基于深度学习的水下图像增强研究
这是一篇关于水下图像增强,颜色校正,图像超分辨率,图像去模糊,深度学习的论文, 主要内容为海洋蕴藏着非常丰富的海洋生物以及各种稀缺的矿产和能源资源,探索与开发海洋是目前热门的研究领域之一。水下机器人作为探索和开发海洋的重要设备,主要通过摄像头、声呐等传感器获取水下环境信息,并对水下的目标进行识别与分析。获取清晰的水下图像是水下机器人能稳定、高效工作的关键。然而,水下成像环境十分复杂,光在水中的吸收、散射以及水中悬浮颗粒物对光的折射会导致获得的水下图像存在颜色失真、对比度低和细节模糊等问题,为后续的水下任务的进行造成很大的困难。为了获得高质量的水下图像,本文的主要研究工作如下:(1)针对水下图像存在颜色失真和对比度低的问题,设计了一种基于Att R2U-Net和多残差组的双分支水下图像增强网络。通过Att R2U-Net提取水下图像的特征并对其进行恢复和增强;利用多残差组网络在提取水下图像深层特征的同时,保留原始水下图像的空间细节信息,提出的水下图像增强网络实现了对水下图像的颜色校正和对比度的提升。(2)针对颜色校正和对比度提升后水下图像存在细节模糊的问题,对增强型深度超分辨率(Enhanced Deep Super Resolution,EDSR)网络进行改进。结合Inception的设计思想,设计了残差Inception模块代替EDSR网络中的残差块,可以多尺度的学习图像的特征,增大网络的感受野,提升网络的学习能力;在残差Inception模块之间采用密集连接,可以有效缓解计算复杂度和梯度消失问题;通过并联的不同尺度因子的亚像素卷积层可以减轻网络训练的难度;采用平滑绝对误差损失函数(Smooth1)作为网络的损失函数,实现了对水下图像的超分辨率重建,增强了图像的细节。最后,将原始水下图像依次经过本文设计的水下图像增强网络和改进后的图像超分辨率网络。实验表明,本文的方法不仅可以有效解决水下图像的色彩失真和对比度低的问题,而且还可以增强图像的细节纹理特征,提升水下图像的质量;SIFT特征点检测实验表明经过本文方法增强后水下图像中特征点的数量明显增加,更有利于后续水下任务的进行。
基于深度学习的水下图像增强研究
这是一篇关于水下图像增强,颜色校正,图像超分辨率,图像去模糊,深度学习的论文, 主要内容为海洋蕴藏着非常丰富的海洋生物以及各种稀缺的矿产和能源资源,探索与开发海洋是目前热门的研究领域之一。水下机器人作为探索和开发海洋的重要设备,主要通过摄像头、声呐等传感器获取水下环境信息,并对水下的目标进行识别与分析。获取清晰的水下图像是水下机器人能稳定、高效工作的关键。然而,水下成像环境十分复杂,光在水中的吸收、散射以及水中悬浮颗粒物对光的折射会导致获得的水下图像存在颜色失真、对比度低和细节模糊等问题,为后续的水下任务的进行造成很大的困难。为了获得高质量的水下图像,本文的主要研究工作如下:(1)针对水下图像存在颜色失真和对比度低的问题,设计了一种基于Att R2U-Net和多残差组的双分支水下图像增强网络。通过Att R2U-Net提取水下图像的特征并对其进行恢复和增强;利用多残差组网络在提取水下图像深层特征的同时,保留原始水下图像的空间细节信息,提出的水下图像增强网络实现了对水下图像的颜色校正和对比度的提升。(2)针对颜色校正和对比度提升后水下图像存在细节模糊的问题,对增强型深度超分辨率(Enhanced Deep Super Resolution,EDSR)网络进行改进。结合Inception的设计思想,设计了残差Inception模块代替EDSR网络中的残差块,可以多尺度的学习图像的特征,增大网络的感受野,提升网络的学习能力;在残差Inception模块之间采用密集连接,可以有效缓解计算复杂度和梯度消失问题;通过并联的不同尺度因子的亚像素卷积层可以减轻网络训练的难度;采用平滑绝对误差损失函数(Smooth1)作为网络的损失函数,实现了对水下图像的超分辨率重建,增强了图像的细节。最后,将原始水下图像依次经过本文设计的水下图像增强网络和改进后的图像超分辨率网络。实验表明,本文的方法不仅可以有效解决水下图像的色彩失真和对比度低的问题,而且还可以增强图像的细节纹理特征,提升水下图像的质量;SIFT特征点检测实验表明经过本文方法增强后水下图像中特征点的数量明显增加,更有利于后续水下任务的进行。
基于机器视觉的观靶器系统设计与实现
这是一篇关于观靶器,机器视觉,图像超分辨率,靶面定位,弹孔识的论文, 主要内容为射击作为基本军事训练项目,是评判士兵是否合格的一项重要指标。军事射击训练过程中利用人工进行环数读取,而人工读靶存在漏报、安全性低、误报等缺陷。为克服人工读靶的缺陷,本文设计了基于机器视觉的观靶器系统,完成从靶面图像获取到环数输出的多环节研究,本文的重点工作主要包括:(1)针对相机采集靶面图像时,受环境和相机自身参数的影响,采集的图像中靶面信息模糊问题,提出基于CycleGAN的超分辨重建网络。重建网络选用残差网络作为基础架构,为提升网络特征提取能力,在残差网络中引入注意力机制。实验结果表明,该网络恢复了靶面图像的细节信息,达到提高图像清晰度的目的。(2)针对采集的靶面图像中含有大量非靶面信息问题,提出基于改进U-net的靶面提取方法。首先,为提高网络特征提取能力,在U-net的U型结构底层中引入残差模块。其次,为减少网络计算量,将编码器第四组中2个普通卷积及其对应解码器位置2个普通卷积同时换成深度可分离卷积。最后,为获得特征图的多尺度信息,在U-net网络底部引入空洞空间金字塔池化结构。针对提取出的靶面图像存在几何畸变问题,提出基于模板匹配的修正方法。实验结果表明,本文方法能获取没有复杂背景信息、完整且没有畸变的靶面图像。(3)针对弹孔识别过程中,由于弹孔小而不易识别问题,提出通道融合孪生网络和基于该网络的弹孔变化检测算法。首先,通道融合孪生网络能建立其两个分支的特征图在通道上的联系,并自适应的为每个特征图通道分配不同权重,提高网络对射击前后图像间变化与未变化特征的学习能力。其次,将多个通道融合孪生网络嵌入弹孔变化检测网络,自动生成射击前后图像间的差异图,并输出差异区域的质心坐标。针对环区标定时,靶线识别不准确,环值标记错误问题,提出基于封闭区域面积的环区标定算法,获取靶面环值矩阵。最终将差异区域的质心坐标与环值矩阵结合,进行环值判定。实验结果表明,本文算法能精准获取靶面弹孔位置,并生成准确的靶面环值矩阵,实现弹孔环数读取。(4)根据观靶器的工作流程,设计了观靶器系统,总体设计方案如下:首先,根据射击环境对图像采集模块的硬件进行选型,并设计成像系统的支撑结构。其次,根据靶面图像处理等过程配置系统开发环境,并设计观靶器系统的人机交互界面。最终,实现射击成绩的实时读取和记录。本文设计的观靶器系统,可以实现射击读靶过程的全自动化。
基于生成对抗网络的图像超分辨率重建算法研究
这是一篇关于DenseNet,批归一化,Earth-Mover,图像超分辨率,生成对抗网络的论文, 主要内容为图像超分辨率SR(Image Super-Resolution)算法可通过低分辨率图像重建出高分辨率图像,而基于深度学习的方法相比于传统方法,在重建效果上有巨大的提升。随着深度学习的快速发展,许多神经网络结构相继出现,而生成对抗网络GAN(Generative Adversarial Network)出现后,即开始应用于图像生成方向。本文分析了以往基于生成对抗网络的图像超分辨率重建方法的一些缺点,进行了改进。主要工作研究内容如下:(1)研究并介绍了深度学习的相关理论,对不同类别的图像超分辨率的经典算法进行探究,分析了其原理,并阐述了生成对抗网络的相关知识及其在超分辨率领域的经典应用SRGAN(Super-Resolution Using GAN)。(2)为了解决SRGAN中基于残差结构Res Net的生成网络不能很好的利用低维特征以及其参数量较大的问题,提出了一种基于Dense Net密集连接结构的GAN网络。首先生成网络由4个密连接模块构成,每个模块有4个密连接层,其有很强的特征复用能力,可以将低层次的特征很好的利用起来,且在参数量上也较少;其次在上采样过程引入了基于学习方式的子像素卷积替代以往Dense Net结构中常用的反卷积以求更好的重建效果;随后设计了基于Smooth L1的内容损失函数,通过Smooth L1函数来计算VGG网络提取到的特征图损失。模型在SET5、SET14和BSD100测试集上的PSNR和SSIM值相比与SRGAN均有提升。(3)为了解决BN(Batch Normalization)层在超分辨率中效果较差的问题和密集连接GAN网络中训练不稳定的问题,首先在生成网络中移除了冗余的BN层,并分析了GAN网络中存在的问题和基于Earth-Mover距离的WGAN,随后将Earth-Mover距离引入判别损失的设计中。其次,提出了一种优化型的密集连接GAN网络,该模型不仅能更好的通过观察判别损失来监测训练的进程,重建图像在SET5、SET14和BSD100测试集上的PSNR和SSIM值也优于优化前模型。在采用了Pytorch深度学习框架以及GPU并行加速的实验环境中,将本文模型与以往的经典算法对比。通过图像评价指标PSNR和SSIM进行评估。分析了各模型在SET5,SET14,BSD100三个测试集上的结果。最后优化的模型相比于SRGAN在三个测试集上的PSNR分别提高了0.375d B,0.269d B,0.196d B;SSIM分别提高了0.028,0.020,0.015。本文模型在图像重建速度上也优于SRGAN,证明了本文设计模型的可行性和有效性。
基于对抗学习的图像超分辨率重构算法研究
这是一篇关于图像超分辨率,生成对抗网络,自编码器,盲超分辨率的论文, 主要内容为图像超分辨率重构是一种将低分辨率图像按照特定的放大倍数转化为高分辨率图像的技术,由于其可以恢复出退化图像中真实细节信息,被广泛应用于卫星遥感、视频监控、医疗影像等诸多领域,同时也可作为场景分割、图像分类与检测等高级计算机视觉任务的研究基础。但是在当前的研究中,大多数图像超分辨率算法仍存在细节模糊、虚假伪影以及并不适用于真实场景中的复杂退化图像等缺陷。针对以上问题,本文在通过广泛调研现有图像超分辨率重构算法的基础上,采用了基于对抗学习的技术,对经典超分辨率和盲超分辨率算法进行了研究,以提升超分辨率重构图像的视觉质量。本文主要的研究工作如下:在经典的图像超分辨率任务中,针对目前基于生成对抗网络的重构模型在输出的超分辨率图像中仍存在细节模糊和不良伪影等问题,研究了一种基于区域对抗学习和反投影的图像超分辨率重构算法,对图像中的平滑区域和纹理细节区域进行区分,针对图像中纹理丰富的区域使用对抗学习的方式进行修复,而对于平滑区域则只使用生成器进行重构,通过这种方式缓解了重构模型产生的不良伪影的问题。为了进一步提升模型的重建效果,本文基于通道注意力机制优化了生成器和鉴别器的网络结构,使网络聚焦于信息量更丰富的特征,并利用反投影约束优化训练过程的损失函数,进一步恢复了重构图像中的真实细节。最后本文通过在多个基准图像数据集上进行了超分辨率实验,验证了算法的有效性。针对目前大多数超分辨率算法并不适用于真实场景中退化过程更为复杂的低分辨率图像的问题,为了提升图像超分辨率重构算法在更多真实场景下的应用,研究了一种基于隐式建模的图像盲超分辨率重构算法。首先为了克服隐式建模方法中先验信息不足的问题,本文设计了基于VQVAE的图像先验信息学习模型,在训练过程中不断提取原始高清图像丰富的细节特征作为离散码本中的特征向量,接着训练解码器重构原始高清图像,由此获得的离散码本作为盲超分辨率重构模型的先验信息;其次为了更加有效地提取真实退化图像中的特征信息,本文使用了性能更加强大的编码器结构,同时借助离散码本中的有效先验特征进行共享查询,再输入到已训练的解码器中和U-Net判决器中进行对抗学习,实现真实场景中退化图像的超分辨率重构。最后在多个基准数据集和真实场景的数据集中进行大量实验,证明了本方法可以提升真实场景中退化图像的超分辨率重构效果。
基于机器视觉的观靶器系统设计与实现
这是一篇关于观靶器,机器视觉,图像超分辨率,靶面定位,弹孔识的论文, 主要内容为射击作为基本军事训练项目,是评判士兵是否合格的一项重要指标。军事射击训练过程中利用人工进行环数读取,而人工读靶存在漏报、安全性低、误报等缺陷。为克服人工读靶的缺陷,本文设计了基于机器视觉的观靶器系统,完成从靶面图像获取到环数输出的多环节研究,本文的重点工作主要包括:(1)针对相机采集靶面图像时,受环境和相机自身参数的影响,采集的图像中靶面信息模糊问题,提出基于CycleGAN的超分辨重建网络。重建网络选用残差网络作为基础架构,为提升网络特征提取能力,在残差网络中引入注意力机制。实验结果表明,该网络恢复了靶面图像的细节信息,达到提高图像清晰度的目的。(2)针对采集的靶面图像中含有大量非靶面信息问题,提出基于改进U-net的靶面提取方法。首先,为提高网络特征提取能力,在U-net的U型结构底层中引入残差模块。其次,为减少网络计算量,将编码器第四组中2个普通卷积及其对应解码器位置2个普通卷积同时换成深度可分离卷积。最后,为获得特征图的多尺度信息,在U-net网络底部引入空洞空间金字塔池化结构。针对提取出的靶面图像存在几何畸变问题,提出基于模板匹配的修正方法。实验结果表明,本文方法能获取没有复杂背景信息、完整且没有畸变的靶面图像。(3)针对弹孔识别过程中,由于弹孔小而不易识别问题,提出通道融合孪生网络和基于该网络的弹孔变化检测算法。首先,通道融合孪生网络能建立其两个分支的特征图在通道上的联系,并自适应的为每个特征图通道分配不同权重,提高网络对射击前后图像间变化与未变化特征的学习能力。其次,将多个通道融合孪生网络嵌入弹孔变化检测网络,自动生成射击前后图像间的差异图,并输出差异区域的质心坐标。针对环区标定时,靶线识别不准确,环值标记错误问题,提出基于封闭区域面积的环区标定算法,获取靶面环值矩阵。最终将差异区域的质心坐标与环值矩阵结合,进行环值判定。实验结果表明,本文算法能精准获取靶面弹孔位置,并生成准确的靶面环值矩阵,实现弹孔环数读取。(4)根据观靶器的工作流程,设计了观靶器系统,总体设计方案如下:首先,根据射击环境对图像采集模块的硬件进行选型,并设计成像系统的支撑结构。其次,根据靶面图像处理等过程配置系统开发环境,并设计观靶器系统的人机交互界面。最终,实现射击成绩的实时读取和记录。本文设计的观靶器系统,可以实现射击读靶过程的全自动化。
基于深度学习的水下图像增强研究
这是一篇关于水下图像增强,颜色校正,图像超分辨率,图像去模糊,深度学习的论文, 主要内容为海洋蕴藏着非常丰富的海洋生物以及各种稀缺的矿产和能源资源,探索与开发海洋是目前热门的研究领域之一。水下机器人作为探索和开发海洋的重要设备,主要通过摄像头、声呐等传感器获取水下环境信息,并对水下的目标进行识别与分析。获取清晰的水下图像是水下机器人能稳定、高效工作的关键。然而,水下成像环境十分复杂,光在水中的吸收、散射以及水中悬浮颗粒物对光的折射会导致获得的水下图像存在颜色失真、对比度低和细节模糊等问题,为后续的水下任务的进行造成很大的困难。为了获得高质量的水下图像,本文的主要研究工作如下:(1)针对水下图像存在颜色失真和对比度低的问题,设计了一种基于Att R2U-Net和多残差组的双分支水下图像增强网络。通过Att R2U-Net提取水下图像的特征并对其进行恢复和增强;利用多残差组网络在提取水下图像深层特征的同时,保留原始水下图像的空间细节信息,提出的水下图像增强网络实现了对水下图像的颜色校正和对比度的提升。(2)针对颜色校正和对比度提升后水下图像存在细节模糊的问题,对增强型深度超分辨率(Enhanced Deep Super Resolution,EDSR)网络进行改进。结合Inception的设计思想,设计了残差Inception模块代替EDSR网络中的残差块,可以多尺度的学习图像的特征,增大网络的感受野,提升网络的学习能力;在残差Inception模块之间采用密集连接,可以有效缓解计算复杂度和梯度消失问题;通过并联的不同尺度因子的亚像素卷积层可以减轻网络训练的难度;采用平滑绝对误差损失函数(Smooth1)作为网络的损失函数,实现了对水下图像的超分辨率重建,增强了图像的细节。最后,将原始水下图像依次经过本文设计的水下图像增强网络和改进后的图像超分辨率网络。实验表明,本文的方法不仅可以有效解决水下图像的色彩失真和对比度低的问题,而且还可以增强图像的细节纹理特征,提升水下图像的质量;SIFT特征点检测实验表明经过本文方法增强后水下图像中特征点的数量明显增加,更有利于后续水下任务的进行。
基于深度学习的图像去噪与超分辨率重建算法研究
这是一篇关于图像去噪,图像超分辨率,卷积神经网络,残差学习,GAN网络的论文, 主要内容为近年来,随着计算机视觉和深度学习技术的飞速发展,数字图像在线处理和信息识别技术以高质量的输入图像为前提,被广泛应用于科研、军工、医学、智慧城市等应用领域。然而图像在采集、处理、传输等过程中,受环境、成像设备、人为等等因素的影响,图像难免会被不同程度的噪声所污损并且以较低分辨率的形式存在。图像去噪和图像超分辨率重建作为数字图像恢复研究领域中经典且热门的底层视觉研究课题,其不仅能够改善图像的视觉感知质量,同时也可以提高后续高层语义分析的精确度。目前,相较于传统方法,使用深度学习下的方法所重建出来的图像质量更高,视觉效果更好。因此,本文对基于深度学习的图像恢复算法开展研究,主要研究如何使用深度学习方法建立更高效的算法模型来解决图像去噪和图像超分辨率重建两个问题。本文的主要研究成果如下:(1)提出了基于改进U-Net神经网络的图像去噪模型。针对目前现有的图像去噪算法在去除图像噪声时,处理后得到的图像较为模糊且图像的边缘纹理过于光滑缺乏真实性的问题,本文基于U-Net网络结构提出了一种改进后的图像去噪算法,它由去噪模块以及边缘信息提取模块组成。首先将U-Net++中的跳跃连接应用到原始的U型去噪子网中,密集连接的U型去噪网络可以减少编码器与解码器特征映射之间的语义差距,还原出更清晰的图像。其次,基于VGG-16网络结构的边缘信息提取模块对去噪网络处理后的图像进行特征提取,同时反向优化U型去噪模块以还原出更真实的图像。实验表明,在常见的数据集以及跨类型医学数据集上测试本文所提出的算法,在图像的客观评价指标上均优于目前具有代表性的去噪算法,同时图像的边缘细节和纹理特征更清晰,更真实,视觉效果上更好。(2)提出了基于改进生成对抗网络的图像超分辨率重建模型。针对现存的图像超分辨率重建算法普遍存在网络训练困难、生成图像不清晰以及生成的图像视觉效果较差等一系列问题,在生成对抗网络超分辨率算法(SRGAN)网络模型的基础上提出了一种改进后的图像超分辨率重建算法。首先,在生成网络结构中使用密集连接的残差块代替原SRGAN网络中的残差块,同时移除批量归一化层降低计算复杂度。其次,使用VGG-19网络作为判别网络的基础架构,采取平均池化代替原本的全连接层以防止过拟合。损失函数方面,引入感知损失函数,对抗损失函数和内容损失函数共同构成生成器的总目标函数共同优化模型。改进后的算法采用Charbonnier损失作为内容损失函数评估所生成的图像与真实图像之间的相似性并使用WGAN-GP理论来优化模型的对抗损失加速收敛。实验结果表明使用改进后的算法生成的图像更加清晰,纹理细节更真实更丰富,可以更好地合成图像,提高重建后图像的整体视觉效果。综上所述,本文使用深度学习下的方法对图像恢复任务展开应用研究,设计了改进后的图像去噪及超分辨率重建算法,实验表明使用本文所提出的方法在图像去噪和图像超分辨率重建上任务上均表现出更好的视觉效果。
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：代码导航 ，原文地址：https://m.bishedaima.com/lunwen/48712.html
