基于多尺度纹理合成的刺绣风格迁移模型

针对现有的刺绣风格模拟算法产生的图像细节不够精确,缺乏语义深度等缺点,提出了一种多尺度纹理合成的刺绣风格迁移模型(MTE-NST),该模型主要由生成网络和损失网络2部分组成,其中生成网络又包含内容匹配模块、结构增强模块和纹理精细模块。并通过引入多程式损失联合训练,分层迭代优化刺绣迁移图像,减少各个损失项对迁移效果的影响。结果表明:与现有卷积神经网络风格迁移算法对比,MTE-NST能生成更清晰的刺绣织线纹理和多方向的针脚轨迹,显著减少图片匹配错误产生的伪影,生成更逼真的刺绣艺术作品,本文研究结果有助于提高刺绣产品的外观仿真设计水平,促进刺绣技艺的发展及创新。

基于金字塔的图像恢复算法

针对图像传输的丢包问题,基于拉普拉斯金字塔,本文提出一种双向塔式恢复算法。该算法构建双向金字塔数据模型,引入权值矩阵,滤波提取低频系数,插值恢复高频系数。实验证明,在丢包条件下,该算法比拉普拉斯金字塔算法恢复图像质量的性能有较大提高。

基于拉普拉斯算子和颜色保留的神经风格迁移算法

针对神经风格迁移算法结果中存在伪影、颜色丢失、轮廓模糊不清等影响整体艺术效果的问题,提出了一种基于拉普拉斯算子和颜色保留(LCR)的神经风格迁移算法。所提LCR算法使用内容损失项、风格损失项、直方图损失项以及拉普拉斯损失项构建总损失函数。由于在LCR算法中使用了直方图损失项和拉普拉斯损失项,因此,LCR算法与基于卷积神经网络的图像风格迁移(IST-CNN)算法、基于深度特征扰动(DFP)算法相比,对风格化结果图有更好的整体艺术效果。首先,通过对输入内容图像和风格图像进行去噪处理,减小了图像噪声对后续各个损失项计算的影响;其次,对内容图像和风格图像进行RGB空间到Lab空间的转换,以实现图像亮度通道L和颜色通道a、b的分离,并把内容图像的亮度信息迁移到风格图像上,从而达到内容图像颜色保留的目的;最后,在卷积神经网络(CNN)中对总损失函数进行迭代优化并输出风格化结果图。与IST-CNN和DFP算法相比,所提LCR算法的峰值信噪比(PSNR)平均分别提高了约12.418 dB和8.038 dB,结构相似性(SSIM)平均分别提高了约0.348 06和0.258 54,均方差(MSE)平均分别降低了0.653 76和0.296 00。实验结果表明,LCR算法有更好的风格化绘制整体视觉效果。

基于ε-Pinball损失函数的拉普拉斯双支持向量机

考虑到拉普拉斯双支持向量机中的平方损失函数对分类超平面两侧的同类样本点给予了相同重视,当出现噪声或离群点时,所得分类超平面可能会出现偏离的现象,为了减小噪声或离群点的影响,提出基于ε-Pinball损失函数的拉普拉斯双支持向量机;给出正、负损失的概念,探讨参数τ对分类超平面的影响,分析参数ν的意义,并进行数值实验。结果表明,通过调节参数τ,可增强模型的灵活性,使得模型具有较好的分类能力及抗噪性。

基于深度残差网络的输电线路隐患识别模型

为解决输电线路人工巡检、观看监控视频和分析隐患费时费力,以及现有的线路检测方法成本高、效率低和难以推广等难题,提出一种基于深度残差网络的输电线路隐患识别模型。首先利用拉普拉斯梯度算子自动过滤传输失败或模糊等不合格的图片,然后通过正则表达式提取文本信息和聚类生成隐患标签,最后利用深度残差网络和不同损失函数进行组合,优化模型参数。经验证,模型具有93%以上的准确率。模型可便捷地推广至变电站视频监控等场景,提升电网公司数字化和智能化水平。

基于图拉普拉斯正则化的柯西非负矩阵分解高光谱解混

基于欧氏距离标准的非负矩阵分解(NMF)在面对含有噪声和异常像元污染的高光谱图像时,容易造成解混的失败。为了抑制噪声或异常像元的影响,采用基于柯西损失函数的NMF模型以提高解混的鲁棒性。由于对异常值的抑制可能会破坏高光谱图像内在的丰度结构,因此为保证原始高光谱内部数据不被破坏,将图拉普拉斯约束引入模型中。同时,为提高丰度矩阵的稀疏性,提高解混性能,引入重加权稀疏约束项,提出基于图拉普拉斯正则化的柯西非负矩阵(CNMF-GLR)分解的算法。考虑到图拉普拉斯约束对邻域选择的需求,使用局部邻域加权的方法,通过矩形窗结构来确定局部邻域。在模拟数据集和真实数据集上使用相同初始化条件与其他经典算法进行比较,结果表明,所提算法具有更好的鲁棒性和解混性能。

多尺度双通道卷积神经网络下的刺绣模拟

目的针对现有刺绣模拟算法中针线感不强、针线轨迹方向单一等问题,提出了一种基于多尺度双通道卷积神经网络的刺绣模拟算法。方法1)搭建多尺度双通道网络,选取一幅刺绣艺术作品作为风格图像,将MSCOCO(microsoft common objects in context)数据集作为训练集,输入网络得到VGG(visual geometry group)网络损失和拉普拉斯损失;2)将总损失值传回到网络,通过梯度下降法更新网络参数,并且重复更新参数直到指定的训练次数完成网络训练;3)选取一幅目标图像作为刺绣模拟的内容图像,输入训练完成的网络,获得具有刺绣艺术风格的结果图像;4)使用掩模图像将得到的结果图像与绣布图像进行图像融合,即完成目标图像的刺绣模拟。结果本文算法能产生明显的针线感和多方向的针线轨迹,增强了刺绣模拟绘制艺术作品的表现力。结论本文将输入图像经过多尺度双通道卷积神经网络进行前向传播,并使用VGG19、VGG16和拉普拉斯模块作为损失网络进行刺绣模拟。实验结果表明,与现有卷积神经网络风格模拟算法对比,本文提出的网络能够学习到刺绣艺术风格图像的针线特征,得到的图像贴近真实刺绣艺术作品。