一种改进CycleGAN的水下彩色图像增强方法

针对基于深度学习方法的水下图像增强只考虑水下图像的RGB颜色特征空间造成的增强效果不理想现象,本文在循环生成对抗网络的基础上改进了一种水下彩色图像增强算法。首先运用循环生成对抗网络在图像的RGB和HSV颜色特征空间进行训练,将图像经过卷积网络下采样提取到的特征送入残差网络和扩展压缩模块,其中扩展压缩模块可以调整图像RGB和HSV通道的权重。预训练好的生成对抗网络作用在成对的水下降质图像与增强后的图像进行监督训练,采用特征融合网络将对抗生成网络输出的RGB和HSV六通道图像融合成RGB三通道图像。实验结果表明,该方法能够有效结合图像的RGB和HSV空间的特征信息,提升水下图像的对比度和亮度,校正水下图像的颜色偏差。     

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。     

医学图像处理实验系统的设计

根据医学图像处理的需求,自主开发了一套医学图像处理实验平台软件,该软件可以进行病历信息管理,医学影像的存储与管理。整个系统实现了医学图像的预处理、多模态医学图像的配准、多模态医学图像的融合和医学图像的分割等算法,为医学图像处理的各种算法的实现提供了应用和实验平台。     

基于VAE-MSGAN网络的复杂细节图像生成方法

生成式对抗网络被广泛应用于图像生成领域,但其在图像生成时模型不易收敛,导致生成图像的局部细节易出现背景模糊问题.将变分自动编码器与生成式对抗网络相结合,在两者图像生成方面优势相结合的基础上,引入多尺度判别器,提出了VAE-MSGAN网络模型.通过不同尺度的卷积核可以提取到更加丰富的特征信息,并通过加入批标准化(BN)层与特征融合处理,从而加快网络的收敛速度,有利于特征信息的重利用,再将两者提取到的特征信息进行融合,最后将改进的正则化方法应用到目标函数中,减小网络复杂度和过拟合,提升了GAN模型的训练稳定性和图像的局部细节生成质量.对设计的图像生成算法基于Ubuntu16.04环境下利用Tensorflow深度学习框架进行了实现和仿真.对比在不同军事图像类别上的图像生成质量,通过交叉验证证明生成图像与真实图像在深度学习分类器下分类准确率基本一致,验证了所设计网络模型的有效性.     

基于深度学习的医学图像处理研究进展

基于深度学习的医学图像处理已成为该领域研究的热点。深度学习方法在各种医学图像应用中取得了优异性能,达到甚至超过了专家级医生的水平。本文首先简述深度学习模型的基本原理,尤其是监督学习算法中的各种神经网络,然后总结它们在医学图像分类与识别、定位与检测、分割、配准与融合等应用领域的研究进展,最后探讨医学图像处理深度学习方法面临的挑战及应对措施。     

基于边缘拐点的医学图像配准

利用控制点进行医学图像配准是医学图像处理领域的重要研究内容,其中控制点的选取是重点研究的一点.本文提出先将图像二值化,提取边缘,在边缘处利用边缘信息及其邻域内的信息提取拐点作为控制点.将变形图像和参考图像的拐点坐标分别作为网络学习的输入和输出样本,经过训练得到一组网络连接权参数,利用学习好的网络预测配准图像.以人脑CT图像为例,通过实验验证了算法的有效性.     

基于生成对抗网络的模糊工件角度检测

为提升复杂的工业生产环境中模糊工件图像的角度检测精度,对工件图像进行有效的去模糊操作,提出基于生成对抗网络的去模糊方法,该方法通过生成网络与判别网络间的对抗性训练,最小化去模糊图像与清晰图像间的距离。为避免直线错检、断线等问题,基于直线检测算法提出改进的直线检测算法。通过对比实验与数据分析发现,所提方法比多尺度卷积神经网络去模糊方法提升了约13%的检测精度。     

SENet生成对抗网络在图像语义描述中的应用

针对图像语义描述过程中存在的语句描述不够准确及情感色彩涉及较少等问题，提出一种基于SENet生成对抗网络的图像语义描述方法。该方法在生成器模型特征提取阶段增加通道注意力机制，使网络能够更加充分和完整地提取图像中显著区域的特征，将提取后的图像特征输入到编码器中。在原始文本语料库中加入情感语料库且通过自然语言处理生成词向量，将词向量与编码后的图像特征相结合输入到解码器中，通过不断对抗训练生成一段符合该图像所示内容的情感描述语句。最后通过仿真实验与现有方法进行对比，该方法的BLEU指标相比SentiCap方法提高了15%左右，其他相关指标均有提升。在自对比实验中，该方法在CIDEr指标上提高3%左右。该网络能够很好地提取图像特征，使描述图像的语句更加准确，情感色彩更加丰富。     

基于二维图像和自适配归一化SGAN网络的滚动轴承故障诊断

为了在标记数据稀缺的复杂运行环境下得到更高的故障诊断精度,并为每一层网络自动寻找合适的归一化操作,提升网络的泛化能力,提出一种基于二维图像和自适配归一化半监督生成对抗网络(VMD-2D-SN-SGAN)的集合型故障诊断新方法。首先,将一维的振动信号进行变分模态分解降噪,转换为2D图像并作为半监督生成对抗网络的输入;其次,使用自适配归一化替换半监督生成对抗网络中的批归一化并引入dropout层,防止过拟合并提升网络的泛化能力;然后,使用softmax作为判别器网络的输出层输出故障类别,在不同标签比例下优化更新网络参数;最后,将训练好的判别器网络用于轴承的故障诊断。不同来源轴承数据集的试验分析结果表明,VMD-2D-SN-SGAN方法能得到更高的故障诊断精度和较强的鲁棒性,具有较强的泛化能力。     

基于Access的CT医学图像管理系统的关键技术研究

本文利用Access在Visual C++2005平台上开发出了CT医学图像管理系统。首先提取了系列CT图片的文件信息,与此同时提取了文件所在的地址—并导入数据库。从而通过对图像信息的管理实现了对图片的管理,并通过双击数据表中的元素读取序列图像,从而使其成为了医学图像处理系统一部分。在此基础上实现了模糊查询和无重复批量添加,让管理系统更高效、更具人性化。     

基于改进CycleGAN的图像风格迁移

图像风格迁移是用风格图像对指定图像的内容进行重映射,利用GAN自动进行图像风格迁移,可减少工作量,且结果丰富。特定情况下GAN方法所用的配对数据集很难获得。为了避免利用传统GAN进行图像风格迁移受到成对数据集的限制,提高风格迁移效率,本文利用改进的循环一致性对抗网络CycleGAN实现图像风格迁移,用密集连接卷积网络DenseNet代替原来网络生成器的深度残差网络ResNet,用同一映射损失和感知损失组成的损失函数度量风格迁移损失。所做改进使网络性能得到了提升,取消了网络对成对样本的限制,提高了风格迁移生成图像的质量。同时进一步提高了稳定性,加快了网络收敛速度。论文所提方法对建筑图像进行了风格迁移,实验结果表明,生成图像的PSNR值平均提高了6.27%,SSIM值均提高了约10%。因此,本文提出的改进的CycleGAN图像风格迁移方法生成的风格图像效果更优。     

数学形态学在医学眼睛图像处理中的应用研究

将数学形态学方法应用于医学眼睛图像处理,并在MATLAB里进行实验,实验结果表明:增强后的图像能较好地突出图像中的细节和微小目标;去除噪声后的图像能保持边缘和图像的真实性;边缘检测后的图像能有效抑制噪声,清楚地显示图像的边缘信息。     

多尺度生成对抗网络单幅图像去雨方法研究

随着人工智能的迅猛发展,基于图像识别、物体检测、目标跟踪等技术的计算机视觉系统被广泛应用,然而受到特殊天气状况(如雨天)的影响,该类系统采集到的图像质量受损,直接导致其性能下降,给相关领域带来严重损失。因此,对图像去雨的研究受到众多学者的关注。近几年,深度学习在计算机视觉领域大放异彩,基于生成对抗网络提出了一个端到端的单幅图像去雨网络,引入多尺度采样和残差网络的思想,实验证明该网络能较好地实现图像去雨,提高了图像去雨的性能。     

边缘对抗结合层次门控卷积的人脸修复研究（英文）

针对目前人脸缺损图像修复存在边缘模糊和失真等问题,提出了一种两阶段层次门控卷积网络（Hierarchical gated convolutional network, HGCN）,并将其与边缘对抗网络相结合用于人脸图像修复。首先,采用边缘对抗网络生成边缘图像。其次,将边缘图、掩模和缺损图像作为输入,训练HGCN的GAN模型以修复缺损人脸图像。HGCN网络采用门控卷积取代传统卷积,并引入了扩张卷积,网络的主体由粗修复模块和精修复模块组成。在粗修复模块中,编码器和解码器网络结构用于粗修复;在精细修复模块中,引入注意力机制来增强特征提取能力,进一步细化修复结果。实验使用Celeba-HQ数据集和NVIDIA不规则掩码数据集作为训练数据集,采用门控卷积网络和注意力机制网络作为实验对比模型,PSNR、 SSIM和MAE作为实验评估指标。实验结果表明,对于缺损区域小于20%的人脸图像,所提出的网络在上述三个指标上优于两种比较网络,而对于缺失区域大于20%的图像,所提出的网络与两种比较方法性能指标接近。在视觉效果方面,所提出的方法在细节上也优于两种对比网络。因而,所提出的网络可以明显提高图像修复效果...     

基于GANs和迁移学习的人脸表情生成方法研究

生成对抗网络(GANs)自2014年被提出以来,被广泛应用在文本、图像等领域,并对其进行生成方面的研究。但是最近的研究发现,生成对抗网络在有限样本的情况下无法取得好的生成效果,产生过拟合等问题。为了解决这个问题,本文提出了一种利用迁移学习和改变网络结构相结合的方法。与传统的迁移学习不同的是,在对源网络卷积层进行迁移过程的同时,引入AdaFM模块并用Style Blocks替换生成器前两层,使迁移后参数更好地适应目标网络,从而提升在小样本的情况下的生成效果并降低结构复杂度,加快训练速度。本文分别使用CelebA人脸数据库和RaFD人脸表情数据库作为源任务和目标任务的训练数据对该算法进行测试。测试结果表明,所采用的方法在有限样本的条件下,能够使图片具有更好的生成效果。     

基于图像处理技术的机械故障诊断研究进展

故障检测和诊断已经成为了当今的研究热点之一,图像信息是一类重要的故障信息形式,通过图像处理技术可以快速、准确的提取故障特征信号。文中介绍了基于图像处理的故障诊断方法的国内外研究现状,指出了基于图像处理的机械故障诊断的应用价值和发展潜力,总结归纳了图像的获取方法、故障图像特征的提取研究,展望了基于图像处理的机械故障诊断方法的发展趋势。     

时变转速下基于双阈值注意力生成对抗网络和小样本的转子-轴承系统故障诊断

可用故障数据的匮乏给时变转速下转子-轴承系统的端到端故障诊断带来严重挑战,生成对抗网络为解决小样本故障诊断问题提供新思路,但其仍存在梯度消失、全局关联特征学习能力较弱和训练效率较低等缺点。因此,提出一种双阈值注意力生成对抗网络,用于生成高质量的红外热成像图片,以解决时变转速下转子-轴承系统的小样本故障诊断难题。首先,结合Wasserstein距离和梯度惩罚设计新型对抗损失函数,避免训练过程中的梯度消失。其次,构建注意力嵌入的生成对抗网络以指导学习红外热成像图片的全局热力关联特征。最后,开发双阈值训练机制进一步提高生成样本质量和训练效率。将所提方法用于分析转子-轴承系统的实测红外热成像图片,结果表明,所提方法能辅助准确诊断时变转速及小样本下的不同故障模式,性能优于目前常用的生成对抗网络方法。     

JPEG解码器的事务级建模

JPEG（Joint Picture Expert Group）标准提供了压缩静态图像的方法和语法。它的主要应用是以压缩的形式存储和传输静态图像。因此它在数字图像、数码相机、网页嵌入式图像和许多其它的领域中有着广泛的应用。随着移动终端、多媒体、Internet网络、通信以及图像扫描技术的发展,人们对图像数据处理的实时性要求越来越高,用软件压缩数据的方法已经难以达到实时性的要求。所以用硬件实现图像处理算法已经成为必然的趋势。也成为目前研究的热点问题。     

基于改进卷积生成对抗网络的少样本轴承智能诊断方法

轴承样本较少会使模型学习不充分,导致诊断准确性不高。为解决这一问题,构建了一种改进的卷积生成对抗网络,借助生成对抗网络的数据生成能力和改进深层卷积网络的特征提取能力,提高复杂工况下少样本轴承故障诊断准确性。首先,构建了一种深度卷积对抗生成网络,通过生成器和判别器的对抗学习挖掘真实数据的深层特征,用以生成相似的模拟数据,以弥补少样本的不足;其次,将密集块与扩容卷积引入卷积神经网络中,从深度和广度两个方面提升网络的学习能力,挖掘多类别数据中细微差距,增强复杂数据的故障特征提取性能;最后,采用定工况和变转速两种少样本轴承数据进行方法验证与对比分析,结果表明新构建的对抗网络在少样本、含噪声等复杂情形下仍然具有较高的诊断准确率。     

光学相干层析医学图像处理及其应用

由于人工分析光学相干层析（OCT）图像费时费力、主观及可重复性差,因而快速、精确与客观地检测与量化生物特征标记是OCT医学图像研究与疾病诊断的关键。本文综述了光学相干层析（OCT）医学图像处理技术与应用的研究进展。介绍了OCT成像技术的特点及其主要应用,OCT图像处理的难点、基本问题及主要研究内容;讨论了对时域OCT和频域OCT图像降噪、图像分类与图像分割的重要方法及应用,并分析了各种方法的优缺点及研究发展方向。此外,介绍了偏振敏感光学相干层析（PS-OCT）在医学图像分析中的应用。文中讨论的应用对象涉及到视网膜、角膜、冠脉、前列腺、牙齿、食道、结肠、膀胱、皮肤、乳腺等组织,可为人们综合了解OCT图像处理及其应用现状提供丰富的信息。