针对傅里叶叠层显微成像过程中,捕获图像受噪声影响导致重建图像质量下降的问题,提出一种基于注意力机制和并联残差的傅里叶叠层显微图像去噪网络(attention mechanisms and parallel residual denoising networks,AMCPN),该网络将通道...针对傅里叶叠层显微成像过程中,捕获图像受噪声影响导致重建图像质量下降的问题,提出一种基于注意力机制和并联残差的傅里叶叠层显微图像去噪网络(attention mechanisms and parallel residual denoising networks,AMCPN),该网络将通道和空间注意力机制进行串行处理,融合不同通道和空间的特征信息,减小噪声影响并提高去噪网络的鲁棒性。设计了一种并联残差块结构,通过两条并联支路分别对输入进行特征提取,充分挖掘有用特征,增加了每条支路最后一层通道数,提高网络对图像细节信息的保留能力。实验结果表明,在不同强度噪声下,该网络与重建算法结合后重建图像质量的峰值信噪比(peak signal to noise ratio,PSNR)和结构相似度(structure similarity,SSIM)值分别提高了2.87 dB和0.0886以上,能够有效去除图像噪声,提高重建图像质量,保证了重建图像的高空间分辨率和清晰度。展开更多
航空光电装备平面光学窗口在确定构型尺寸和组合形式后,窗口厚度对装备成像性能影响至为关键。从设计变量、组合形式、作用载荷3个方面对窗口设计问题进行分析,确定了基于结构刚性和RMS(root mean square)波前误差的平面窗口厚度设计目...航空光电装备平面光学窗口在确定构型尺寸和组合形式后,窗口厚度对装备成像性能影响至为关键。从设计变量、组合形式、作用载荷3个方面对窗口设计问题进行分析,确定了基于结构刚性和RMS(root mean square)波前误差的平面窗口厚度设计目标;从光学窗口一阶结构谐振频率及其在温度和压力载荷作用下的RMS波前误差量化求解出窗口厚度尺寸范围11.9 mm~18.4 mm;提出针对光学窗口组合工况性能计算的集成分析流程,计算得到光学窗口一阶谐振频率为151 Hz,在飞行工作时各向组合工况-流场/重力/振动作用下光学窗口RMS波前误差不大于1/10参考波长。实验测试结果表明:光学窗口RMS波前误差小于0.07参考波长,实物样机振动和飞行条件下成像清晰、稳定,证明窗口厚度尺寸设计分析方法正确有效。展开更多
目标跟踪作为图像处理领域的重要组成部分,广泛应用于智能视频监控、军事侦察等领域。但在面对物体形变以及遮挡等复杂应用场景时,相关滤波算法由于缺乏目标和背景判别区分以及遮挡状态判断等策略,存在跟错目标、缓慢漂移到背景等现象,...目标跟踪作为图像处理领域的重要组成部分,广泛应用于智能视频监控、军事侦察等领域。但在面对物体形变以及遮挡等复杂应用场景时,相关滤波算法由于缺乏目标和背景判别区分以及遮挡状态判断等策略,存在跟错目标、缓慢漂移到背景等现象,在遮挡后目标重新出现时,缺乏重检测机制,这些问题导致了跟踪性能在实际工程中大幅下降。针对以上问题进行改进设计,首先在跟踪过程中,使用网络优化器更新多层深度特征提取网络,优化损失函数提高目标与背景的判别能力;其次,采用多重检测抗遮挡优化机制,确定跟踪器状态更新机制;最后,基于深度学习进行检测跟踪识别一体化设计,实现跟踪前典型目标的自动捕获,目标受遮挡后重新出现时实现对典型目标的重新捕获定位。在实验分析中,分别从跟踪精度、可视化定量损失以及算法速度等方面进行了性能验证。实测数据显示,本文采用的方法在以上方面性能表现良好,优于改进前的ECO(efficientconvolution operators for tracking)算法。展开更多
针对隧道内不均匀光线引起的无人驾驶汽车视觉感知难题,提出采用主动式红外与可见光相融合的增强方法。通过补充图像纹理和细节信息,改善隧道内光线波动对无人驾驶的影响。首先,利用导向滤波对图像进行去噪处理,并通过对比度受限的自适...针对隧道内不均匀光线引起的无人驾驶汽车视觉感知难题,提出采用主动式红外与可见光相融合的增强方法。通过补充图像纹理和细节信息,改善隧道内光线波动对无人驾驶的影响。首先,利用导向滤波对图像进行去噪处理,并通过对比度受限的自适应直方图均衡化对不同照度下的视觉信息进行增强;其次,对增强后的红外与可见光图像利用非下采样轮廓波方法进行分解,将区域能量自适应加权平均和卷积稀疏表示的融合规则分别应用于低频基础和细节部分,对高频细节分量应用显著性融合规则;最后进行重构得到融合图像。实验结果表明:基于卷积稀CSR-RE算法(convolutional sparse representation and region energy adaptive Weighting)对比DLF(deep learning framework)算法平均时间减少了0.05 s,相较于基于稀疏表示的融合方法MI(mutual information)值提升了1.5,SF(spatial frequency)值最高提升了0.51,整体性能优于其他算法。展开更多
文摘针对傅里叶叠层显微成像过程中,捕获图像受噪声影响导致重建图像质量下降的问题,提出一种基于注意力机制和并联残差的傅里叶叠层显微图像去噪网络(attention mechanisms and parallel residual denoising networks,AMCPN),该网络将通道和空间注意力机制进行串行处理,融合不同通道和空间的特征信息,减小噪声影响并提高去噪网络的鲁棒性。设计了一种并联残差块结构,通过两条并联支路分别对输入进行特征提取,充分挖掘有用特征,增加了每条支路最后一层通道数,提高网络对图像细节信息的保留能力。实验结果表明,在不同强度噪声下,该网络与重建算法结合后重建图像质量的峰值信噪比(peak signal to noise ratio,PSNR)和结构相似度(structure similarity,SSIM)值分别提高了2.87 dB和0.0886以上,能够有效去除图像噪声,提高重建图像质量,保证了重建图像的高空间分辨率和清晰度。
文摘目标跟踪作为图像处理领域的重要组成部分,广泛应用于智能视频监控、军事侦察等领域。但在面对物体形变以及遮挡等复杂应用场景时,相关滤波算法由于缺乏目标和背景判别区分以及遮挡状态判断等策略,存在跟错目标、缓慢漂移到背景等现象,在遮挡后目标重新出现时,缺乏重检测机制,这些问题导致了跟踪性能在实际工程中大幅下降。针对以上问题进行改进设计,首先在跟踪过程中,使用网络优化器更新多层深度特征提取网络,优化损失函数提高目标与背景的判别能力;其次,采用多重检测抗遮挡优化机制,确定跟踪器状态更新机制;最后,基于深度学习进行检测跟踪识别一体化设计,实现跟踪前典型目标的自动捕获,目标受遮挡后重新出现时实现对典型目标的重新捕获定位。在实验分析中,分别从跟踪精度、可视化定量损失以及算法速度等方面进行了性能验证。实测数据显示,本文采用的方法在以上方面性能表现良好,优于改进前的ECO(efficientconvolution operators for tracking)算法。
文摘针对隧道内不均匀光线引起的无人驾驶汽车视觉感知难题,提出采用主动式红外与可见光相融合的增强方法。通过补充图像纹理和细节信息,改善隧道内光线波动对无人驾驶的影响。首先,利用导向滤波对图像进行去噪处理,并通过对比度受限的自适应直方图均衡化对不同照度下的视觉信息进行增强;其次,对增强后的红外与可见光图像利用非下采样轮廓波方法进行分解,将区域能量自适应加权平均和卷积稀疏表示的融合规则分别应用于低频基础和细节部分,对高频细节分量应用显著性融合规则;最后进行重构得到融合图像。实验结果表明:基于卷积稀CSR-RE算法(convolutional sparse representation and region energy adaptive Weighting)对比DLF(deep learning framework)算法平均时间减少了0.05 s,相较于基于稀疏表示的融合方法MI(mutual information)值提升了1.5,SF(spatial frequency)值最高提升了0.51,整体性能优于其他算法。
