校准架构,并构建了一个超高分辨率基准测试集,用于评估高分辨率场景中超像素分割算法的性能.本文首先回顾了超像素分割领域的相关工作,然后详细介绍了PCNet框架,接着展示了实验结果并与最先进的方法进行了比较.结论部分总结了研究结果并概述了未来研究的潜在方向.代码、预训练模型和新的基准数据集的可用性无疑将促进高分辨率超像素分割领域的进一步发展.总之,本文在超像素分割领域提供了一个重要的进步,提供了一种能够高效、准确处理高分辨率图像的解决方案.所提出的PCNet框架,凭借其创新的DPC分支和动态引导训练机制,为未来在计算机视觉领域的研究和应用提供了一个有前景的方向.本文的代码、预训练模型以及新构建的评估基准数据集可在https://github.com/wangyxxjtu/PCNet上获取.

基于相位一致的高分辨率遥感图像分割方法

基于分水岭变换的图像分割性能在很大程度上依赖于用来计算待分割图像梯度的算法。根据频域相位信息对图像特征的表征能力,引入相位一致的思想计算图像特征,应用Log Gabor小波提取高分辨率遥感图像的多尺度梯度。接着在对相位一致梯度进行分水岭分割时发现,在抑制分水岭算法的过度分割方面,经典的基于前景标记和背景标记的方法并不适合于遥感图像的分割,给出一种基于前景标记和梯度重建的分水岭算法。对IKONOS Pan图像上的农田、厂房和居民楼等地物进行特征提取和图像分割实验,结果表明相位一致方法优于空域特征检测算子,根据相位一致特征得到较好的分水岭分割结果。

高分辨率棉花异性纤维彩色图像的快速分割方法

针对传统的图像分割方法较难分割棉花异性纤维的问题,提出了一种高分辨率棉花异性纤维彩色图像的快速分割方法。该方法通过改进的数学形态学的边缘检测方法得到灰度梯度图,再选取迭代过程中的最佳经验值得到最佳分割阈值,从而实现了灰度梯度图的分割。实验结果表明,该方法可以直接对高分辨率棉花异性纤维彩色图像进行分割,且分割效果较好,并使此环节的计算速度提高2倍以上。

基于嵌入式应用的高分辨率农业图像采集节点设计

针对现有农业图像采集设备分辨率低且无法调节图像效果的现状,提出一种基于ARM、CMOS图像传感器和嵌入式Linux操作系统的高分辨农业图像采集节点的设计方案。设计了采集节点的硬、软件体系结构,实现了图像传感器驱动控制,可进行5种白平衡、7级亮度、5级对比度、5级饱和度的图像采集效果控制。试验结果表明,本采集节点能进行2 048像素×1 536像素的图像采集,并能较好地控制图像的白平衡、亮度、对比度、饱和度等像素效果。所设计节点具有体积小、成本较低等特点,可广泛应用于农业图像采集。

结合光谱相似性与相位—致模型的高分辨率遥感图像分割方法

提出一种结合高分辨率遥感图像的光谱相似性与相位一致边缘检测模型的分水岭分割方法.分水岭分割算法的性能依赖于图像边缘梯度图.利用同类地物的光谱相似性特点,可有效抑制相位一致模型边缘检测中产生的伪边缘和噪声信息,从而获得更好的遥感图像分割结果.首先基于目标像元与其邻域像元之间的光谱曲线距离之和定义光谱相似性模型,结合相位一致模型获得边缘响应强度;然后利用自动标记分水岭变换方法实现高分辨率遥感图像分割.基于此方法和其它方法进行了分割实验,并利用基于多光谱信息熵方法对分割结果进行了非监督评价和比较,同时对比分析了计算耗时.结果表明此方法可有效抑制遥感图像过分割现象,并取得较好的分割结果.

基于CUDA的高分辨率数字视频图像配准快速实现

高分辨率数字视频图像数据量巨大,基于SIFT图像配准算法在CPU上实现时用时巨大。针对此,首先对配准算法中3个最耗时的部分:SIFT特征提取;SIFT特征匹配;RANSAC算法提纯匹配点对,求解变换模型参数。对此展开重点研究,研究其并行算法。然后基于CUDA并行快速实现高分辨率数字视频图像配准。实验结果表明:基于SIFT图像配准算法在CPU与CUDA上实现,在配准效果相近时,在CUDA上实现的处理速度比在CPU上实现的处理速度提高了100多倍,并且随着图像像素数的增加加速比有显著提高。

一种基于相位一致的高分辨率遥感图像特征检测方法

精确检测图像边缘特征是进行高分辨率遥感图像分割和识别的关键。空域特征检测算子以解决阶跃形边缘为主,得到的边缘特征对图像的亮度和对比度敏感。本文引入了一种基于频域相位一致的图像特征检测方法,该方法对遥感图像亮度和对比度具有不变性,同时适用于多种边缘特征的检测。使用Log Gabor小波计算IKONOS Pan图像的相位一致多尺度梯度,对农田、道路和厂房等典型地物进行特征检测的结果表明,相位一致算法对图像局部亮度和对比度不敏感;并且对线形物体产生单线响应,不似空域检测算子产生双线响应。最后考察滤波器尺度和方向参数变化及添加高斯噪声对检测结果的影响,发现相位一致算法无需先使用低通滤波去除噪声,因而具有更稳定的特征定位精度;并且抗噪声干扰的能力强,检测结果不会因为噪声而出现波动。基于相位一致的遥感图像不变特征提取,为高分辨率遥感图像的分割和对象识别提供了基础。

高速高分辨率CMOS图像采集系统设计与实现

本文介绍了一种高速高分辨率CMOS图像采集系统。给出了系统结构原理,分析了CMOS图像传感器驱动时序,研制了系统成像与高速图像数据存储电路。设计了系统数据采集和应用软件。系统全帧图像读出帧频率最高可达500帧/秒,图像分辨率为1280×1024,曝光时间最快10μs。