基于无人机倾斜摄影的实景三维建模关键技术研究
这是一篇关于航拍无人机,航线规划,图像修复,匀光处理,三维建模,精度分析,可视化分析的论文, 主要内容为随着无人机技术的不断发展和普及,无人机倾斜摄影已经成为获取三维城市模型的主流方式之一。通过使用无人机搭载高精度相机和全球定位系统等设备,对目标区域进行连续航摄,并通过后续处理流程生成三维模型,已广泛应用在三维地图制作、城市规划、文物保护等领域。无人机倾斜摄影测量技术在影像获取和构建三维模型过程中,仍存在一些问题。如使用单镜头航摄仪获取影像数据时,角度固定导致存在拍摄盲区;在实景三维模型生产中,影像中的移动物体(人或车)会导致匹配困难和模型几何变形等问题,天气变化等因素使影像存在光照不均的问题。此外,目前实景三维模型主要以外观展示为主,未在单体化信息查询、场景漫游等方面得到充分应用。本文首先在倾斜影像数据获取阶段根据不同建筑物的特点,设计一种倾斜环绕航线,减少影像采集过程中存在的拍摄盲区;其次在数据预处理阶段对影像进行图像修复和匀光处理,消除影像中的遮挡物和光照不均现象,从而得到高质量、高精度的实景三维模型;最后使用Cesium三维可视化框架和B/S架构实现校园空间数据的可视化应用,能够动态地分析三维模型,为校园规划提供辅助决策支持。论文主要研究内容如下:(一)、无人机数据采集。在使用无人机获得影像数据方面,本文以中国民用航空飞行学院部分区域为建模区域,使用大疆Phantom 4 PRO V2.0获取倾斜影像数据,根据不同区域特点设计航线,特别针对复杂区域建筑物外型特点,设计适合实际拍摄的航线,根据建筑物外观特征构建相应外接长方体及航路半球面,设计出多高度、多角度的倾斜环绕式影像采集航线,以较少的影像构建精确、完整的三维模型,从而提高建模的效率。(二)、图像预处理。为了提高实景三维模型的精度和准确度,在建模前对影像进行预处理。由于影像中的移动物体会影响三维模型质量,因此需要对影像进行修复,本文提出改进型GAN网络,在WGAN-GP的基础上,生成器中引入U-Net网络和CBAM注意力机制;判别器使用全局判别器和局部判别器,引入VGG16网络结合SENet通道注意力机制。实验结果表明,改进后的网络图像修复效果提升明显。此外,影像光照不均也会影响后续处理效果,提出了一种自适应匀光处理方法,使用快速导向滤波提取光照分量,并采用改进的二维伽马函数动态调整像素点光照值,以消除光照不均的视觉影响。这些预处理方法可以提高影像的质量和准确性,为实景三维建模提供更好的数据基础。(三)、三维建模及精度分析。使用实景三维建模软件Context Capture,对影像数据进行自动化处理,生成校园的三维TIN白模模型图、三维TIN网构建图和三维建模成果图。通过精度分析,真实三维模型的平面中误差为0.023米,高程中误差为0.014米,达到了实际大比例尺测量精度的要求。(四)、三维模型的可视化分析。在模型应用方面,使用Cesium框架,通过B/S架构实现了校园空间数据的可视化应用。搭建两个功能模块:建筑物单体化信息查询和场景漫游。用户可以在平台上进行建筑物信息查询和浏览,同时也可以通过漫游模块来浏览三维模型中的校园场景。本文研究工作完成对中国民用航空飞行学院本部部分区域的实景三维建模。通过使用倾斜环绕式航线进行影像采集,验证了该航线具有影像采集效率高、模型完整性高、纹理真实等优点。同时,使用改进型GAN网络的图像修复方法和自适应匀光处理方法对图像进行预处理,使生成的模型更加精准、细节更加丰富。最后,完成校园的可视化分析,实现建筑物单体化信息查询和场景漫游功能。
基于深度学习的胃部内窥镜图像修复研究与应用
这是一篇关于深度学习,生成对抗网络,内窥镜图像,图像修复的论文, 主要内容为随着现代医学图像的快速发展,医学设备成像技术在医学诊断中起到了越来越重要的作用。医生可通过设备对人体内部组织观察进行患者病症的分析判断,但在设备成像过程中,由于硬件设备以及环境等因素的影响,拍摄出的医学图像质量往往参差不齐。例如人体内部的生物粘液会使得拍摄出的图像含有反光区域,从而影响医生的阅片效率以及对患者的病情诊断。因此研究带有反光区域的内窥镜图像修复对辅助临床医学诊断具有重要意义。本论文主要利用深度学习技术对胃部内窥镜图像的反光区域进行图像修复。论文主要内容如下:(1)针对传统的图像修复方法对胃部内窥镜图像修复会产生边界伪影、扭曲结构等问题,提出了一种分步修复的二阶段网络MRI-Net用于修复胃部内窥镜图像的反光区域。首先对原图像进行反光检测,得到标记反光区域的掩码,其中在传统反光检测方法基础上添加固定阈值分割并做并集,优化了反光检测的结果,再将掩码与原图像通道拼接后使用快速傅里叶卷积处理得到初阶段修复图像,将其输入到带有语义注意力层的全局分支和空洞卷积的局部分支的第二阶段修复网络中进行特征提取,将两个支路提取的特征合并后上采样得到最终的修复结果。最后,使用光谱归一化马尔可夫鉴别器训练自由形式的图像修补网络。实验结果表明,MRI-Net对内窥镜图像反光修复效果较好。(2)研究了基于门控注意力卷积对网络模型的优化情况。针对MRI-Net对内窥镜图像的部分修复结果在生成图像边界出现不连续的问题以及为了提高修复后图像的质量,提出了门控注意力卷积模块(GAC)。保持第一阶段修复网络结构不变,将第二阶段网络的常规卷积替换成门控卷积和注意力机制组合成的门控注意力卷积模块,整个网络形成新的网络架构OMRI-Net。成功对原内窥镜图像反光区域的边缘部分进行更好的修复,提升了修复图像的质量。(3)基于上述研究,设计并实现了内窥镜图像反光修复系统。该系统能够很好的对内窥镜仪器拍摄出的含有反光区域的内窥镜图像进行修复,利用该系统能辅助医务工作者对患者的病情分析,极大的提高了医生的阅片效率。
基于残差注意力神经网络的图像修复方法研究
这是一篇关于生成对抗网络,图像修复,注意力机制,深度学习的论文, 主要内容为近年来,图像修复技术已经成为计算机视觉领域重要的研究方向之一,愈发受到各个领域学者专家的关注,现已被广泛应用于老照片修复、目标移除、图像补全等应用中。本论文研究的图像修复是指利用图像修复算法来对破损图像的给定破损或缺失区域进行图像补全和填充,使修复后的图像尽可能接近真实图像的一种图像处理技术。目前,基于深度学习的方法已经成为图像修复的主流,其中,具有强大的特征表达和学习能力的生成对抗网络(Generative Adversarial Networks,GAN)在图像修复领域表现出卓越的性能。与传统的图像修复方法相比,基于深度学习的图像修复方法可以更好地处理复杂的破损区域,且更加自然地生成图像。尽管大多数现有的基于GAN的图像修复方法通常会产生视觉上可信的结果,但当图像出现大面积破损区域或者破损区域拥有复杂的背景信息等情况时,生成的结果会出现大量伪影、色彩衔接不一致以及纹理细节模糊等问题。为解决这些问题,本论文对国内外图像修复技术的研究现状进行了详细分析,并提出了一种新的基于GAN的残差注意力图像修复模型,该模型改进了传统的编码-解码图像修复网络,提出了一种具有纹理感知能力的主干网络(Residual Feature Attention Network,RFA-Net),并采用残差非池化的设计结构使之能够保留浅层的纹理特征,自适应地增强有助于图像修复的通道和像素特征的权重,以实现对破损图像的纹理细节进行更精细的修复。本论文主要工作及创新点如下:(1)本论文针对破损图像的纹理细节模糊和已知区域关键信息分布不均匀的情况,设计实现了基于残差注意力网络的图像修复模型RFA-Net,该网络采用编码-解码的设计架构,主要由三部分组成:残差注意力(Residual Attention,RA)模块,多尺度增强(Multi-scale Feature Enhancement,MFE)模块和密集特征融合(Dense Feature Fusion,DFF)模块。在编码器中,RA模块结合了残差结构和注意力机制的技术优势,使模型关注于图像修复相关特征的提取以及通过保留浅层图像特征实现对纹理的精细修复。在解码器中,MFE模块实现了多尺度卷积核特征的拼接,增强了网络的特征提取能力。为实现大面积破损区域修复,在MFE模块后,加入DFF模块以在未增加网络参数的情况下扩大网络的感受野。(2)本论文判别器的设计基于相对平均论判别器(Relativistic Average GAN,Ra GAN)进行改进,设计了包括全局分支以及局部分支的多尺度判别器结构,使网络分别关注全局图像和缺失区域的局部图像细节。同时添加混合损失优化(Hybrid Loss Optimizment,HLO)模块,以约束生成器生成图像内容的低级特征,促进生成器提高细节生成能力,生成更逼真、纹理更清晰的图像。(3)为验证本论文提出的图像修复方法的先进性,本论文对提出的算法与目前主流算法在多个数据集上进行了定性和定量的比较和分析,同时对提出的网络模块进行消融对比实验。实验结果表明,本论文提出的RFA-Net图像修复算法能够实现对破损区域纹理细节的恢复并生成与真实图像一致的内容,和目前主流的基于深度学习方法的定量和定性对比中具有一定的先进性。
基于自编码与GAN的数字图像修复算法研究
这是一篇关于自编码,生成对抗网络,注意力机制,马尔可夫判别器,结构辅助分支,图像修复的论文, 主要内容为数字图像修复技术是指利用数字图像中已知区域的信息,自动地修复图像中缺损区域的内容。基于深度学习的数字图像修复算法因其强大的数据拟合能力,以及取得的显著阶段性成果,在图像修复领域占据主导地位。但是当图像纹理与结构相对复杂,且缺损区域较大时,现有的基于深度学习的图像修复往往存在缺乏细致纹理、局部结构扭曲或纹理与结构不一致等问题,修复效果不够理想。针对以上问题,本文以生成对抗网络为主干网络,通过融入U-net网络、注意力机制和结构辅助分支等策略对网络进行改进,有效的提升了图像修复质量。本文的主要工作如下:1.提出了一种后置位注意力数字图像修复算法。该算法的网络主体选用生成对抗网络,融入U-net网络作为生成器,利用跳跃连接为解码特征图补充纹理之类的低级图像特征。通过将普通卷积替换为部分卷积,提升了网络修复不规则缺损图像的性能。添加一个后置位注意力模块,从距缺损区域较远的已知区域提取相关特征,增强了图像局部特征与整体图像的一致性,使修复后的图像具有更加细致的纹理。采用马尔可夫判别器,通过对生成图像进行分块评估,实现了比传统全局判别器更为合理的损失表示,使图像修复质量进一步提高。2.提出了一种具有结构辅助分支的数字图像修复算法。在后置位注意力数字图像修复算法的基础上,利用图像边缘图结构信息,增加结构辅助分支,构建一种双分支网络。添加一个具有信息选择功能的特征融合模块,整合结构特征图与纹理特征图,使来自两个分支的特征信息相互补充,增强了修复图像结构和纹理的一致性。在后置位注意力模块中引入一个可学习的参数,以此提升该模块提取远距离特征信息的能力。同时,在原有马尔可夫判别器基础上新增一个结构马尔可夫判别器,两个马尔可夫判别器共同与生成器进行博弈,迫使生成器生成更加真实的修复图像。
基于深度学习的逆光车牌图像修复算法研究
这是一篇关于智慧交通,图像修复,逆光车牌修复,深度学习的论文, 主要内容为逆光车牌图像修复是智慧交通领域中具有挑战性的研究问题之一。受太阳光反射的影响,车牌识别系统所采集到的车牌图像被光斑遮挡,造成车牌信息丢失,使得车牌识别系统的识别准确率下降。因此,逆光车牌图像修复的研究将有助于车牌识别技术的实际应用推广。与传统的计算机视觉方法相比,深度学习技术具有处理复杂模式的强大能力。目前,车牌识别系统大多是使用多设备或者通过控制拍摄条件进行多图像的采集,进而筛选出无逆光或逆光影响较小的车牌图像,而直接对逆光车牌图像进行修复的方法较少。因此,本文着重研究基于深度学习的逆光车牌图像修复算法。本文的主要研究内容如下:(1)建立了逆光车牌图像的形成模型,并利用该模型构建了逆光车牌图像数据集。为了研究逆光车牌图像的修复方法,首先研究了逆光车牌图像的形成过程,然后建立了一种逆光车牌图像形成模型,并验证了该模型的有效性。考虑到逆光车牌图像修复网络模型训练数据稀缺的问题,本文利用该形成模型构建了一个大型的逆光车牌图像数据集。(2)基于逆光车牌图像形成模型设计了逆光车牌图像修复方法。方法主要基于生成式对抗网络(Generative Adversarial Networks,GAN)思想构建了深度三叉型逆光车牌图像修复网络模型及其损失函数。基于U-Net模型框架设计了该网络模型的深度三叉型生成网络,在其解码网络部分设计了由光斑信息解码、光斑背景解码、修复解码三个分支解码网络构成的三叉型的解码网络,并利用逆光车牌图像形成模型推导出的由逆光车牌图形到无逆光车牌图像的公式,实现对逆光车牌图像的修复。此外,基于Patch GAN设计了判别网络。实验结果展示出该方法能够较好地修复被光斑遮挡的车牌信息内容。(3)设计了端到端的双层细化修复方法,旨在进一步提高逆光车牌图像的修复效果,从而为实际工程应用增加一个可选模型。该方法设计了双层生成网络,其第一层引入深度三叉型图像修复生成网络,所设计的第二层残差细化生成网络通过学习第一层修复结果与真实车牌图像之间的残差、引入空洞卷积设计了多尺度特征结构,旨在融合多尺度特征来进行细化修复。采用GAN的对抗训练思想对双层生成网络进行端到端训练。(4)对本文所提出的两个逆光车牌图像修复方法进行实验分析。从主观评价、客观评价、效率评估三个角度进行对比实验,实验验证了方法的有效性,并有助于提高车牌识别系统的识别准确率。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头网 ，原文地址：https://m.bishedaima.com/lunwen/46721.html
