基于多尺度Retinex彩色图像增强和闭合边缘提取方法的研究

提出了采用多尺度Retinex突出图像中阴暗区域的信息,采用Canny算子提取边缘,编制程序提取图像中的阴暗区域, 将原图像阴暗区域的像素替换成多尺度Retinex增强图像的像素。得到融合后的图像比原图像在阴影区域显示出更丰富的信息。 进而对遥感图像进行深入研究,以埃及Giza金字塔中最大的Khufu金字塔阴影的几何分析,确定太阳光的照射方位、仰角以 及观察点的方位与俯视角等信息。描述的半自动提取特征信息融合彩色图像的技术,在遥感图像地物信息提取中具有十分重大 的意义。     

基于注意力机制与多尺度融合学习的车辆重识别方法

在车辆重识别任务中,通常会出现相机角度变化和场景变化等情况,导致重识别准确率降低,为此提出了一种基于注意力与多尺度融合学习的车辆重识别方法,在多尺度下提取并融合浅层细节信息和深层语义信息。首先,构造一种深度学习网络,通过注意力机制学习车辆图像的显著性特征;然后,在多个尺度下对描述车辆身份的信息进行提取,将浅层表达的细节信息和深层表达的语义信息相融合构造空间特征;其次,对空间特征进行分解与重组,得到具有空间鲁棒性的局部特征,并与全局特征融合,构造车辆身份重识别特征;最后,利用该特征计算不同车辆图像间相似度,判断是否具有相同的身份。实验结果表明:在VeRi-776数据集上测试得到的Rank-1指标达到了94.0%,mAP指标达到了72.2%,表明该方法在相机角度变化、场景变化等情况下可以有效提高车辆重识别的准确率。     

基于多尺度Retinex彩色图像增强和闭合边缘提取方法的研究

提出了采用多尺度Retinex突出图像中阴暗区域的信息，采用Canny算子提取边缘，编制程序提取图像中的阴暗区域，将原图像阴暗区域的像素替换成多尺度Retinex增强图像的像素。得到融合后的图像比原图像在阴影区域显示出更丰富的信息。进而对遥感图像进行深入研究，以埃及Giza金字塔中最大的Khufu金字塔阴影的几何分析，确定太阳光的照射方位、仰角以及观察点的方位与俯视角等信息。描述的半自动提取特征信息融合彩色图像的技术，在遥感图像地物信息提取中具有十分重大的意义。     

多尺度特征提取和多级别特征融合的显著性目标检测方法

显著性目标检测已经被广泛应用到图像检索、图像分割、行人重识别等领域.目前主流的显著性目标检测方法通常采用短连接加权的方式融合多级别特征信息,这种方式无法精准有效地控制信息流的传递.而且,现有的检测方法通常采用单一的特征检测,导致显著性目标区域与背景的边界不连续、易模糊.因此,本文提出一种多尺度特征提取和多级别特征融合的...     

联合多尺度与注意力机制的遥感图像目标检测

遥感图像存在背景复杂、目标尺度差异大且密集分布等不足,为提高现有算法的检测效果提出联合多尺度与注意力机制的遥感图像目标检测算法. 改进空洞空间金字塔池化模块,增大不同尺寸图像的感受野;提出注意力模块用于学习特征图通道信息和空间位置信息,提升算法对复杂背景下遥感图像目标区域的特征提取能力;引入加权双向特征金字塔网络结构与主干网结合来增进多层次特征的融合;使用基于距离的非极大值抑制方法进行后处理,改善检测框易重叠的问题. 在DIOR和NWPUVHR-10数据集上的实验结果表明：所提算法的平均精度均值mAP分别达到71.6%和91.6%,相比于主流的YOLOv5s算法分别提升了2.9%和1.5%. 所提算法对复杂遥感图像取得了更好的检测效果.     

基于多尺度卷积神经网络的道路交通标志识别方法研究

为了准确识别不同路况下的交通标志信息,提出一种在Faster RCNN模型基础上改进的深度学习方法。针对交通标志的显著特征,设计了多路并联全卷积神经网络,对原始图像中的交通标志颜色、形状以及纹理进行多路特征提取,将多路特征层进行融合得到最终特征图,通过图像预处理加强了模型在多种环境和天气状况下的适应能力。同时在特征提取网络中加入深浅层特征层的融合特征,保留浅层特征层的细节纹理信息和深层特征层的语义信息,得到最终特征层能够适应多尺度变化的交通标志的识别。在原有RPN候选区域生成网络前,利用交通标志先验知识作为辅助进行目标检测定位,提出了针对交通标志识别更加合理的候选锚框生成办法。从先验知识统计交通标志尺寸和比例结果出发,设计适用于交通标志识别的目标候选框,减少了大量冗余的和负相关的候选框,提高检测准确度减少检测时间;加入针对深浅特征层的多尺度候选框生成方法,在强化多尺度目标识别能力的同时,进一步加强了小目标检测和识别效果;采用国际通用交通标志规范数据集GTSRB/GTSDB以及国内交通标志数据集TT100K对模型识别能力进行识别验证。     

融合多尺度Transformer的皮肤病变分割算法

针对现有皮肤病变图像分割时缺乏多尺度特征提取,从而导致细节信息缺失和病变区域误分割的问题,本文提出一种融合多尺度Transformer的编解码网络皮肤病变分割算法。首先运用Transformer模块构建分层编码器,分层编码器从全局特征变化角度出发,多尺度分析皮肤病变区域;然后利用多尺度融合模块、通道注意力模块和联合层构建融合解码器,多尺度融合模块互补分层编码器中浅层网络信息与深层网络信息,增强空间信息和语义信息间的依赖关系,通道注意力模块能够有效识别特征丰富的通道,提高算法分割精度;最后引入扩展模块恢复图像大小以匹配实际需求。将该算法在ISBI2016、ISBI2017和ISIC2018三个公共数据集上进行实验测试,其像素精度分别为96.70%、94.50%和95.39%,平均交并比分别为91.69%、85.74%和89.29%,算法测试整体性能优于现有算法。仿真实验证明,多尺度Transformer编解码网络能够有效地分割皮肤病变图像。     

多尺度残差深度神经网络的卫星图像超分辨率算法

卫星图像实现星际对地观测并被广泛的应用到了军事和经济生活领域。受到星载成像设备和星地通讯带宽的限制,卫星图像的地面分辨率常不能完全满足目标识别与分析的需求。卫星图像的成像幅度宽且范围广,地面目标的尺度变化大、纹理信息多样化,给现有图像超分辨率技术带来了新的挑战。针对卫星图像的多尺度特性,提出了一种多尺度残差深度神经网络,首先提取低分辨率卫星图像的多尺度特征,对不同尺度特征建立自适应深度神经网络,然后使用融合网络进行残差融合,融合不同尺度高频信息,最终生成高分辨卫星图像。在Space Net卫星图像数据集中的实验结果证明了本文算法的优越性。     

用于遥感图像变化检测的深度监督网络

为了解决大多数全卷积网络出现的特征提取单一、遥感图像变化检测（CD）能力差的问题，借助Unet++网络构建用于遥感图像CD的深度监督网络（DSNet）.设计多尺度残差模块替换传统卷积层，通过融合孪生网络双分支上的空间与光谱特性，获取遥感图像在不同层次间的语义信息，有效解决了特征提取单一的问题.在模型解码端设计横向输出层，实现节点从低级向高级特征聚合的深度监督过程.将具备信息差异化的不同特征融合结果传输至基于归一化的注意力模块(NAM)中.在不引入额外参数的前提下增强了变化区域的信息权重.实验结果表明，所提模型在遥感图像CD任务中的召回率和精度分别为90.39%和92.04%，模型的参数量和计算量为6.38 M和60 G.与不同网络模型的对比表明，该方法具有检测精度高、速度快和轻量化等优点.     

基于改进YOLOv5的遥感图像检测

针对现有遥感图像目标检测中背景复杂和尺度变化大等问题,基于 YOLOv5 模型提出了一种 改进的遥感图像目标检测算法。 首先,利用 Mosaic 数据增强方法重构数据集,以改善模型的训练效 果和鲁棒性;其次,在 YOLOv5s 的 Backbone 中添加 SE 注意力机制,使改进后模型能够更精准地捕 捉目标特征信息;最后,采用 BiFPN 替代原模型中的 FPN+PAN 结构,使模型能够进行不同尺度的特 征融合,以减少检测过程中浅层信息的丢失。 实验结果表明,相较于原模型,改进后模型的平均精度 均值、准确率和召回率都有所提升;相较于原模型,改进后模型具有更强的特征提取能力及更快的检 测效率。     

空间目标序列图像识别技术

针对远距/近距空间目标成像的特点,提出一种基于序列图像的多尺度自动目标识别(ATR)方案.该方案综合利用目标的尺度变化、姿态变化及图像特征信息,分别构建多尺度目标分类器、姿态判别器,并估计目标识别结果可信度、相邻帧姿态变化的权重以及目标尺度权重;根据当前帧和上一帧的识别结果,进行目标类别的融合判别.对STK产生的10类仿真空间目标进行测试,试验结果表明:对远距空间目标,由于目标像素少,仅用单帧图像的识别率低,合理利用目标序列图像包含的信息,可有效提高目标识别率.     

Directionlet域的多波段遥感图像融合算法研究

提出一种有效的基于Directionlet变换的多波段遥感图像融合算法。Directionlet变换是一种新的基于格子的歪斜多尺度多方向各向异性小波变换工具,具有更高的逼近精度和更好的稀疏表达能力的图像分解变换,与小波变换相比,抑制了小波变换在图像边缘方向表示的固有局限性。首先采用具有多尺度、多方向特点的Directionlet变换对多波段遥感图像进行分解。对于低频系数采用平均融合算法,方向高频系数采用区域边缘检测实现多波段遥感图像的融合处理。实验结果表明,提出的算法与传统融合算法相比不仅原始图像的边缘和纹理信息可保留,而且可获得更好的融合视觉效果。     

基于区域显著性的双波段图像融合方法

为了在红外与可见光图像融合中保留更多有效信息,提出一种基于区域显著性分析的融合方法.通过区域分割以及多分辨率对比度分析,获得图像的尺度不变区域显著性图（RSISM）.利用RSISM能够有效表达区域的显著性特征,合理区分不同性质的区域;根据RSISM划分显著性区域、背景区域及中间区域,对各区域制定相异融合规则,并在非降采样轮廓波变换（NSCT）变换域上融合双波段图像.实验证明,与传统方法相比,该方法能够更好地保留显著性区域的红外特征及其他区域的细节信息,同时对背景热辐射干扰不敏感,有较好融合效果,并能够拓展应用于动态图像的融合中.     

风格感知和多尺度注意力的人脸图像修复

人脸图像修复是计算机视觉领域中重建人脸图像的一项重要图像处理技术。现有人脸图像修复技术存在修复结果全局语义不合理的问题,这主要是由于现有技术的特征长程迁移能力不足,无法将破损图像中已知区域的信息合理地迁移到被遮蔽区域上。为此,本文在生成式对抗网络(generative adversarial network, GAN)框架下,构建了一种融合风格感知和多尺度注意力的编解码人脸图像修复模型。风格感知模块用于提取图像的全局语义信息,并利用提取的信息对编码逐级地进行渲染,以实现对修复过程的全局性调节;利用多尺度注意力模块对多尺度特征进行补丁块提取,并通过共享注意力得分和提取补丁块的矩阵乘法进行多尺度特征的长程迁移。在公开数据集CelebA-HQ上的实验结果表明:风格感知模块和多尺度注意力模块极大地增强了修复网络的特征长程迁移能力。相较于现有先进的人脸图像修复方案,本文所提出的模型在多种评价指标上均有显著的提升;修复结果的全局语义更加合理,并且在暗光条件下的修复效果更加自然。     

矿井视频图像中人员目标匹配与跟踪方法

针对矿井视频图像人员跟踪中光照强度低、光照不均且变化剧烈、目标尺度变化频繁及矿工携带矿灯对目标外观特征影响明显等问题,提出了一种基于压缩感知的实时多尺度人员跟踪方法.基于压缩感知和归一化矩形特征,得到尺度不变压缩特征SICF,该特征被用于实时描述尺度变化的目标.基于SICF建立目标外观模型,并利用朴素贝叶斯分类器识别样本类别,确定样本与目标之间的相似度.为了降低矿灯对目标外观特征的影响,提出利用边缘颜色特征得到各样本置信度,并与SICF外观模型融合共同构建粒子滤波框架的观测模型;结合矿工运动特点和速度信息,利用二阶模型作为运动模型.通过对标准视频库和井下实际采集视频的实验结果表明:本文算法在精度、稳定性及对井下特殊环境的适应性上均优于当前国内外最新算法,平均跟踪帧速达24fps.     

眼底病变OCT图像的轻量化识别算法

为了准确、方便地识别多类型眼底病变，提出光学相干断层扫描技术（OCT）图像的轻量化分类模型MB-CNN.降低卷积核的使用个数，调节每个阶段卷积块的使用比例，设计轻量化主干网络L-Resnet，通过加深网络深度增强对深层语义信息的提取.使用深度可分离卷积设计多尺度卷积块MultiBlock，利用MultiBloc深度挖掘病灶区域的特征，使用不同的卷积核提取不同尺寸病变的特征，提高网络对病变OCT图像的识别能力.构建特征融合模块FFM，融合浅层信息和深层信息，充分提取病变特征的纹理和语义信息，提高对小目标病变的识别能力.实验结果显示，MB-CNN在UCSD、 Duke和NEH3个数据集上的总体分类精度分别达到97.2%、 99.92%和94.37%，模型参数量明显降低，所提模型能够针对眼底的多种病变进行分类.     

基于光学遥感图像的目标检测与分类识别方法

基于光学遥感图像的目标检测与分类识别是遥感图像处理与分析领域备受关注的课题,其核心任务是判断遥感图像中是否存在目标,并对其进行检测、分割、特征提取与分类识别。遥感图像的目标检测是大范围地面信息获取的重要途径,目标分割是对遥感图像进行进一步处理和应用的基础,提取特征能否有效描述目标区域将直接影响后期检测和识别的结果,识别算法的选取对于目标的正确识别至关重要。因此从以下四个方面对这一研究领域进行介绍:1)目标检测;2)图像分割;3)特征提取;4)分类识别,并对研究难点及未来的发展趋势作较为详细的分析。     

基于多尺度马尔科夫随机场融合的遥感图像变化检测

在区域变化检测中,为了克服配准误差或噪声引起的伪变化,从多尺度融合的角度出发,对多尺度分析应用于遥感图像变化检测进行了探讨.首先利用小波变换对原始图像进行多尺度分解,然后利用马氏距离判决函数对不同尺度图像进行变化检测,最后利用马尔科夫随机场将不同尺度变化检测结果进行融合.由于马尔科夫随机场融合方法充分考虑了相邻像素间的相关性和不同尺度检测结果的联系,从而使融合结果更细致和精确.一系列图像的实验结果证明本方法具有很好的实用性和鲁棒性.     

利用小波变换进行遥感 多光谱图像融合的算法及实现

在分析了小波变换的分解与重建方法后,提出了一种基于区域的图像增强算法。先提取出源图的边 缘,以图像的边缘为参考,围绕边缘建立融合窗口,然后结合区域内的图像信息,应用基于窗口的融合规则进行 融合处理。实验结果显示,融合后的图像综合了3幅源图像的不同特征,处理后的图像变得容易识别了。表明 该方法保持了尽可能多的原始信息,算法简单,稳定性好,适合于多光谱遥感图像识别、医学成像等领域。     

多特征融合和孪生注意力网络的高分辨率遥感图像目标检测

为提高高分辨率遥感图像目标检测效果,本文将多特征融合方法和孪生注意力网络相结合,提出一种新的目标检测方法。构建遥感图像目标检测的整体框架,基于锚框模型对遥感图像目标进行多层特征的提取及融合;运用孪生注意力网络对遥感图像目标实时视觉跟踪检测,引入通道和空间的双重自注意力机制,提高目标图像的特征表达能力,由此得到更加精准的检测结果。实验分析结果表明,本文方法的平均总体精度为93.8,F1指数平均值为0.88,Kappa系数平均值为0.93,均明显高于对比方法,说明本文方法具有较好的检测效果。