复杂光照环境下图像增强算法研究
这是一篇关于复杂光照环境,图像增强,Retinex,卷积神经网络的论文, 主要内容为图像在采集过程中,会受到天气、光照强度、光源方向等多种复杂因素的干扰,导致图像出现对比度差、亮度过低或过高、细节丢失、色彩失真、含有大量噪声等问题,影响对图像中信息的有效获取。因此,研究复杂光照环境下的图像增强算法具有十分重要的意义。根据不同的应用需求,论文分别提出了一种基于多尺度梯度域引导滤波的自适应Retinex图像增强算法和一种基于注意力机制与U-Net++网络的图像增强算法。具体研究内容如下:针对经典Retinex图像增强算法在提升亮度和对比度的同时,往往会导致细节丢失、光晕伪影出现、噪声放大及色彩失真等问题,论文对现有的Retinex增强算法进行了改进,提出了一种基于多尺度梯度域引导滤波的自适应Retinex图像增强算法。首先,设计了一种自适应伽马校正函数,能够在提升暗区域亮度的同时,有效抑制亮区域过增强,从而避免了亮区域细节丢失的问题;其次,采用多尺度梯度域引导滤波作为中心环绕函数,由于其具备各向异性的特点,从而能够准确估计光照分量,有效避免光晕伪影,同时保留边缘细节;然后,分别采用梯度域引导滤波和多尺度细节提升对反射分量进行处理,从而避免增强过程中的噪声放大问题并充分保留了纹理细节;最后,通过增强后的亮度图像计算亮度增益矩阵,实现对RGB图像逐像素的颜色恢复,从而有效避免色彩失真。实验结果表明,从主客观角度与现有算法对比,经该算法处理后图像亮度和对比度提高比例适中,噪声有效去除,细节保留完整,色彩更加自然、生动,视觉感官效果更佳,同时执行效率较高。针对Retinex及其改进的图像增强算法对极端光照环境下图像增强效果有限,易出现细节模糊、色彩不饱和、噪声抑制能力不佳及过增强等问题,论文提出了一种基于注意力机制与U-Net++网络的图像增强算法。首先,采用具有全方位学习特征能力的U-Net++构建图像分解网络,准确分解出图像的精细特征,从而有效避免分解过程中的细节模糊问题;其次,联合注意力机制和具有去噪能力的U-Net设计反射分量精细化恢复网络,使网络在去噪过程中重点关注纹理等有利信息,从而有效抑制噪声,恢复反射分量的纹理细节,并在此基础上引入色彩饱和度损失函数,使反射分量尽可能保留原有色彩;最后,引入自适应亮度调节比例图,并结合特征复用和相对位置的思想,重复使用相同大小的卷积核构建光照分量调节网络,从而有效避免过增强问题,保持图像细节信息。实验结果表明,在多种数据集上与主流算法相比,该算法主客观评价综合最优,对多种极端光照环境下图像均能产生较佳的增强效果,细节清晰,色彩真实自然,同时能够有效抑制噪声和过增强。
基于线阵视觉的公路路面裂缝检测技术研究
这是一篇关于路面裂缝检测,通道语义,角度预测,图像增强,Retinex的论文, 主要内容为我国公路建设的快速发展使得路面养护的重要性日益凸显,路面裂缝是大多数公路病害最早期、最常见的表现形式,及时检测出这些裂缝并进行处理和修复可以大幅度降低交通隐患、减少路面管理成本。目前,对其检测主要采用人工巡检、传统图像处理等方法。其中,人工视检可靠性高,但是效率低,而基于传统图像处理的检测方法虽然在一定程度上提高了检测效率,但是容易受到外界环境的干扰而造成一定的误识别问题。近年来随着深度学习为代表的智能技术的发展,一些经典网络已经较好的应用在复杂背景下的目标检测,但是也存在检测精度和效率不可兼得的问题。因此,本文针对上述问题,开展了基于线阵视觉的路面图像质量改善和裂缝检测技术的研究,主要工作包括如下几个方面。首先,针对车载线阵视觉的路面图像采集中易受外界环境光照条件、车辆高速运动中的抖动等因素造成的图像明暗不均匀、运动伪影等问题,设计了基于Retinex理论的图像增强网络—Enhance Net,来优化图像质量。在该网络中,图像分解与特征提取模块将原始图像分解为光照分量和反射分量,通过高斯金字塔对光照分量进行多尺度处理;图像增强模块对光照分量进行跨尺度特征融合,使用BM3D算法对反射图进行去噪并自适应地调整输出像素值,有效解决了传统图像增强算法需要人工调参、鲁棒性差以及基于深度学习的图像增强网络不能很好地兼顾图像细节与亮度的问题。经国外公开数据集和自采数据集的实验结果分析,所设计的Enhance Net在SSIM和PSNR这两个评价指标上均有50%-100%的提高,图像增强效果有较好的改善。其次,针对裂缝检测精度和效率不可兼得的问题,本文提出了基于YOLO V4-tiny优化的路面裂缝检测网络。该网络在YOLO v4-tiny的基础上引入通道语义提取模块,使用分组卷积代替标准卷积以减少网络参数和计算量,一定程度上提高了裂缝检测的精度和效率;在该网络的检测头中增加角度信息预测,使用旋转框对裂缝进行检测,采用角度分类代替角度回归,有效解决水平框不能准确地反应出裂缝形状信息、检测框中裂缝像素占比较小的问题,进一步提升了裂缝检测的精度。经国外公开数据集和自采数据集的实验结果分析,优化后的网络在多个评价指标上相较于YOLO v4-tiny网络均有10%-50%左右的提升,证明本文提出的优化方法可以有效提高裂缝检测的精度和效率。
基于多视UAV图像的三维场景构建关键技术研究
这是一篇关于三维重建,多视无人机序列图像,Retinex,匹配对提取,深度估计的论文, 主要内容为多视图像三维重建作为一种精细还原现实场景的技术,在日常生活和生产工作中有着广泛的应用。无人机技术的迅猛发展,高精度且多视角的无人机序列图像获取变得更加方便快捷,为实现大尺度、广范围场景的高精度三维重建提供了强有力的数据支持。基于此,本文围绕多视无人机序列图像的三维重建关键技术展开研究,主要工作内容如下:(1)提出了一种针对多视无人机序列图像的基于引导滤波与自适应伽马校正的视网膜-皮层理论图像增强算法(Retinex Based on Guided Filtering and Adaptive Gamma Correction,Retinex-GAG)。由于传感器自身的限制以及外界成像条件的限制,无人机图像往往存在辐射降质现象,如亮度失真、阴影遮蔽、颜色凌乱等,给特征点提取和匹配带来不确定性,进而影响三维重建的质量。为解决这一问题,在基于亮度知觉的视网膜-皮层理论(Retina-Cortex Theory of Lightness Perception,Retinex)的低光照图像增强网络(Low-light Image Enhancement Network Based on Retinex,Retinex Net)的基础上,引入引导滤波在对图像进行平滑去噪的同时保留边缘和细节信息。同时,伽马亮度自适应校正方法被引入以缓解过度增强导致的图像失真现象。另外,为防止过拟合,Retinex-GAG还在整个网络的损失函数中加入了L1正则化操作。在NPU Drone Map数据集和Epfl Quartier Nord数据集上进行对比实验,实验结果表明,与单尺度Retinex图像增强算法(Singal Scale Retinex,SSR)、多尺度加权平均的Retinex(Multi-Scale Retinex,MSR)算法、基于颜色恢复的多尺度Retinex图像增强(Multi-Scale Retinex with Color Restoration,MSRCR)算法、Retinex Net这四种算法相比,Retinex-GAG表现出了更好的图像增强效果,并在Blended MVS数据集验证了网络的泛化能力。(2)针对多视无人机序列图像数据集中存在大量冗余匹配对的问题,设计了强化图像拓扑连接(Enhanced Image Topological Connections,Enhanced-ITC)来提取关键匹配对。首先,通过空间关系约束算法对图像匹配对进行初步筛选;然后,基于重叠面积表示匹配对的重要性建立初始拓扑连接,并利用最大生成树算法对其简化;接着,沿航向垂直方向扩展拓扑连接,得到增强的拓扑连接。在NPU Drone Map数据集和Epfl Quartier Nord数据集的实验结果,证明了所提方法能够高效地处理冗余匹配对,不仅有效地减轻了网络计算负担,还保证了三维重建的精度和效率。此外,在Colmap的两个测试图像集上对Enhanced-ITC的泛化能力进行了验证。(3)提出了一种基于动态多尺度特征和内容感知聚合的深度估计网络(Dynamic Multi-scale Features and Content-aware Aggregation,DLC-RMVSNet)。该网络采用动态多尺度特征提取、轻量级代价体、内容感知的代价体聚合模块和循环卷积混合网络(Recurrent Convolutional Hybrid Networks,RNN-CNN)来提高网络的精度和运行效率,并在NPU Drone Map数据集和Epfl Quartier Nord数据集上进行了测试。结果表明,DLC-RMVSNet在典型的场景下均能得到良好的三维重建结果。在重建、完整度、显存占用、三维重建点数和运行时间等方面均优于传统的多视角立体网络(Multi-View Stereo Network,MVSNet)。此外,在Pix4D的两个测试图像集上对DLC-RMVSNet网络的泛化能力进行了验证。
基于线阵视觉的公路路面裂缝检测技术研究
这是一篇关于路面裂缝检测,通道语义,角度预测,图像增强,Retinex的论文, 主要内容为我国公路建设的快速发展使得路面养护的重要性日益凸显,路面裂缝是大多数公路病害最早期、最常见的表现形式,及时检测出这些裂缝并进行处理和修复可以大幅度降低交通隐患、减少路面管理成本。目前,对其检测主要采用人工巡检、传统图像处理等方法。其中,人工视检可靠性高,但是效率低,而基于传统图像处理的检测方法虽然在一定程度上提高了检测效率,但是容易受到外界环境的干扰而造成一定的误识别问题。近年来随着深度学习为代表的智能技术的发展,一些经典网络已经较好的应用在复杂背景下的目标检测,但是也存在检测精度和效率不可兼得的问题。因此,本文针对上述问题,开展了基于线阵视觉的路面图像质量改善和裂缝检测技术的研究,主要工作包括如下几个方面。首先,针对车载线阵视觉的路面图像采集中易受外界环境光照条件、车辆高速运动中的抖动等因素造成的图像明暗不均匀、运动伪影等问题,设计了基于Retinex理论的图像增强网络—Enhance Net,来优化图像质量。在该网络中,图像分解与特征提取模块将原始图像分解为光照分量和反射分量,通过高斯金字塔对光照分量进行多尺度处理;图像增强模块对光照分量进行跨尺度特征融合,使用BM3D算法对反射图进行去噪并自适应地调整输出像素值,有效解决了传统图像增强算法需要人工调参、鲁棒性差以及基于深度学习的图像增强网络不能很好地兼顾图像细节与亮度的问题。经国外公开数据集和自采数据集的实验结果分析,所设计的Enhance Net在SSIM和PSNR这两个评价指标上均有50%-100%的提高,图像增强效果有较好的改善。其次,针对裂缝检测精度和效率不可兼得的问题,本文提出了基于YOLO V4-tiny优化的路面裂缝检测网络。该网络在YOLO v4-tiny的基础上引入通道语义提取模块,使用分组卷积代替标准卷积以减少网络参数和计算量,一定程度上提高了裂缝检测的精度和效率;在该网络的检测头中增加角度信息预测,使用旋转框对裂缝进行检测,采用角度分类代替角度回归,有效解决水平框不能准确地反应出裂缝形状信息、检测框中裂缝像素占比较小的问题,进一步提升了裂缝检测的精度。经国外公开数据集和自采数据集的实验结果分析,优化后的网络在多个评价指标上相较于YOLO v4-tiny网络均有10%-50%左右的提升,证明本文提出的优化方法可以有效提高裂缝检测的精度和效率。
基于Retinex和相机响应机制的煤矿井下低照度图像增强
这是一篇关于矿井图像,图像增强,Retinex,坐标注意力机制,相机响应模型的论文, 主要内容为在智慧矿山建设的背景下,以无人化、智能化为特点的智能煤炭开采技术逐渐走向实践。煤矿井下复杂的环境因素,导致采集到的图像存在照度低和噪声大等问题,使得以图像处理为核心的智能检测和智能感知技术的推广应用受到阻碍。针对上述问题,开展了井下低照度图像的亮度提升、噪声抑制、颜色恢复等增强技术研究。提出了一种改进深度Retinex和相机响应融合的煤矿井下低照度图像增强算法。首先针对Retinex-Net存在的高噪声、颜色失真和模糊细节问题,提出了具有分解、去噪和恢复增强效果的改进深度Retinex-Net算法,通过消融实验和经典数据集上的对比实验检验了方法的有效性后,采用该算法对原始图像进行处理,得到初始增强图像;然后,利用相机响应机制模拟曝光过程,找到最佳曝光率生成虚拟增强图像;最后,使用多尺度图像融合将初始增强图像和虚拟增强图像重建融合,得到最终的增强图像。在LOL数据集上进行了对比实验,结果表明,文中方法在PSNR、SSIM、UQI和FSIM指标上比Retinex-Net算法分别提升了20.5%、5.1%、2.4%及12.5%。从山西天地王坡煤矿和中国神华保德煤矿采集的不同场景的井下低照度图像,采用提出的算法对所采集的图像进行增强,通过与MSRCR、LIME、SRIE、Retinex-Net、R2RNet和RRDNet等6个算法的增强效果进行对比分析,在信息熵、对比度增强图像评估和自然图像质量评估三个指标上,所提算法均取得了不错的表现,定性和直方图分析结果表明,该算法能有效抑制图像中的光晕、伪影和噪声,改善图像质量,以满足基于井下图像处理的智能检测和智能感知技术对于图像质量的要求。该论文有图30幅,表10个,参考文献74篇。
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 ，原文地址：https://m.bishedaima.com/lunwen/54369.html
