6篇关于图像去噪的计算机毕业论文

今天分享的是关于图像去噪的6篇计算机毕业论文范文, 如果你的论文涉及到图像去噪等主题,本文能够帮助到你

基于图像处理的电气控制柜温度监测系统设计

这是一篇关于红外热成像,图像增强,图像去噪,温度监测的论文, 主要内容为工厂生产车间电气控制柜的数量众多,控制柜因内部温度异常会出现停机故障,严重时还会引发火灾等安全事故。因此,有必要对电气控制柜内部温度进行实时监测和有效管理,但传统人工巡检存在操作繁琐、效率低下、发现问题滞后等问题,难以满足工业生产安全、高效、稳定的要求。针对存在的问题,本文设计了一种基于图像处理的电气控制柜温度监测系统,将多个固定式红外热像仪布置在柜体上,每个热像仪对控制柜内部特定区域进行实时无接触测温,将所有热像仪的红外图像传输至上位机,通过图像处理,得到控制柜内部温度分布信息、温度变化趋势以及异常报警等信息。本文工作包括以下几个方面:(1)进行需求分析,确定电气控制柜温度监测系统的总体结构、功能模块及其相互关系。对红外热像仪、交换机等硬件设备进行选型,确立了系统的网络结构及通信方式,完成硬件平台的搭建。(2)基于WGIF图像分解,改进了SSR红外图像增强算法,实现红外热像仪的图像增强,保证图像显示的清晰度和细节。针对红外热像仪受干扰后获取的红外图像成像模糊、对比度低和细节信息缺失,以及单尺度Retinex、HE等传统算法处理时容易出现噪声放大、光晕的问题,改进的算法采用基于局部方差的加权引导滤波,对红外图像进行图像分层与平滑滤波,达到滤除噪声与保护细节边缘信息的效果;采用基于双边滤波的单尺度Retinex算法获取基础层图像的反射分量与光照分量,减少光晕现象的产生。最终将各层图像通过一定的权值进行融合,使融合后的图像拥有更好视觉效果。(3)针对红外热像仪受到干扰后获取的红外图像存在掺杂噪声以及中值滤波、BM3D等传统滤波算法难以滤除混合噪声的问题,提出了一种基于IAWPSMF的非局部均值复合去噪算法。该算法采用加权像素相似度均值(WPSM)作为滤波算法的相似性度量,设计了基于循环迭代的自适应WPSM滤波算法(IAWPSMF)去除高密度椒盐噪声,改进非局部均值滤波算法相似性度量,并与IAWPSMF算法相结合,对高密度混合噪声进行复合去噪。实验结果表明,相比于其它传统滤波算法,本算法具有更优的去噪性能。(4)设计了基于红外图像处理的电气控制柜温度监测的上位机监管系统。上位机通过TCP/IP协议读取多个红外热像仪的图像数据,调用图像处理算法,实时显示控制柜内部的红外图像,给出温度范围,实现超温报警等功能。该系统已在青岛市某工厂试用,在功能性、实用性及安全性方面得到用户的认可,适用于各种控制柜内部温度实时监测,具有很好的推广和应用价值。

基于深度稀疏低秩网络的图像去噪算法研究

这是一篇关于图像去噪,算法展开,深度神经网络,群稀疏编码,低秩,稀疏编码的论文, 主要内容为图像去噪是图像处理中的一个重要研究方向,被广泛地应用于医学诊断、安全监控以及遥感影像等领域。图像去噪算法主要包括基于模型方法和基于深度学习方法。基于模型的去噪方法通过图像先验知识定义图像去噪模型,去噪模型就有准确的数学定义。基于深度学习方法通过深度神经网络直接将噪声图像映射到干净图像,能取得较好的性能提升,但去噪网络的可解释性较差。为了有效集成这两种方法各自优点,本文利用算法展开技术,针对深度稀疏和低秩模型引导的去噪网络开展研究。研究内容主要如下:(1)提出了一种基于深度双层群稀疏编码的图像去噪网络。首先,结合群稀疏编码模型提出了一种双层群稀疏编码模型(Two-Layer Group Sparse Coding,TLGSC),该模型核心思想是对群稀疏系数进一步进行稀疏编码,提升对图像中复杂结构的表示能力。然后,利用算法展开技术将TLGSC模型的迭代优化求解步骤展开成双层群稀疏编码网络(Two-Layer Group Sparse Coding Network,TLGSC-Net)。通过合成噪声实验结果分析,TLGSC-Net去噪后的图像能够保留更多的细节信息,相较于现有基于算法展开的去噪算法具有更好的去噪效果。(2)提出了一种基于深度动态低秩矩阵分解的高光谱图像去噪网络。考虑到高光谱图像的低秩特性以及对图像的结构特征进行有效表示,提出了一种动态低秩矩阵分解模型(Dynamic Low Rank Factorization,DLRF),然后利用算法展开技术将DLRF模型的迭代优化解展开成动态低秩矩阵分解网络(Dynamic Low Rank Factorization Network,DLRF-Net)。此外,采用了权重分配支路为DLRF-Net动态分配权重。通过合成噪声和真实噪声实验结果分析,DLRF-Net相比于高光谱图像去噪对比算法具有一定的去噪优势。(3)提出了一种基于深度低秩稀疏编码的高光谱图像去噪网络。针对基于深度学习的高光谱图像去噪算法缺乏对高光谱图像去噪领域知识的理解,提出了一种低秩稀疏编码模型(Low Rank Sparse Coding,LRSC),然后利用算法展开技术将LRSC模型的迭代优化解展开成低秩稀疏编码网络(Low Rank Sparse Coding Network,LRSC-Net),其中网络推理过程和迭代优化过程相同,网络参数和优化模型参数也具有相同的数学定义,因此网络参数具有可解释性。此外,通过合成噪声和真实噪声实验结果验证分析,LRSC-Net在细节保留和清晰度等方面相较对比算法取得了更好的效果。

基于深度稀疏低秩网络的图像去噪算法研究

基于视皮层结构与群体编码启发的图像去噪算法研究

这是一篇关于图像去噪,卷积神经网络,生物机制,初级视皮层,群体编码的论文, 主要内容为随着工业生产的全面自动化和人工智能技术的飞速进步,图像处理领域正迎来空前的发展机遇。然而,在实际应用中,由于传感器、通讯和存储等因素的影响,图像往往会受噪声的干扰变得失真,影响后续的图像识别,图像分割等任务的正常进行。因此,图像去噪作为数字图像处理的基础问题之一,对于提高图像质量和利用效果具有至关重要的作用。2014年以来,基于深度学习卷积神经网络的研究在图像识别,分割和去噪等领域大放异彩。其中残差结构(Res Net)和跨层连接结构(U-Net)在这些图像处理任务中展现出了广泛的有效性。虽然Res Net能够缓解网络层数较深时的训练问题,而U-Net通过层层提高通道数配合池化获得了很强的多尺度特征提取能力,但单纯增加网络深度与通道数带来的性能提升有上限。另一方面,不同研究者精心设计的网络模块或结构虽然各自展现出有效性,但这些结构堆叠使用使得网络的设计变得越发复杂且缺乏可解释性,使后来者在图像去噪领域越发难以突破。而生物视觉经过上亿年的进化,在忽视噪声并进行图像后续处理方面具有天然的强大能力,同时研究者对于其原理的逐步揭示使其相对于神经网络的黑箱而言更具可解释性。本文从其大脑视皮层的编码方式中得到启发,进行了如下研究工作:第一,本文尝试从生物视觉机制提取有效的框架结构,将初级视皮层的皮层柱结构及其对视觉信息的编码方式整合进卷积神经网络的大框架内。该结构采用群体编码,依据特异选择性将单个像素值转化为多通道信息。通过预处理强制扩充通道数,减少神经网络的特征学习压力,使网络易于捕获自然图像的特征。第二,本文借鉴了方向皮层柱与色调,亮度皮层柱的互动关系。使用机器学习代替方向皮层柱的手动赋值,得到较好的边缘提取效果。而色调皮层柱的群体编码形式在神经元群体兴奋水平升高或降低时仍然能够保留原始信息。进而可以在网络内利用边缘信息约束颜色信息在卷积迭代过程中的传播,使得图像在去噪时能够更好的保留边缘细节与边缘两侧的颜色纯度。第三,经客观量化指标与主观视觉效果的验证,本论文使用的视皮层编码框架有效提升了去噪网络的下限,且边缘信息对颜色信息的抑制机制使本文模型的去噪效果更上层楼,成为最优秀的去噪模型之一。此外本文模型在非训练强度的噪声任务中体现了较强的鲁棒性。

复杂场景下的车辆及行人视觉目标检测方法研究

这是一篇关于人工智能,复杂场景,无人驾驶,图像去噪,目标检测的论文, 主要内容为近些年人工智能技术发展迅猛,目前已经被广泛使用在各行各业之中,交通运输行业作为我国重要行业领域,人工智能技术在其行业内的重要应用即为自动驾驶。其中自动驾驶汽车通过摄像头采集道路信息,并通过目标检测算法识别障碍物,例如车辆和行人,最后根据障碍物信息进行后续的运动决策。但是实际道路状况具有一定的复杂性,影响算法对车辆和行人等目标的识别效率。故针对复杂场景下的车辆行人目标检测精度较低的问题,本文提出了CSP U-Net图像去噪算法以及SGW-YOLO视觉目标检测算法,具体的工作如下:(1)针对复杂场景下的恶劣天气会使摄像机拍摄的视频图像质量降低,造成视频中的目标模糊,影响目标检测算法效率的问题,本文提出了一种集成了通道融合模块与通道注意力机制的CSP U-Net图像去噪算法,并引入了MS-SSIM损失函数,可在显著幅提升网络的去噪性能的同时,更好地应对去噪之后出现的色彩失真的问题。最后在多个数据集上对算法的性能进行验证,证明本文图像去噪算法的优越性。(2)针对目标之间遮挡较多、远距离小目标难识别等问题,提出了一种融合Transformer的多尺度实时目标检测算法SGW-YOLO。首先提出一种SGWin Transformer V2主干网络替换YOLOv5s的原始主干网络;其次引入CBAM模块,使模型可以更关注小目标所在的区域;然后在损失函数部分针对小目标的定位利用SIo U进行优化损失函数,并在每个CSP模块前添加了上下文信息提取模块,增加了模型的上下文信息提取能力。通过消融实验数据指标对比可知所提出的算法整体性能优于其他同类别目标检测算法。(3)结合改进的图像去噪算法以及目标检测算法在真实的复杂场景中进行实验,对比只使用目标检测算法和同时使用去噪和检测两种算法的车辆行人检测效果,验证了图像去噪算法和目标检测算法结合的优势性。综上所述,本文对复杂场景下的车辆行人视觉目标检测中存在的问题进行研究和分析,对遮挡、密集、复杂气候因素给无人驾驶智能检测系统带来的阻碍提出合理的解决方案,对未来的无人驾驶需求具有一定的参考价值。