基于去模糊空间变换RCNN的毫米波图像目标检测（英文）

提出一种包含去模糊的空间变换区域卷积神经网络的目标检测算法.首先,基于主动毫米波圆柱扫描成像原理对人体进行三维成像(频率24～30GHz),建立毫米波图像数据集.然后,估计毫米波图像的模糊核,通过卷积去噪网络获得图像先验知识,将其集成到半二次分裂的优化方法中,以实现非盲目去模糊.最后,由定位网络、网格生成器和采样网络三部分组成空间变换网络,将它融入到特征提取网络中,在去模糊后实现目标检测.通过该非盲目去模糊算法得到的图像的峰值信噪比可达27.49dB,目标检测算法的平均精度可达80.9%.实验结果表明,与现有的先进方法相比,该方法可以有效地提高图像质量和检测精度,为毫米波图像中隐藏危险品的目标检测提供了新的技术支持     

一种卫星平台振动光谱成像数据分块校正方法

卫星平台的振动会降低光谱成像数据的质量.以星载色散型成像光谱仪为例,介绍了其运动成像的退化机理.针对传统二维反卷积算法存在的问题以及推扫机理的特殊性,提出了一种光谱成像数据分块校正方法.该方法将分块处理、升维运算以及灰度渐变拼接相结合,将基于自然景物统计规律的图像去模糊算法运用于降质成像光谱数据的校正中.分别进行了不同目标的光谱成像退化校正仿真实验,实验结果表明,光谱成像数据质量在空间维和光谱维都有了明显提高,校正效果优于传统二维反卷积算法.     

基于特征融合的遥感图像舰船目标检测方法

针对常用的目标检测算法对遥感图像中的舰船目标进行检测时存在检测精度与实时性兼顾不佳的问题,提出了基于特征融合的遥感图像舰船目标检测算法来检测复杂场景下的多尺度舰船目标.该算法以多尺度单发射击检测框架为基础,增加反卷积特征融合模块和池化特征融合模块,增强网络特征提取的能力.同时设计聚焦分类损失函数来解决训练过程中正负样本失衡的问题.在高分遥感舰船目标数据集上的实验结果表明,所提方法能够有效地增强复杂场景下舰船目标的检测精度.此外,该算法对遥感图像中的模糊舰船目标的检测效果也优于多尺度单发射击检测框架.     

用于计算成像系统的基于信噪比自适应估计的图像去模糊研究

实现有效的图像去模糊对提高基于球面光学的计算成像系统性能具有极为重要的意义。分析了球面光学系统中的成像模糊模型,并介绍了基于维纳去卷积的图像去模糊算法。针对基于维纳去卷积的图像去模糊需要准确地估计模糊图像信噪比的问题,提出了一种新的基于图像去噪的图像信噪比自适应估计算法。分别使用Zemax光学仿真软件获得的图像和研制的基于球面光学的计算成像系统原理样机获得的图像开展实验研究,结果表明提出的算法能准确地估计出模糊图像的噪声方差和信噪比,利用估计得到的信噪比,使用维纳去卷积能得到比较理想的图像去模糊结果。因此,结合提出的方法,基于球面光学的计算成像系统能得到清晰的高分辨率图像。     

基于多检测器最大熵融合的多通道光谱图像异常检测

提出了一种多检测器最大熵融合的多通道光谱图像异常检测算法.选择多个不同的异常检测器,并利用自适应窗宽非参核密度估计方法估计其各自的输出分布,保留了多通道光谱图像数据的“长尾”特性,且避免了先验模型假设带来的模型误差.将各原始检测器的输出投影到具有标准正态边缘分布的变换空间中,利用变换空间中模型化的最大熵融合规则实现多检测器的决策级最优概率融合.在原数据空间通过似然函数的检验完成多通道光谱图像的目标检测.利用机载EPS-A航拍多通道光谱图像进行了实验,实验结果表明了算法的有效性.     

红外点目标检测的小波变换方法研究

在对红外图像目标特性及背景特性分析的基础上,提出了基于小波变换高频子图像处理算法及基于小波变换的区域相关算法,着重解决当目标距离成像系统较远时的点目标检测问题.实验结果表明:将区域相关算法和图像局部区域阈值的自适应滤波检测技术相结合,可显著提高红外点目标检测概率,实现较远距离的点目标检测.     

基于中心点的遥感图像多方向舰船目标检测

针对目前基于深度学习的舰船目标斜框检测方法存在计算量大、效率低的问题,提出一种基于目标中心点的单阶段检测模型.由于舰船中心点不受舰船分布方向影响,模型主要思想是以目标中心点检测为基础,回归中心点处目标斜框的尺度和方向.首先设计特征提取网络,将卷积神经网络细节信息丰富的底层特征与语义信息丰富的高层特征融合起来形成特征图;然后将特征图输入到三个检测分支,分别预测目标中心点、中心点偏移值以及斜框的尺度与方向;设计组合损失函数对网络进行训练,并改进非极大值抑制算法以适应目标斜框检测的需要.在公开的SAR图像舰船目标检测数据集与光学遥感图像上进行了实验,实验结果表明,测试集平均准确率达0.906,检测精度与速度均优于其它检测模型,充分验证了所提算法的有效性.     

基于双模态融合网络的目标检测算法

针对红外图像和可见光图像的融合目标检测问题,提出一种基于双模态融合网络的目标检测算法。在同时输入红外和可见光图像对后,利用设计的红外编码器提取红外图像空间特征信息;通过设计的可见光编码器将可见光图像从垂直和水平两个空间方向聚合特征,通过精确的位置信息对通道关系进行编码;最后,采用提出的门控融合网络自适应调节两路特征的权重分配,实现跨模态特征融合。在KAIST行人数据集上,与基准算法YOLOv5-n单独检测可见光图像和红外图像的结果相比,所提算法检测精度分别提升15.1%和2.8%;与基准算法YOLOv5-s相比,检测精度分别提升14.7%和3%;同时,检测速度在两个不同基准算法模型上分别达到117.6 FPS和102 FPS。在自建的GIR数据集上,所提算法的检测精度和速度也同样具有明显优势。此外,该算法还能对单独输入的可见光或红外图像进行目标检测,且检测性能与基准算法相比有明显提升。     

基于单目视觉的静止目标定位方法

以无人机感知与避障为背景,提出了基于运动的单目视觉测距方法.选择摄像机运动过程中在不同位置对同一目标获取的两幅图像,然后利用尺度不变特征变换算法对所选图像进行特征检测和匹配,通过分析同一目标特征点在两幅图像中不同成像位置的变化,结合无人飞行器自身的运动参数,求解出无人飞行器与障碍目标之间的位置信息.采用该方法对不同位置的目标进行定位实验,结果表明该算法的测量精度和时效性可以满足实际避障的要求.     

声速不均匀介质的光声成像重建算法

为提高声速不均匀介质的光声成像精度,提出一种基于反卷积的光声成像重建算法.本算法不需预先知道介质的声速分布.先通过探测到的光声信号构造出一个新函数,并用不同位置探测到的光声信号间的相关性来估计空间两点间的声波传播时间,以补偿声速的不均匀性.然后基于反卷积方法由该函数解出待测组织内的电磁波吸收分布.仿真研究结果表明,当介质声速差异在10%以内时,重建图像能正确反映待测目标的大小、位置和电磁波吸收系数,算法具有良好的抗噪性能.由于生物软组织内的声速差异一般小于10%,因此本算法是一种有效的光声成像重建算法.     

多局部残差连接注意网络的图像去模糊

针对现有的基于卷积神经网络的图像去模糊算法存在图像纹理细节恢复不清晰的问题,提出了一种基于多局部残差连接注意网络的图像去模糊算法。首先,采用一个卷积层进行浅层特征提取;其次,设计了一种新的基于残差连接和并行注意机制的多局部残差连接注意模块,用于消除图像模糊并提取上下文信息;再次,采用一个基于扩张卷积的成对连接模块进行细节恢复;最后,利用一个卷积层重建清晰图像。实验结果表明：在GoPro数据集上的PSNR (peak signal to noise ratio)和SSIM (structure similarity)分别为31.83 dB、0.927 5,在定性和定量两方面都表明所提方法能够有效地恢复模糊图像的纹理细节,网络性能优于对比方法。     

结合区域提取和改进卷积神经网络的水下小目标检测

针对水下小目标信息量有限而难以提取有效特征导致的检测性能不佳问题,提出了一种结合区域提取和融合Hu矩特征的改进卷积神经网络水下小目标检测方法。该方法包含区域提取和分类两个步骤。首先以马尔可夫随机场分割算法为基础进行区域提取,对潜在目标定位的同时降低伪目标对后续分类的干扰;然后提取潜在目标区域的Hu矩特征并融入卷积神经网络,形成一种形状特征表征能力更强的改进卷积神经网络用于分类。声呐实测数据处理结果表明,该方法可以有效提升对水下小目标的发现概率和正确报警率,与其他目标检测方法相比,该方法具有更好的检测性能和泛化性。     

Single image deblurring using novel image prior constraints

Single image deblurring is a highly ill-posed problem and requires to be regularized. Many common forms of image prior have a major drawback that is unable to make full use of local image information. In this paper, we propose a single image deblurring method using novel image prior constraints. We establish a probabilistic model by enforcing inspired image prior constraints and adopt an advanced iterative scheme that alternates between blur kernel estimation and non-blind image restoration. To suppress ringing artifacts caused by inevitable blur kernel estimated errors, our method employs total variation image restoration and presents an alternation half-quadratic algorithm to solve the non-convex cost function. Finally, experiments show that our method has good performance in suppressing ringing artifacts, and makes a good balance between alleviating staircase effects and preserving image details.     

基于全卷积金字塔残差网络的能谱CT图像降噪研究

传统CT采用积分式探测器采集投影数据,反映的是物体的平均衰减特性,会在一定程度上造成信息损失,无法对物体进行较好的定性定量测量。基于光子计数探测器的能谱CT通过设定多个能量响应阈值能够探测不同能量范围内的X射线光子,采集更多被测物体的物质组成信息,有助于识别不同物理特性的材料,基于此,能谱CT被广泛的应用于小病灶、低对比度结构以及微细结构的成像。然而将整个能谱划分为多个能量段进行数据采集时,范围较窄能量范围内的有效光子数比例相对降低,导致图像中包含较多的噪声,图像质量较差,影响能谱CT的临床应用。为了有效的抑制能谱CT不同能量段内重建图像中的噪声,提出了一种基于深度学习的能谱CT图像降噪方法。我们将全卷积网络和金字塔残差网络结合为全卷积金字塔残差网络(FCPRN),实验中,利用能谱CT在不同的能量范围扫描小鼠样本,使用FDK算法和基于压缩感知的Split-Bregman算法进行重建并分别作为训练数据和标签数据训练全卷积金字塔残差网络。为了验证网络的降噪性能,选取了常见的降噪网络模型denoising convolutional neural networks(DNCN)以及residual encoder decoder convolutional neural network (REDCNN)进行对比,训练三种网络的使用的数据和实验配置都是完全相同的,实验结果表明训练模型可以有效抑制不同能量范围内重建图像的噪声,且使用的全卷积金字塔残差网络的降噪性能优于其他网络模型。模型训练好后,可以对FDK算法重建出的图像进行降噪,由此提高能谱CT图像降噪效率,保证能谱CT重建图像的质量。     

基于小波变换与卷积神经网络的图像去噪算法

图像在生成或传感过程中往往会受到噪声干扰,噪声干扰会给后续图像处理工作增加难度,甚至会给某些生产活动带来巨大的经济损失。结合平稳小波变换与卷积神经网络的优势,提出了一种有效的图像去噪算法。训练阶段,采用提出的算法对图像进行尺度为1的平稳小波分解后,分别把高、低频分量输入4个设计好的残差网络进行训练;在测试阶段使用小波逆变换来获得最终的预测图像。实验结果表明:在高斯白噪声水平达到σ=50时,去噪后图像的峰值信噪比（peak signal to noise ratio, PSNR）均值和结构相似性（structural similarity index method, SSIM）均值可以达到28.37 dB和0.808 0,提出的算法可以有效去除可见光图像中的高斯白噪声、自然噪声,以及遥感图像在传感过程中产生的噪声,并且在去除图像噪声的同时能较好地保留图像的边缘与纹理细节。     

基于Mask RCNN的桥梁裂缝检测方法设计及研究北大核心CSCD

裂缝是桥梁道路上常见的一种病害,针对其检测准确率有待提高的问题,提出了基于Mask RCNN(region-based convolutional neural networks)的桥梁裂缝检测算法,设计了语义增强模块(semantic enhancement module,SEM),将该模块与特征金字塔网络(feature pyramid network,FPN)相结合,通过特征融合Add计算得到新的多尺度特征图feature maps。针对裂缝形态复杂多样存在识别困难的问题,将裂缝做了两类划分进行检测,并制定了两种策略进行对比实验。实验结果表明:该文中改进的方法可以得到更好的检测结果,检测准确率Accuracy可达99.8%,平均检测精度(mean average precision,mAP)提高了12.6%。     

Two-stage blind deconvolution scheme using useful priors

Hand shake blurry image is a common phenomenon in our daily life. In this paper, a novel blind deconvolution scheme is proposed to recover a single hand shake blurry image. The algorithm is subdivided into two main stages, kernel estimation stage and non-blind deconvolution stage. In the kernel estimation stage, we propose a cost function taking a selected map into consideration. In the non-blind decovolution stage, another cost function is designed using image derivatives prior. We also present an adaptive kernel size selection method instead of traditional manual selection. Extensive experiments on real world blurry images are conducted to demonstrate the performance of our algorithm.     

基于时空双流卷积神经网络的红外行为识别

针对红外视频人体行为识别问题,提出了一种基于时空双流卷积神经网络的红外人体行为识别方法。通过将整个红外视频进行平均分段,然后将每一段视频中随机抽取的红外图像和对应的光流图像输入空间卷积神经网络,空间卷积神经网络通过融合光流信息可以有效地学习到红外图像中真正发生运动的空间信息,再将每一小段的识别结果进行融合得到空间网络结果。同时将每一段视频中随机抽取的光流图像序列输入时间卷积神经网络,融合每一小段的结果后得到时间网络结果。最后再将空间网络结果和时间网络结果进行加权求和,从而得到最终的视频分类结果。实验中,采用此方法对包含23种红外行为动作类别的红外视频数据集上的动作进行识别,正确识别率为92.0%。结果表明,该算法可以有效地对红外视频行为进行准确识别。     

Non-blind image deconvolution using natural image gradient prior

Since non-blind image deconvolution is inherently ill-posed, the results of unregularized methods are often contaminated by noise and ringing artifacts. To reach a stable solution, we adopt the natural image gradient prior to regularize the latent image and obtain an improved version of the Richardson–Lucy (RL) algorithm. We use both synthetic and real world blurred images to test the proposed method. Experimental results show that the negative artifacts are significantly suppressed and the restored images are of high quality.     

改进Fast-RCNN的双目视觉车辆检测方法

针对不同空间尺度的车辆表现出显著不同的特征导致检测算法效率低、准确性差且单目难以准确获取车辆距离信息的问题,提出了一种改进Fast-RCNN的汽车目标检测法,利用双目视觉对车辆进行测距。首先利用双目立体相机采集前方图像并进行预处理,加载深度神经网络Fast-RCNN的训练数据,再针对汽车不同空间尺度引入多个内置的子网络,将来自所有子网络的输出自适应组合对车辆进行检测,然后利用SURF特征匹配算法进行左右图像的立体匹配,根据匹配数据进行三维重建并确定车辆质心坐标,从而测量出车辆与双目相机之间的距离。实验结果表明,所述算法可以实现对车辆的快速检测,检测时间比传统的Fast-RCNN缩短了42 ms,并且实现了对5 m范围车辆距离的准确测量,其误差仅为2.4%,精确度高,实时性好。