面向解决复杂工程问题能力培养的单片机实践教学案例设计

培养学生解决复杂工程问题能力是工程教育专业认证的基本要求,围绕电子信息类专业人才创新能力如何培养的问题,设计了适用于培养学生解决复杂工程问题能力的单片机实践教学案例。该文从工程背景、设计目标、项目的组织与实施、项目设计方案等方面进行了阐述。从实际的教学效果来看,培养学生解决复杂问题能力所设计的教学案例,不仅能使学生加深对单片机技术的理解和掌握,还能提升学生的电路设计能力、系统设计能力、软硬件开发以及解决复杂问题的能力。

基于多曝光图像融合的沙尘图像增强

针对沙尘图像存在细节模糊、对比度低和颜色偏移等问题,提出了基于多曝光图像融合的沙尘图像增强算法。首先对蓝通道进行补偿,以弥补沙尘图像的蓝光损失;其次对图像的RGB三通道分别进行标准化,以减小通道直方图之间的偏离,从而去除偏色。为了提高图像中不同区域的细节,采用线性参数控制的方法生成多幅曝光图像。通过用对比度、饱和度和良好曝光度的质量度量计算权重图,以选择出曝光图像中的最佳像素;然后分别构建权重图和曝光图像的高斯金字塔和拉普拉斯金字塔。最后将图像金字塔融合,并重建出结果图像。主观和客观实验表明:与其他算法相比,本文算法能够有效去除偏色以及提高图像的对比度和清晰度,结果图像视觉效果良好。

基于光流残差的视频超分辨率重建算法

随着卷积神经网络的发展,视频超分辨率算法取得了显著的成功。因为帧与帧之间的依赖关系比较复杂,所以传统方法缺乏对复杂的依赖关系进行建模的能力,难以对视频超分辨率重建的过程进行精确地运动估计和补偿。因此提出一个基于光流残差的重建网络,在低分辨率空间使用密集残差网络得到相邻视频帧的互补信息,通过金字塔的结构来预测高分辨率视频帧的光流,通过亚像素卷积层将低分辨率的视频帧变成高分辨率视频帧,并将高分辨率的视频帧与预测的高分辨率光流进行运动补偿,将其输入到超分辨率融合网络来得到更好的效果,提出新的损失函数训练网络,能够更好地对网络进行约束。在公开数据集上的实验结果表明,重建效果在峰值信噪比、结构相似度、主观视觉的效果上均有提升。

基于LSTM的递归网络图像去雨算法

随着深度学习的发展的热潮,单幅图像去雨得到了很大的发展。然而由于雨图像在方向、大小和雨密度的雨纹的不同,使得去雨的工作变得更困难。针对以上问题,提出了一种基于LSTM的递归图像去雨算法,在特征提取方面采用卷积块和残差块相结合,并运用长短期记忆模块(LSTM)进行多层递归去雨,最后通过注意力融合模块进一步提取雨纹特征,对不同方向、大小等雨纹有较强的学习能力,较好地保留了图像的细节,通过在真实数据集和合成数据集上进行实验,证明了该方法的有效性,通过与其他算法的比较,在客观指标和主观效果上优于它们。主观效果去雨更彻底,图像细节更加清晰。在合成数据集Rain100H上PSNR达到30.48,SSIM为0.91,在Rain100L上PSNR达到38.05,SSIM为0.98。

基于色调映射的沙尘视频快速增强算法

沙尘条件下,由于悬浮在大气中的颗粒吸收和散射大气光导致采集到的图像偏色严重、边缘模糊、对比度低,这使得视频图像质量严重下降,同时我们在对视频进行处理时也面临着Halo效应、画面亮度闪烁以及算法时间复杂度高等问题.针对这些问题,我们提出了一种基于Monge-Kantorovitch线性色调映射(Monge-Kantorovitch linear colour mapping, MKLCM)的沙尘视频快速增强算法,首先利用基于统计的方法和全局直方图均衡化算法去除沙尘视频帧的色偏,为了减少噪声和提升图像的细节,利用MKLCM算法对视频帧进行进一步增强,最后根据蓝通道相关性将视频帧的统计量应用到后面的视频帧处理中,防止画面亮度出现闪烁的同时增加算法的实时性.与其他最新算法对比,并通过主客观分析,实验结果表明该算法能够有效快速地解决视频色偏、对比度低等问题,增强了沙尘视频的整体效果.