基于拉普拉斯金字塔生成对抗网络的图像超分辨率重建算法

针对目前的图像超分辨率重建算法中存在的大尺度因子的重建效果较差、不同尺度的图像重建均需要单独训练等问题,提出一种基于拉普拉斯金字塔生成对抗网络(GAN)的图像超分辨率重建算法。算法中的生成器使用金字塔结构实现多尺度的图像重建,从而以渐进上采样的方式降低了大尺度因子的学习难度,并在层与层之间使用密集连接加强特征传播,从而有效避免了梯度弥散问题。算法中使用马尔可夫判别器将输入数据映射为结果矩阵,并在训练的过程中引导生成器关注图像的局部特征,从而丰富了重建图像的细节。实验结果表明:在Set5等基准数据集上分别进行放大2倍、4倍、8倍的图像重建时,所提算法的平均峰值信噪比(PSNR)分别达到了33.97 dB、29.15 dB、25.43 dB,平均结构相似性(SSIM)分别达到了0.924、0.840、0.667,相比用于超分辨率重建的卷积神经网络(SRCNN)、深度拉普拉斯金字塔超分辨率重建网络(LapSRN)、用于超分辨率重建的生成对抗式网络(SRGAN)等其他算法有较大提升,且其重建的图像在主观视觉上保留了更多生动的纹理和小颗粒细节。

基于拉普拉斯金字塔降维的人脸识别算法

针对传统的基于PCA(Principal Component Analysis)和BP(Back Propagation)神经网络的人脸识别算法运算维数高、容易出现震荡而导致识别率低等问题,提出了一种基于拉普拉斯金字塔降维的人脸识别算法,该算法首先通过对人脸图像进行拉普拉斯金字塔降维处理,在降维的同时保持了人脸图像的细节,然后用PCA进行特征提取,最后通过BP神经网络分类器进行人脸识别.利用ORL人脸图像数据库进行仿真实验,结果表明,该算法识别率较高.

基于拉普拉斯金字塔和CNN的医学图像融合算法

医学图像融合技术因其包含多模态的图像信息,在临床应用中起着越来越重要的作用。医学图像融合效果符合人类视觉感知,减少先验知识对融合效果的影响和增强细节表现力一直是努力的方向。提出基于拉普拉斯金字塔和卷积神经网络的医学图像融合方法,针对图像伪影的问题采用区域拉普拉斯金字塔,为保存更多的细节信息并使参数自适应,对卷积神经网络进行改进。将源图像分别输入区域拉普拉斯金字塔进行分解,采用改进的卷积神经网络生成最优权重图指导融合过程,通过逆过程生成融合图像。实验结果表明,提出的方法在主观视觉和客观评价指标上都取得了良好的融合效果。

基于局部熵的LP-PCNN多属性融合裂缝预测方法

地震属性分析方法在储层裂缝预测方面是常见且有效的方法,但地震属性与裂缝之间往往是多元复杂的非线性关系,单属性分析的结果存在不稳定和多解性问题。为了更加全面、准确地预测储层裂缝特征,提出了一种基于拉普拉斯金字塔算法(LP)和脉冲耦合神经网络(PCNN)的多属性融合分析方法。通过属性分析提取并优选对裂缝敏感的多个单属性,引入拉普拉斯金字塔算法,在保护高频细节信息的前提下将各单属性分解为多尺度空间频带;利用PCNN模型强大的非线性处理功能对分解数据进行聚类特征分析;引入表征统计特性的局部熵(LE)对拉普拉斯金字塔的各个分解尺度进行融合。利用拉普拉斯金字塔重构算法得到最终多属性融合结果。实际地震资料测试结果表明,该方法不仅能够有效整合裂缝信息,更加全面地预测裂缝展布特征,而且能在一定程度上压制单属性中存在的冗余或错误信息,提高信噪比,对裂缝边界的刻画更加清晰。

轻量化火星遥感影像超分辨率重建网络

针对目前基于深度学习的图像超分辨率重建方法参数量大的问题,以Deep Laplacian Pyramid Networks(LapSRN)为基础,提出一种轻量化拉普拉斯金字塔图像超分辨率重建卷积神经网络。首先,对输入的低分辨率图像(Low Resolution Image,LR)提取出浅层特征。其次,使用可以进行参数共享的具有同源跳跃连接的递归块结构,从浅层特征逐步提取出更深层特征并进一步推断出包含高频信息的残差图像(Residual Image,RI)。然后,对RI以及输入的LR进行转置卷积上采样,并将二者逐像素相加得到超分辨率图像(Super Resolution Image,SR)。该方法在三个放大倍率下总参数量仅为LapSRN的3.98%,火星遥感影像4倍超分辨率下峰值信噪比(Peak Signal to Noise Ratio,PSNR)提高0.031 3 dB,8倍超分辨率下PSNR提高0.116 7 dB。所提方法在超分辨率重建效果基本维持的情况下将网络参数量在2倍下缩减81.6%、4倍下缩减90.8%、8倍下缩减88.8%。

基于多任务对抗和抗噪对抗学习的人脸超分辨率算法

高倍率单幅人脸图像超分辨率重建是一项具有实用价值但困难的任务。在人脸超分辨率任务中,端到端网络超分辨率图像较模糊,图像真实性和人眼视觉效果较差。针对上述问题,文中提出基于多任务对抗和抗噪对抗学习的人脸超分辨率算法。算法分为端到端网络学习阶段和网络参数微调阶段。为了提高端到端学习效果,设计深度多任务拉普拉斯金字塔网络,并结合多任务对抗学习。主任务为端到端学习,子任务为优化对抗学习惩罚项函数。为了改进通过对抗学习并微调主任务网络参数后的效果,在对抗学习的判别器优化过程中,融入抗噪对抗学习。实验表明,文中算法能使人脸超分辨率图像更具有图像真实性,更符合人眼视觉习惯。

结合误差反馈的LapSRN的图像超分辨率重建

近年来,神经网络被广泛应用于超分辨率重建,但是多数网络都是单一学习低分辨率(LR)图像和高分辨率(HR)图像之间的映射关系,而文中提出了一种基于拉普拉斯金字塔网络(LapSRN)的算法,考虑LR图像和不同尺寸HR图像之间的映射,挖掘新的特征信息。另外,针对网络中多次连续上采样所带来的误差,引入错误反馈机制,将之前的采样误差传递给当前采样层,这样不断地进行迭代和自校正,产生更优解。实验表明,所提方法比现有的相关方法在PSNR指标上有普遍提高,细节恢复效果和收敛速度也有明显提升。

基于WGAN网络的自然视频预测

计算机视觉技术已经在学术界和工业界取得了巨大的成果,近年来,视频预测已经成为一个重要的研究领域。现有基于生成对抗网络的视频预测模型在训练中需要小心平衡生成器和判别器的训练,生成模型多样性不足。针对这些问题,提出用Wasserstein对抗生成网络(WGAN)代替生成对抗网络,采用拉普拉斯金字塔模型的级联卷积网络训练一个多尺度的卷积网络,根据输入视频序列预测未来几帧,再由低分辨率到高分辨率的迭代去生成比较清晰的图像。最后在UCF-101数据集上进行了实验,并与不同的网络结构进行了比较,实验结果表明,改进的网络在数据集的实验结果优于现有的视频生成模型。

基于改进LP变换及自适应PCNN的多聚焦图像融合方法

提出一种抗噪声多聚焦图像融合方法.首先,采用改进拉普拉斯金字塔(LP)变换构造图像的塔形数据结构.每层数据经脉冲耦合神经网络(PCNN)迭代运算生成相应的点火次数矩阵;然后,以此为依据经判决算子完成数据融合;最后,采用伪逆重构算法生成融合图像.实验结果表明,所提出的方法具有抗加性噪声及JPEG压缩系统噪声的能力,融合图像的客观评价指标较高,且能有效减弱原LP算法融合图像边缘的"Gibss"伪影现象.

条件生成对抗遥感图像时空融合

目的卫星遥感技术在硬件方面的局限导致获取的遥感图像在时间与空间分辨率之间存在矛盾,而时空融合提供了一种高效、低成本的方式来融合具有时空互补性的两类遥感图像数据(典型代表是Landsat和MODIS(moderate-resolution imaging spectroradiometer)图像),生成同时具有高时空分辨率的融合数据,解决该问题。方法提出了一种基于条件生成对抗网络的时空融合方法,可高效处理实际应用中的大量遥感数据。与现有的学习模型相比,该模型具有以下优点:1)通过学习一个非线性映射关系来显式地关联MODIS图像和Landsat图像;2)自动学习有效的图像特征;3)将特征提取、非线性映射和图像重建统一到一个框架下进行优化。在训练阶段,使用条件生成对抗网络建立降采样Landsat和MODIS图像之间的非线性映射,然后在原始Landsat和降采样Landsat之间训练多尺度超分条件生成对抗网络。预测过程包含两层:每层均包括基于条件生成对抗网络的预测和融合模型。分别实现从MODIS到降采样Landsat数据之间的非线性映射以及降采样Landsat与原始Landsat之间的超分辨率首建。结果在基准数据集CIA(coleam bally irrigation area)和LGC(lower Gwydir catchment)上的结果表明,条件生成对抗网络的方法在4种评测指标上均达到领先结果,例如在CIA数据集上,RMSE(root mean squared error)、SAM(spectral angle mapper)、SSIM(structural similarity)和ERGAS(erreur relative global adimensionnelle desynthese)分别平均提高了0.001、0.15、0.008和0.065;在LGC数据集上分别平均提高了0.001 2、0.7、0.018和0.008 9。明显优于现有基于稀疏表示的方法与基于卷积神经网络的方法。结论本文提出的条件生成对抗融合模型,能够充分学习Landsat和MODIS图像之间复杂的非线性映射,产生更加准确的融合结果。