单幅图像阴影检测与去除算法的研究

阴影检测和阴影去除在图像中扮演着至关重要的角色。尽管目前已经有很多算法在不同的环境和假设前题下被提出,但检测自然场景中的阴影并将其去除仍然是一项具有挑战性的任务。文中阐述了单幅图像阴影检测和去除的典型算法,并进一步分析了各自的原理以及优缺点。为了更直观地对比各种算法的处理效果,文中给出了不同算法对同一幅图像进行检测及去除的实验结果。最后对这些算法的优缺点进行总结,并对今后阴影检测与去除算法的发展应用进行了展望。     

光伏阵列图像阴影去除方法

为解决阴影对光伏阵列航拍图像识别问题的影响,对光伏阵列图像阴影去除方法进行了研究。首先基于用户输入笔画构造K最邻近(KNN)分类器对像素进行分类,并采用大津法(OTSU)检测出阴影;然后应用双向搜索算法确定每条采样线的位置,并根据采样线长度以及基于密度的聚类算法(DBSCAN)将异常采样线剔除;最后通过阴影比例估计与光照恢复去除阴影。与叠加法和YCbCr通道法进行对比实验,结果表明,该算法阴影去除质量的各项性能指标均优于另外两种算法,且阴影去除后的图像颜色、纹理等信息保留较完整,可得到更加自然的无阴影图像。     

基于最小噪声分离和生成对抗网络的影像阴影去除

为了提高影像阴影去除的效果,提出一种基于最小噪声分离（MNF）和生成对抗网络（GAN）的影像阴影去除算法。它以GAN作为基本框架,在生成器和判别器中分别引入条件信息,采用端到端共同学习的多任务模式。生成网络采用编码解码结构,判别网络采用马尔可夫判别器结构。此外,此算法使用MNF,将消除噪声的影像灰度化后与阴影影像一起训练,进而恢复无阴影的影像。这样的网络在训练时可以专注于MNF变换后的单独特征嵌入,而非传统的跨任务共享嵌入。实验结果表明,在指定数据集上,所提算法的结构相似性（SSIM）的平均值达0.9780,像素均方根误差（RMSE）的平均值减小到9.8717。在主观感知和客观评价指标上,所提算法的实验结果均优于对比算法。     

基于多尺度特征结合细节恢复的单幅图像去雾方法

为提高单幅图像去雾方法的准确性及其去雾结果的细节可见性,该文提出一种基于多尺度特征结合细节恢复的单幅图像去雾方法。首先,根据雾在图像中的分布特性及成像原理,设计多尺度特征提取模块及多尺度特征融合模块,从而有效提取有雾图像中与雾相关的多尺度特征并进行非线性加权融合。其次,构造基于所设计多尺度特征提取模块和多尺度特征融合模块的端到端去雾网络,并利用该网络获得初步去雾结果。再次,构造基于图像分块的细节恢复网络以提取细节信息。最后,将细节恢复网络提取出的细节信息与去雾网络得到的初步去雾结果融合得到最终清晰的去雾图像,实现对去雾后图像视觉效果的增强。实验结果表明,与已有代表性的图像去雾方法相比,所提方法能够对合成图像及真实图像中的雾进行有效去除,且去雾结果细节信息保留完整。     

基于阴影位置及边缘信息的阴影去除算法

介绍了基于阴影位置及边缘信息的去除阴影算法。首先,估计光照方向,确定阴影方向;然后,基于边缘信息检测阴影设法消除外轮廓边缘,利用提取的前景图像减去构建的前景,得到阴影区域;最后,比较阴影方向,如果方向角在一定阈值范围内,则为实际阴影区域。实验结果表明,去除阴影的方法快速、准确。     

基于多通道多尺度卷积神经网络的单幅图像去雨方法

雨天等恶劣天气会严重影响到图像成像质量,从而影响到视觉处理算法的性能。为了改善雨天图像的成像质量,该文提出一种基于多通道多尺度卷积神经网络的去雨算法,建立了多通道多尺度卷积神经网络结构来提取雨线特征。首先利用小波阈值引导的双边滤波将有雨图像进行分解,得到高频雨线图像和轮廓保持度高的低频背景图像。然后为了使图像高频部分的雨线信息更为明显,减少雨线特征学习时高频图像中的背景误判,将得到的高频雨线图像再一次通过滤波器得到减弱背景信息同时增强雨线信息的到更高频雨线图像。其次针对低频背景图像上也残留了大量雨痕,该文提出将低频背景图像和更高频雨线图像一起送入卷积神经网络进行特征学习,其中对图像提取的是多尺度特征信息,最后得到雨线去除更彻底的复原图像。同时在构造网络模型时利用空洞卷积代替标准卷积来提取图像的特征信息,得到更丰富的图像特征,提高了算法的去雨性能。从实验结果可以看出去雨之后的图像清晰,细节保持度较高。     

视频图像中的车辆检测及阴影去除方法研究

视频监控系统成为近年来的研究热点。文中针对交通智能视频检测系统的车辆检测问题,采用基于高斯混合模型方法来检测视频中的运动车辆,结合车辆阴影纹理不变的特性分割阴影,实现了运动车辆的检查识别和阴影去除。仿真实验达到了预期效果。     

基于尺度旋转的图像恢复研究

运动模糊图像恢复是图像处理中的重要部分。本文将计算机图形学尺度旋转引入运动模糊图像恢复中,提出基于尺度旋转变换的运动模糊图像自动搜索恢复模型,并阐述建立模型的完整过程和均方误差准则下自动搜索优化算法。实验表明,模型较好解决了传统运动模糊图像恢复中无参数恢复图像的缺陷,恢复效果良好,是一种有效的图像恢复方法。     

基于亮度通道细节增强的低照度图像处理

为了解决在低照度条件下,可见光成像设备采集的图像亮度低、细节不清晰等问题,提出一种基于亮度通道细节增强的低照度图像处理算法.首先,将图像从RGB转换到Lab颜色模型,将Lab模型中的亮度通道通过指数派生函数校正构造为光照分量,再经过Retinex增强得到初步增强图像.然后,采用结构张量和多尺度引导滤波分别对初步增强图像...     

一种生成对抗网络用于图像修复的方法

近年来基于深度学习的图像修复方法相比于传统方法,表现出明显优势,前者能更好的生成视觉上合理的图像结构和纹理.但现有的标准卷积神经网络方法,通常会造成颜色差异过大和图像纹理缺失与失真的问题.本文提出了一种新型图像修复深度网络模型,该模型由两个相互独立的生成对抗式网络模块组成.其中,图像修复网络模块旨在解决图像缺失区域的修复问题,其生成器基于部分卷积网络;图像优化网络模块旨在解决修复后图像存在局部色差的问题,其生成器基于深度残差网络.通过两个网络模块的协同作用,图像的视觉效果与图像质量得到提高.与其他先进方法进行定性和定量比较的实验结果表明,本文提出的方法在图像修复质量上表现更好.     

红外与可见光图像注意力生成对抗融合方法研究

目前,基于深度学习的融合方法依赖卷积核提取局部特征,而单尺度网络、卷积核大小以及网络深度的限制无法满足图像的多尺度与全局特性.为此,本文提出了红外与可见光图像注意力生成对抗融合方法.该方法采用编码器和解码器构成的生成器以及两个判别器.在编码器中设计了多尺度模块与通道自注意力机制,可以有效提取多尺度特征,并建立特征通道长...     

结合强监督学习和生成对抗网络的图像去雾

针对现有去雾算法的复原图像易出现颜色失真与细节丢失问题,提出了一种基于改进循环生成对抗网络(cycle-consistent generative adversarial networks,CycleGAN)的端到端图像去雾方法,并无需依赖于大气散射模型的约束。网络生成器整体采用Encoder-Decoder架构,同时为有效学习有雾图像与清晰图像间的映射关系,在训练优化目标中结合图像自身属性构建了增强的高频损失与特征损失函数,实现对不同数据域的特征鉴别并进一步保证图像纹理结构。此外为约束复原图像与真实清晰图像颜色的一致性,提出了二阶段学习策略。首先通过非配对数据集对改进CycleGAN进行弱监督训练学习,然后于第二阶段利用部分成对数据集以强监督方式训练正向生成网络,在提高去雾网络稳定性的同时,使复原效果更接近于真实清晰图像风格。实验结果表明,所提去雾方法的峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)指标值相比同类CycleGAN算法分别提升了12.43%与5.53%,并且同其他方法在视觉效果与量化指标的对比结果中也验证了其性能的有效性。     

基于CycleGAN的仿真PET/CT图像生成方法

目前,癌症仍然是人类身体健康的一个巨大威胁.癌症的诊断尤其是早期诊断,对于癌症的治愈来说至关重要.以正电子发射型计算机断层显像/计算机断层扫描显像(Positron Emission Computed Tomography/Computed Tomography,PET/CT)为代表的医疗影像学技术是癌症早期诊断的重要...     

基于改进生成对抗网络和MobileNetV3的带钢缺陷分类

针对数据集样本数量较少会影响深度学习检测效果的问题,提出了一种基于改进生成对抗网络和MobileNetV3的带钢缺陷分类方法.首先,引入生成对抗网络并对生成器和判别器进行改进,解决了类别错乱问题并实现了带钢缺陷数据集的扩充.然后,对轻量级图像分类网络MobileNetV3进行改进.最后,在扩充后的数据集上训练,实现了带...     

利用生成对抗网络的时频图像去噪和增强处理

针对雷达信号时频图像的去噪和增强问题,提出了利用生成对抗网络二次生成时频图像的方法。首先利用时频分析产生雷达信号的时频图像作为原始数据集1;接着利用生成对抗网络对数据集1进行学习之后生成新的数据集2,数据集2相对于数据集1拥有着去噪和增强的效果;最后提取时频图像奇异值特征检验生成的数据集2的有效性。对6种常见的雷达信号的时频图像进行了仿真实验,结果证明了该方法在时频图像去噪和增加样本多样性方面是有效的。     

结合场景描述的文本生成图像方法

研究基于场景描述文本生成对应图像的方法,针对生成图像常常出现的对象重叠和缺失问题,提出了一种结合场景描述的生成对抗网络模型.首先,利用掩模生成网络对数据集进行预处理,为数据集中的对象提供分割掩模向量.然后,将生成的对象分割掩模向量作为约束,通过描述文本训练布局预测网络,得到各个对象在场景布局中的具体位置和大小,并将结果...     

基于改进生成对抗网络的红外图像增强算法

针对红外图像细节分辨率不高、目标边缘模糊等,提出一种基于改进生成对抗网络的红外图像增强算法。首先,基于编码解码网络U-Net构建生成器,优化U-Net跳跃连接方式,融合全局上下文模块,实现全局和局部特征的上下文建模;然后,基于胶囊网络构建鉴别器,结合Res2Net改进胶囊网络结构,并对胶囊网络全连接层进行反卷积重构,实现多尺度图像特征提取,减少模型参数冗余。实验表明,与当前主流算法相比,该算法能有效突出细节信息、抑制噪声,提高图像分辨率和视觉效果。     

基于序列图像的阴影检测研究

针对由于入射光的照射,目标阴影与背景有明显的区别,而被当做目标的问题进行了研究。分析了单幅图像的阴影检测方法,提出了序列图像阴影检测方法,建立了序列图像高度测量模型;采用相邻序列图像对应点匹配的约束条件,降低了匹配的复杂度;研究了序列图像的特征点匹配,获得平面目标的高度信息表示;基于阴影的二维表面属性,设计了利用空间三维信息中的高度信息检测阴影的算法,可以对任意形状的阴影进行检测。通过试验表明,该方法简单,适用面广,可以有效地检测阴影。