基于光谱反射率的低照度图像增强方法研究

低照度图像增强技术是机器视觉研究热点之一,Retinex理论模型假设图像是反射分量与光照分量乘积,通过去除或校正光照分量并结合物体的反射特性来恢复图像,被广泛应用在传统算法和深度学习增强模型中。光谱反射率是颜色的指纹,多光谱图像比普通图像的信息量更为丰富。色度学理论和Retinex理论都认为图像的颜色特性取决于反射系数,但光谱反射率是基于仪器测量获得真实的数据,而图像反射分量是基于图像分解假设的数据,目前文献没有从光谱角度对低照度图像增强进行研究。受Retinex理论启发结合深度学习非线性拟合能力,用颜色的光谱反射率代替RetinexNet网络中的图像反射分量,用CIE标准光源的光谱功率分布代替网络中的图像照明分量,提出了一种基于光谱反射率的低照度图像增强方法。首先对图像数据库中正常光照图像进行光谱重建,构建低照度图像与正常光照的多光谱图像数据集。然后训练将低照度图像转换成多光谱图像的深度学习网络模型。任意低照度图像通过网络模型得到多光谱图像,多光谱图像根据色度学理论得到CIEXYZ三刺激值,再通过标准颜色空间转换到RGB颜色空间中显示。该方法在公开LOL数据集上进行训练与测试,结果表明在图像噪声抑制和颜色恢复方面都优于常用方法,证明该方法对低照度图像增强的优越性和有效性。

AAR-Net:用于声学异质介质光声图像重建的深度神经网络

在光声成像中,由于组织的吸收和扩散等引起的超声波衰减、由声速变化引起的相位偏差以及与声衰减相关的信号波形展宽都会降低图像的空间分辨率,针对该问题,提出一种基于深度学习的声学特性非均匀组织图像重建方法。通过将深度梯度下降(deep gradient descent,DGD)网络与U-Net相结合构建声伪影去除网络(acoustic artifacts removal network,AAR-Net)。DGD模块利用梯度信息减少非均匀声学特性对重建图像质量的影响,实现信号域到图像域的转换。U-Net模块实现对DGD模块输出的低质量图像的优化,实现图像域到图像域的转换。仿真、仿体和在体试验结果表明,与传统的非学习图像重建方法和最新的基于图像后处理的深度学习方法相比,采用该方法重建的图像结构相似度和峰值信噪比分别可提高约20%和10%。AAR-Net无需任何有关成像对象声学特性的先验知识,即可重建高质量图像。

基于平面镜反射成像学习的海洋捕食者算法及特征选择

针对基本海洋捕食者算法在求解复杂优化问题时存在收敛速度慢、解精度低和易陷入局部最优的缺点,提出一种改进的海洋捕食者算法。一方面,该算法在迭代前期引入当前全局最优个体引导群体中其他个体进行搜索的策略,从而加快算法的收敛速度;另一方面,在迭代后期引入平面镜反射成像学习策略,从而帮助群体逃离局部最优和提高求解精度。将改进算法应用于12个基准测试函数的寻优,结果表明,该算法比在求解精度和收敛速度方面均获得了显著提高。再将改进算法应用于求解21个特征选择问题,结果表明,该算法能有效去除冗余特征,提高数据分类的准确度。通过以上对比实验,显示出该改进算法的性能具有较强竞争力。

基于生成对抗网络的单图像材质SVBRDF重建方法

针对传统的材质空间变化双向反射分布函数(spatially varying bidirectional reflectance distribution function,SVBRDF)重建方法存在重建质量不佳和对光源感知能力不足的问题,提出一种基于深度学习的面向单图像的材质SVBRDF重建新方法.首先,采用生成对抗网络框架与多组编码-解码器卷积网络架构提高SVBRDF重建质量;其次,在生成器中引入高光感知处理模块,减少SVBRDF重建时由高光所致的模糊;最后,采用一系列鉴别器对生成器网络参数进行训练,以区分网络的输出值与真实值,并利用合成图像和真实材质拍摄图像混合训练网络,解决合成图像与真实材质拍摄图像之间的像素数据分布差异问题.结果表明,基于生成对抗网络的单图像材质SVBRDF重建方法的重建质量和SVBRDF参数估计准确率都高于传统方法.

改进矮猫鼬优化算法的特征选择

将矮猫鼬优化(DMO)算法与学习策略相结合,提出一种新的改进矮猫鼬优化(IDMO)算法。首先,提出随机准反向反射学习(RQORBL)策略并应用于阿尔法组,以提高全局探索能力;其次,引入动态透镜成像反向学习(LOBL)策略,以平衡算法的探索和开发,提升跳出局部最优的能力。为验证新算法性能,将IDMO与几种新近提出的优化算法进行对比,并对UCI存储库中的10个数据集进行特征选择仿真实验。实验结果表明IDMO寻优能力更佳,跳出局部最优能力明显增强,能够有效适用于特征选择问题。

关于高等学校形象的思考

塑造良好的高等学校形象是教育和社会发展的必然要求。高等学校的形象必然影响这个学校能否在激烈的市场竞争中获得有利的地位并实现可持续发展。高等学校形象具有形成的历史性、评价的社会性、影响的深远性等特点。影响高等学校形象的因素是复杂的，既有社会历史的因素，也有高等学校内在的诸多因素，应该从多视角出发对高等学校的形象给予判定。本文初步分析了影响高等学校形象的内在因素，并在此基础上提出了塑造高等学校形象应采取的主要措施。

基于可见光图像和机器学习的金具温升识别方法

基于光辐射的测温技术一般工作在热辐射较强的红外波段,基于光反射的测温技术虽然可以工作在可见光波段,但目前使用条件只限于暗环境下正入射单波长的光源,而电力设备工作在日光下难以使用该技术。文中通过数字图像处理技术和机器学习方法,将热调制光反射技术扩展到不需要正入射和固定光源的情况,利用日光实现常温电力金具表面温升识别。在日光下利用3种手机拍照建立了110 kV输电线路一种金具不同日光环境(每个温度下日光照度有3种)的图像库4 500幅,3种不同金具(每个温度下日光照度一种)的图像库每种金具1 500幅,提取每张照片的三基色灰度频率分布(RGB-GLH)为特征量,分别通过支持向量机、决策树法、梯度提升法和K近邻法4种机器学习方法,建立了表面温度的识别模型。交叉验证结果表明K近邻法最优,平均绝对误差适合识别一般金具故障的温升。文中还从材料电磁特性出发,根据电磁波反射规律探讨了日光下热调制光反射温升识别技术的原理,以及利用机器学习方法处理大数据矩阵的依据。

基于模板匹配和深度学习的反光弧面缺陷检测

针对反光弧面表面具有很强的镜面反射特性,在对此类工件表面检测时非常困难这一难题,提出了基于模板匹配和深度学习的检测方法。在平滑漫射光照条件下,通过不同角度获得带有条带纹理特征,然后经过图像处理获得其轮廓,与标准的特征轮廓模板进行匹配识别。还可以将获得的图片制成数据集,训练一个深度学习模型来对获得图片进行缺陷识别。实验结果表明:基于模板匹配和深度学习的检测方法均能有效对缺陷进行识别。

基于深度学习的3D激光测量图像反光区域分离方法

提出了基于深度学习的3D激光测量图像中反光区域准确且稳定的分离方法。基于深度学习模型U-net网络实现了对3D激光测量图像中反光区域和激光线区域的语义分割;图像语义分割实现了对测量图像中不同区域的高精度分离。反光区域分离后的图像能够减少反光对中心线提取的干扰,研究结果表明,基于深度学习的激光测量图像区域分割可以更加精确地实现激光条纹的提取,同时保证提取结果的稳定性。单幅激光测量图像的区域分割时间仅为2.3ms,激光条纹中心提取精度均值为0.176pixel,标准差为0.119pixel,有效地保障了激光测量图像中激光条纹中心线的提取精度和鲁棒性。

基于红外图像识别技术的道路与桥梁故障诊断

针对传统道路与桥梁故障诊断方法识别效率低、数据误差大等问题,提出了一种基于红外线图像识别的智能监控系统,并采用装有红外对射光栅的故障监控机进行监测,实现图像识别、数据管理和应用为一体化。该系统包含分层图像融合框架,采用逐层深度学习技术挖掘图像的细节信息,提取图像的关键信息进行词典学习。根据形态相似性,将源图像分为平滑、随机和主方向的面片。分别采用基于Max-L1和L2-范数的加权平均融合规则对三个图像块组的高频分量和低频分量进行融合。将融合后的低频分量和高频分量进行组合,得到最终的融合结果。对比实验验证了所提出的图像融合方案的实用性和可靠性,在相同的图像分割参数下,本模型计算得到的故障监测率为94.14%。

全像素双核成像技术及应用研究综述

全像素双核(dual-pixel,DP)自动对焦(dual-pixel CMOS auto focus,DP CMOS AF)采用混合检测自动对焦,其在每个像素配备两个光电二极管,使每个像素既参与对焦又参与成像,克服了传统相位检测自动对焦和反差检测自动对焦技术的缺点。根据离焦视差估计图像合焦镜头所需移动的距离,DP自动对焦具有更快的对焦速度和更高的对焦精度,因此广泛应用在手持设备中(如手机相机、单反相机等)。由于全像素双核传感器将每个像素分成两半,该传感器一次拍摄即可得到两幅图像。这两幅图像(全像素双核图像对)可以看做一个具有相同曝光时间和严格校正的小基线立体图像对。该图像对的视差与图像模糊程度相对应,只在离焦区域存在视差。全像素双核传感器不仅用于自动对焦,而且可以用于深度估计、散焦去模糊和反射去除等方面。本文系统地综述了全像素双核传感器的自动对焦、成像原理及研究现状,并进一步展望其未来发展。1)对自动对焦技术进行介绍,对比了传统对焦与全像素双核对焦;2)详细分析了全像素双核传感器的成像原理、成像模型及特点;3)系统地介绍了全像素双核在计算机视觉领域应用的最新进展,从深度估计、反射去除和离焦模糊去除等方面进行全面阐述及分析;4)适当的数据集是基于深度学习方法的基础,对目前的全像素双核数据集进行了介绍;5)分析了全像素双核在计算机视觉领域面临的挑战与机遇,对未来的全像素双核应用方向进行了讨论与展望。

基于ELM与BP神经网络的新疆雹云预测与识别

冰雹是一种强烈的自然灾害,为了提前对冰雹进行预测,提出了一种BP神经网络做预测,极限学习机做识别的预测方法.方法以雷达回波反射率图像的均值、方差、熵为判别指标,首先训练好能够分类云层特征的极限学习机,其次结合雹云形成过程,使用经过较大样本训练的BP神经网络对未来30分钟数据预测,最后使用经过训练的极限学习机进行云层的类型判别.实验结果表明,BP神经网络能够平均提前5-20分钟预测出降雹,具有较好的预测效果.