基于残差网络的中子照相图像无参考质量评价方法研究

目前中子照相图像的质量主要通过人类视觉系统(Human Visual System,HVS)来评估,而HVS无法作为中子成像系统优化参数的实时辅助。为了能够客观评价中子照相图像质量,以对中子成像系统参数优化提供辅助手段,采用残差网络(Residual Network,ResNet)模型,对中子照相图像进行无参考质量评价(No-reference Image Quality Assessment,NR-IQA)。首先对清晰的自然图像添加不同失真等级和失真类型的噪声,再利用梯度幅度相似性偏差(Gradient Magnitude Similarity Deviation,GMSD)方法对添加了噪声的图像进行质量分数标定来建立实验数据集。最后,通过训练ResNet以实现对中子照相图像的特征提取和质量评价。实验结果表明:模型在实验数据集的测试集和两组真实中子照相图像的质量预测上均有较好的表现,证明了该方法在中子照相图像质量评价上的应用潜力。

视觉显著性驱动的全景渲染图非局部降噪

目的传统降噪方法通常忽视人眼感知因素,对不同区域的图像块都进行同等处理。当使用传统降噪算法对全景画面滤波处理时,全景画面两极区域容易产生模糊问题,尤其是通过视口观察时,该问题更加明显。针对此问题,提出一种视觉显著性驱动的蒙特卡洛渲染生成全景图非局部均值(visual saliency driven non-local means,VSD-NLM)滤波降噪算法。方法在VSD-NLM算法中首先使用全景图显著区域检测算法获取全景画面的显著区域;然后使用梯度幅值相似性偏差辅助的非局部均值(gradient magnitude similarity deviation assisted non-local means,GMSDA-NLM)滤波算法,降低显著区域的噪声;同时设计并行非局部均值(parallel non-local means,P-NLM)滤波算法,加快降噪处理速度,降低非显著区域噪声;最后利用改进的Canny算法提取梯度特征,同时结合各向异性扩散引导滤波来优化降噪结果。结果采用结构相似度(structural similarity,SSIM)和FLIP作为评价指标,来对比VSDNLM算法与非局部均值滤波算法、多特征非局部均值滤波算法以及渐进式去噪算法等其他算法的性能。实验结果表明,VSD-NLM算法的降噪结果在客观评价指标上均优于对比算法,SSIM值比其他算法平均提高14.7%,FLIP值比其他算法平均降低15.2%。在视觉效果方面,VSD-NLM算法能够减轻全景画面模糊,提升视觉感知质量。本文对GMSDA-NLM和P-NLM算法的有效性进行了实验验证,相较于非局部均值滤波算法,GMSDA-NLM算法能够有效去除噪声并保持图像细节的完整性。P-NLM算法在运行速度方面相较对比算法平均提高约6倍,与串行算法生成的图像之间的SSIM值可达到0.996。结论本文算法能够更好地用于全景图降噪,滤波效果更佳,对全景电影制作应用有重要的理论和实际意义。