基于改进TextSnake的印章字符检测算法

针对字符模糊、宽高比多变、与背景文字重叠等因素导致的印章字符易被漏检、误检等问题,提出基于TextSnake的印章字符检测算法,记作TextSnake-CR算法。首先在特征融合中嵌入手工设计的感受野增强模块,使浅层特征拥有更大感受视野,从而有效地降低误检率;其次提出颜色特征提取模块,用于提取印章字符中颜色特征,增强模糊印章字符的检测精度;最后改进模型的分类损失函数,抑制背景噪声对模型的干扰,进一步提高模型检测性能。实验结果表明,TextSnake-CR在公开印章数据集与自制数据集上的F值分别达到90.71%和81.79%,与其他算法相比,有效地提高了印章字符检测准确率。

基于Retinex和图像翻译的弱光图像增强网络

弱光图像的增强可以提高图像的质量和视觉效果,因此针对弱光图像的增强是很有必要的,在此目标上提出了基于Retinex理论和图像翻译模型的弱光图像增强网络。为了保证不同光照强度下的图像都能很好地增强,该方法先用一个分解模块将图像分解为照度分量和固有的反射分量,然后将反射分量输入到图像翻译模型中进行增强并恢复其正常的亮度。最后为了防止颜色失真,该方法在图像翻译模型中增加了一个颜色损失函数,使图像的颜色得到校正。

结合Pix2Pix生成对抗网络的灰度图像着色方法

针对神经网络在进行图像着色时容易出现物体边界不明确、图像着色质量不高的问题,提出结合Pix2Pix生成对抗网络的灰度图像着色方法.首先改进U-Net结构,采用8个下采样层和8个上采样层对图像进行特征提取和颜色预测,提高网络模型对图像深层次特征的提取能力;然后使用L_(1)损失和smoothL_(1)损失度量生成图像与真实图像之间的差距,对比不同损失函数下的图像着色质量;最后加入梯度惩罚,在生成图像和真实图像分布之间构造新的数据分布,对每个输入数据进行梯度惩罚,改变判别器网络梯度限制方法,提高网络在训练过程中的稳定性.在相同实验环境下,使用Pix2Pix模型和summer2winter数据进行对比分析.实验结果表明,改进后的U-Net和使用smooth L_(1)损失作为生成器损失可以生成更好的着色图像;而L_(1)损失能更好地保持图像结构信息,使用梯度惩罚可以加速模型的收敛速度,提高模型稳定性和图像质量;该方法能更好地学习图像的深层次特征,减少图像着色模糊现象,在有效地保持图像结构相似性的同时提高图像着色质量.

基于深度学习的图像风格迁移算法研究与实现

针对图像风格迁移过程中生成图像的颜色可能失真的问题,提出了一种结合色彩传递的深度卷积神经网络的图像风格迁移算法。首先利用预训练深层网络提取相应图像的风格和内容特征,然后定义风格和内容的损失函数,分别设置相应的权值并进行组合,作为总的损失函数。以总损失函数为优化目标,用梯度下降法来逐步迭代由此获得适合的结果图,最后对颜色失真的生成图通过色彩传递算法进行颜色纠正。实验结果表明,该算法可以较好地解决图像颜色失真的问题,最终获得较为理想的生成结果图。

改进的CycleGAN网络用于水下显微图像颜色校正

针对海洋水体及悬浮颗粒物吸收和散射所导致的水下显微图像的颜色信息失真问题,本文提出了一种改进的循环一致性对抗网络(Cycle-consistent Adversarial Network,CycleGAN)算法,实现对水下目标物图像的颜色校正。通过在原始水下降质图像和重构水下图像之间加入R、G、B三个通道的结构相似性(Structure Similarity Index Measure,SSIM)损失函数,度量二者图像之间的信息损失,进而实现R、G、B三个通道颜色的精准调控,不仅增强了CycleGAN网络的整体性能,也提高了生成器生成图像的质量。然后,利用水下多色自制标靶及天然矿石的显微图像组成的训练数据集对本文所提的改进网络进行训练,所得的模型可用于实际矿石样品表面的显微图像颜色校正。结果表明,本文所提的改进的CycleGAN算法较其它方法在颜色校正方面有着明显的优势。与传统的Retinex算法相比,处理后的图像峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和结构相似性指标分别提高41.85%、35.62%,而且,从主观视觉角度可发现经过校正的水下显微图像与空气中图像颜色相似度最高。综上,本文方法可以有效地对水下目标物图像进行颜色校正,并提升水下显微图像的质量,有望在海洋地质和海洋生物学方面得到应用。

基于加权损失函数的粘连白细胞分割算法

针对粘连白细胞很难精准分割的问题,提出一种基于深度学习的粘连白细胞分割算法.首先,将急性淋巴细胞白血病患者的血液细胞显微图像的色彩空间由RGB转换至HSV,滤除红细胞并提取白细胞;其次,对提取结果中的粘连白细胞,将细胞边界设定为除前景和背景外的第三类,在深度学习分割模型训练过程中引入基于类别权重的加权交叉熵损失函数,使模型学习到更多的细胞边界特征.实验结果表明,用该方法分割数据集ALL_IDB1中的白细胞,准确率达95.19%.

基于通道特征融合的水下图像轻量增强网络

针对水下探测机器人在视觉感知过程中由于图像退化容易造成辨识困难的问题,提出基于通道特征融合的水下图像轻量化增强网络。通过构建基于通道注意力模块的随机残差结构,并设计通道混洗模块,实现原图像与图像各层特征的细节融合;采用基于倒残差卷积的通道评分模块,通过通道之间的回归分离,提升网络对图像的增强效果;最后,网络以水下图像在颜色、局部特性等方向的增强为目标,设计包括高斯均方损失、结构性相似损失与感知损失等在内的网络损失函数,完成图像增强训练。通过对真实水下环境数据进行实验验证,算法在水下颜色色偏有更好的适应性,增强效果在细节保留上处理更优,模型参数更少,推理速度更快,更适合小型水下探测机器人的应用部署。

基于改进Cycle-Dehaze的单幅图像去雾算法

针对现有去雾算法存在的颜色失真、图像失真等问题,提出了一种基于改进Cycle-Dehaze(Enhanced Cycle-consistent Generative Adversarial Network,Cycle-Dehaze)的单幅图像去雾算法。首先,该算法通过Cycle-Dehaze学习非配对雾天图像与真实图像之间的映射关系,再通过鉴别器判断重建图像是否符合真实图像的数据分布;其次,在生成器的编码和解码网络中分别选用Leaky Re LU和tanh激活函数,以避免一定程度的梯度爆炸和梯度消失问题,扩大特征效果,提高训练效率;最后,引入颜色损失函数和特征损失函数,使得生成器生成的重建图像与无雾图像具有相同的颜色分布,减少图像失真,更好地保留真实图像的细节特征。实验结果表明:所提算法在OHAZY、IHAZY和SOTS测试集上与Dehaze Net,Cycleag GAN等当前主流去雾算法相比,峰值信噪比至少提高了0.34d B,结构相似性至少提高了1%,同时,该算法也取得了更好的视觉效果。

基于条件生成对抗网络的低照度遥感图像增强

为了提高低照度遥感图像的可视性,提出一种基于条件生成对抗网络的低照度遥感图像增强方法。首先,为克服样本数据不足,利用正常清晰光照的图像合成低照度图像作为训练样本;然后,将原始低照度遥感图像由RGB色彩空间转换到HSI色彩空间,进行通道拆分,有效分离H、S、I分量,在保持色调分量H不变的前提下,利用条件生成对抗网络和改进的对数变换方法分别处理亮度分量I和饱和度分量S;最后,执行通道合并将处理后的图像从HSI色彩空间转换到RGB色彩空间。在损失函数中引入焦点损失函数,解决样本比例高度不平衡的问题。实验结果表明:所提方法有效地提升了低照度遥感图像的亮度和对比度,为低照度遥感图像增强方法的研究提供了新的思路。