改进的SRGAN图像超分辨率重建算法

图像超分辨率重建技术可以提高图像的分辨率, 在医学、军事等领域都发挥着重要作用. 传统的 SRGAN 图像超分辨率重建算法训练收敛速度慢, 高频纹理锐化过度导致部分细节扭曲, 影响重建图像质量. 针对以上问题, 对传统 SRGAN 模型的生成网络和损失函数进行改进, 用于图像超分辨率重建. 采用稀疏残差密集网络(SRDN)代替传统的 SRResNet 作为生成网络, 以实现对低分辨率图像特征的充分利用, 同时利用 SRDN 稀疏性的连接方式和深度可分离卷积思想, 减少模型的参数量. 此外, 提出融合 VGG 低频特征和高频特征的联合感知损失, 结合均方误差损失对网络的感知损失函数进行改进. 在Set5、Set14、BSD100数据集进行测试, 改进SRGAN 算法的峰值信噪比(PSNR)、结构相似度(SSIM)和平均选项得分(MOS)3个评价指标结果均优于传统SRGAN算法, 重建图像的细节部分更加清晰, 整体表现出较好的鲁棒性和综合性能.     

基于DCT变换和零次学习的刑侦图像超分辨率

图像超分辨率在视频侦查领域有重要作用. 基于卷积神经网络的超分辨率算法通常在训练时输入人工合成的低分辨率图像, 学习高、低分辨率图像的映射, 很难应用于视频侦查领域. 真实低分辨率图像退化过程复杂未知, 且大都经过压缩算法的处理, 存在人工压缩痕迹, 导致超分辨率图像出现假纹理. 针对真实场景下的低分辨率图像提出一种基于离散余弦变换(DCT)和零样本学习的超分辨率算法. 该算法利用图像内部的重复相似性特点, 采用输入图像自身的子图像进行训练. 不同于以往超分辨率网络的输入, 所提算法采用子图像的离散余弦变换系数作为超分辨率网络的输入, 避免网络对输入图像的压缩痕迹进行放大, 减少假纹理. 在标准数据集和真实刑侦图像上的实验结果表明所提算法能减少图像中由压缩痕迹导致的假纹理.     

基于深度学习的单图像超分辨率重建综述

图像超分辨率重建是用于提高图像质量的一项重要技术, 得益于深度学习在计算机视觉领域的成功应用和快速发展, 单图像超分辨率重建的效果得到了显著提升. 因此, 本文针对基于深度学习的单图像超分辨率重建方法展开深入研究, 首先综合介绍了用于该领域的基准数据集、性能评价指标、损失函数等相关知识, 然后对有监督学习和无监督学习下单图像超分辨率重建技术的最新算法进行分类讨论, 并且比较分析了不同模型之间的异同点与优缺点, 最后对该领域面临的问题和未来的发展方向进行了总结与展望.     

星载SAR斜视模式运动目标方位多通道信号重建方法

在星载方位多通道SAR斜视模式下,方位斜视角度和运动目标的速度分别导致回波多普勒频谱发生2次混叠和通道失衡,影响运动目标方位多通道信号重建。针对该问题,该文提出一种适用于多通道斜视模式下的运动目标的重建方法。首先通过方位向去斜预处理消除了斜视导致的2次多普勒混叠,然后通过修正的多通道重建矩阵来解决目标速度导致的通道失衡。此外,该文还研究了通道冗余情况下的杂波抑制能力,分析了估计速度误差带来的残余相位误差,给出了一种星载方位多通道SAR斜视模式下的运动目标速度快速估计搜索方法。最后,通过点目标仿真验证了方法的有效性。     

LTE网络RRC重建性能提升三板斧

RRC重建(RRC connection re-establishment)是UE处于RRC_CONNECTED状态,因为一些移动性管理或底层链路故障,导致连接中断,UE发起的空口资源重新建立的过程,以继续空口的RRC连接.重建的意义在于快速恢复空口业务,提高业务的连续性.RRC重建是由终端发起,目前商用网络终端发起重建原因在信令里仅显示为重配置失败、切换失败、Other三种原因,详细是什么原因导致发生重建,在RRC重建请求消息里并没有更多信息.所以需要从多条基站侧信令中分析RRC重建根本原因,但是日常定位重建问题原因的方法需要逐条信令查看,并与多条切换信令相对比,不仅繁琐,且分析准确性低.     

基于Landweber迭代的图像重建算法

本文尝试将一种新型的基于Landweber迭代算法用于电阻抗断层图像(EIT)重建。该算法与线性反投影算法不同,Landweber算法可以明显地改进图像质量。仿真结果表明,它不仅可以消除噪声干扰,而且能加快收敛速度。     

一种利用方向链码重建二值图象的新方法

由于实际应用中,仅有边缘轮廓信息并不足以准确、有效地描述被检测物体,所以如何根据边缘的方向链码来重建二值图象是图象处理应用中的一类常见问题,人们已经研究过许多不贩方法,例如奇偶检测法、种子法等等,但这些方法或者由于计算量大,或者可能出现判别错误的现象,因而不能满足实际需求,为了准确、快速地解决这一类问题,因此在方向链码的,先将边缘点按照区域填充法则进行分类,进而提出了一种依据方向链码和边缘点分类,     

图象重建中的有理逼近方法

提出一个由不完备投影数据重建图象的有理逼近方法。该方法首先引入图象象素间连接的假设,然后导出满足最优解的线性方程组,再通过在此方程组中引入一个人工参数将其变形,并用摄动展开方法解新形成的线性方程组,再利用向量值函数的有理逼近来构造原线性方程组的解。该方法还避免了原方程组直接求解计算量非常大的问题,因为使用该有理逼近方法,只需展开几项,便可获得较满意的重建图象。     

基于图形拓扑特征的工程图整体识别方法

本文试图模拟人的视图形知觉过程,实现工程图扫扫描图象矢量化处理。这个方法首先分析图象描述中节点区域与图段的连通关系,获得图形在交大范围内的拓扑特征,多面手以图形的拓扑特征为基础,对图形的局部细节进行分析与识别。利用对局部细菌的了解再完善对整体的理解。经过从整体到局部,再从局部到整体的过程,完成工程图纸扫描图象矢量化。     

基于Master/Slave模式的CT同时代数重建的并行进程

Master/Slave模式,又称主从模式,是一种并行程序设计思想.本文介绍了同时代数重建法(Simultaneous Algebraic Reconstruction Technique,SART),并简化、改进了该算法讨论了SART算法的并行性和基于Master/Slave模式的并行进程;通过算法复杂度分析和在以客户/服务器(Client/Serve)模式组建的局域网上的网络并行重建试验,证明了该并行进程能较大地提高SART算法的时间效率.