基于深度学习的彩色以及近红外图像去马赛克

单传感器捕获的彩色-近红外（RGB-NIR）图像存在光谱干扰，从而导致重建出的标准彩色图像（RGB）图像与近红外（NIR）图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法，通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题，使得网络更容易训练，并且提升了网络的拟合能力。首先，用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征；然后，将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征；其次，为充分利用低级特征与高级特征，将多个残差稠密块提取到的特征进行组合；最后，通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组（IVRG）数据集、有植被的户外多光谱图像（OMSIV）数据集和森林（Forest）三个公开数据集进行实验。实验结果表明，所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。     

一种图像校正的偏振光罗盘系统的研究

导航传感器在探险、应急、精确制导武器、船舶、航空器导航和定位系统中起着关键作用。针对偏振光罗盘在倾斜状态下误差较大的问题,提出了一种利用加速度计和陀螺仪对偏振光罗盘进行图像校正的方法,设计了一种基于陀螺仪校正的偏振光罗盘系统。首先利用加速度计和陀螺仪计算得到载体姿态角,对偏振光图像数据进行图像校正,采用Stokes矢量法解算大气偏振模式分布,进而提取导航特征点,最后对特征点进行拟合解算出航向角信息。并且进行了静态和动态测试实验,实验结果表明,该算法能够有效的对偏振光罗盘姿态变化引起的误差进行补偿,可以将偏振光罗盘的航向角测量误差控制在1.86°之内,平均误差为0.09°。     

面向图像差异特征融合的基于弗里德曼检验的小波基分类研究

对小波基分类是图像融合中依据不同融合需求选择小波基的基础,可以提高图像融合的智能化水平。针对现有的小波基分类方法仅根据小波自身特性进行分类,没有从统计角度有效建立小波基和图像差异特征之间的联系,本文提出了面向图像差异特征融合的基于弗里德曼检验的小波基分类方法。首先,选择典型的差异特征和小波基用于分类研究;其次,选择针对差异特征的评价指标,以评价指标结果作为标记量并进行分类实验的区组设计;然后,采用弗里德曼检验对不同区组数据进行处理及执行相应的后续检验和分类步骤,形成面向图像差异特征的小波基类集;最后,设计对比实验对分类方法的有效性进行验证和分析。试验结果表明,该分类方法能有效把对图像差异特征融合效果相近的小波基归为一类,能根据融合需求选择较好的小波基。     

图像分类中基于分类矢量量化的视觉词袋模型

特征表示是图像识别和分类的基础，视觉词袋是一种图像的特征表示方法。分析现有视觉词典构建方法的不足，提出一种新的视觉词典构建方法。首先利用梯度方差把特征矢量分为光滑类和边缘类，然后分别针对不同类别的特征矢量进行视觉词典的构建，最后根据两类视觉词典生成视觉词袋。图像分类实验表明，提出的新方法能提高分类准确率。     

一种基于卷积神经网络的违禁品探测系统及部署方法

文章设计了一种X射线安检图像的违禁品自动识别系统。以经典的ResNet卷积神经网络为特征提取骨干网络,使用特征金字塔网络进行违禁品目标探测;把图像分成笔记本区域和非笔记本区域,分别用不同的网络模型进行探测,取得了出色的探测效果。并使用网络服务器的模式部署上述算法探测系统,使得产生图像的安检机系统与算法服务器既保持彼此独立又能进行稳定、实时的通讯,完成探测。