摘要：受噪声的影响,图像的局部梯度特征很难被准确地估计,这影响了非线性扩散方法的滤波效果.根据影响视觉效果的2个低层次局部特征——相位一致性和梯度,提出一种各向异性张量扩散模型.首先结合梯度信息提出了极大相位一致性方向投影的散度矩阵;其次构造一种改进的张量扩散模型,并给出了相应的离散差分格式和算法流程.通过数值实验,验证了文中模型在计算效率、客观量化和视觉效果方面的有效性.

摘要：客观图像质量评价(IQA)的目的是设计与主观评价算法尽可能一致的数学模型来度量图像的质量.针对结构相似度(SSIM)和其他一些算法的局限性,考虑到梯度可以反映图像的边缘纹理等结构信息,提出一种快速的全参考型IQA算法,即提升的梯度加权结构相似度(GWL-SSIM)算法.首先定义图像局部块的广义梯度;然后利用其相似性及图像对比度相似性和结构相似性得到局部质量的特征映射图;最后采用广义梯度加权的池化策略得到IQA模型,广义梯度能很好地刻画视觉感知系统的非线性属性,而加权策略模拟了其对图像不同成分感知的差异性.在6个公开数据库中进行数值实验的结果表明,GWL-SSIM算法计算效率高,并取得了与目前流行算法相当的评价效果.

摘要：图像风格转化在计算机视觉领域广受关注,其研究目标在于将输入图像利用计算机转化为具有某种特定艺术风格的图像.线描画作为一种古老的画种,它通过简单的线条勾勒物体的轮廓,具有简约、抽象的风格.本文提出一种基于方向场正则化的线描画生成算法,该算法由4部分构成:1)采用非局部平均滤波对输入图像进行预处理;2)计算输入图像的方向场,并基于自表示的思想对方向场进行Tikhonov正则化,为了提高运算速度,采用Sherman-Morrison-Woodbury公式来对正则化算法进行加速;3)以正则方向场作为引导,对预处理图像作高斯差分滤波;4)根据人类视觉系统的非线性特点,设计感知阈值(Perceptual thresholding)算法来对高斯差分滤波的结果进行阈值处理,得到二值化的线描画图像.仿真实验表明,该算法可将输入图像转化为线条流畅且能有效表达输入图像主要信息的线描画图像.

摘要：图像质量评价研究的目标在于模拟人类视觉系统对图像质量的感知过程,构建与主观评价结果尽可能一致的客观评价算法。现有的很多算法都是基于局部结构相似设计的,但人对图像的主观感知是高级的、语义的过程,而语义信息本质上是非局部的,因此图像质量评价应该考虑图像的非局部信息。该文突破了经典的基于局部信息的算法框架,提出一种基于非局部信息的框架,并在此框架内构建了一种基于非局部梯度的图像质量评价算法,该算法通过度量参考图像与失真图像的非局部梯度之间的相似性来预测图像质量。在公开测试数据库TID2008, LIVE, CSIQ上的数值实验结果表明,该算法能获得较好的评价效果。

摘要：目前,基于深度神经网络的方法是图像超分辨(Super Resolution, SR)研究的主流,该方法利用大样本端到端地训练一个低分辨图像至高分辨图像的映射.SR研究主要采用像素损失来约束以上训练过程,但会使得图像趋向平滑.引入生成对抗网络能够恢复出逼真的纹理细节,但重建的超分辨图像却存在一定程度的结构畸变.这都可以归结为底层特征失真问题.对此,提出一种特征保真的超分辨网络,该网络包含超分辨重建分支和特征保真分支.一方面,通过特征保真分支恢复高分辨率图像的底层特征,为SR过程提供额外的约束;另一方面,为消除不同分支间的域差异,设计通道调制系数实现特征信息的有效传递.特征保真分支能够一定程度上缓解重构图像的特征失真问题.实验结果表明,与目前主流的SR方法相比,本文方法以较少的参数量,能够获得较好的重构效果.

摘要：图像质量评价(Image Quality Assessment,IQA)是图像处理领域研究的基本问题之一,其研究的关键在于特征提取.一方面,提取的特征需反映人类视觉系统(Human Vision System,HVS)的感知特性;另一方面,由于图像信息源于灰度或色彩在空域的变化,这要求特征在本质上(Intrinsically)需依某种方式来描述图像的灰度或色彩变化.基于这种认识,本文根据视网膜采样模式构造了一种描述图像局部多尺度灰度变化的特征,这里称之为视网膜采样模式引导的描述符(RSPD,Retina Sampling Patterns guided Descriptor),然后基于RSPD相似性设计了一种全参考图像质量评价算法.数值实验表明,无论在公开数据集上的总体评价效果,还是对单一失真类型的评价效果,与目前最好的传统方法相比该算法都相当有竞争力.

摘要：针对目前绝缘子缺陷检测算法检测精度与速度不平衡以及对小目标绝缘子缺陷检测效果不佳等问题,提出一种融合多尺度特征的轻量级YOLOv7绝缘子缺陷检测算法。以YOLOv7为基础框架,使用CA-GhostNet作为主干网络;将头部预测网络中的残差卷积替换为深度可分离卷积;在颈部网络设计Light-SPPCSPC特征提取模块;在特征金字塔部分将不同尺度的特征图融合。实验结果表明,所提算法实现了精度与速度的平衡,降低了绝缘子缺陷的漏检率。

摘要：随着生成对抗网络在图像超分辨(SR)领域的应用,一些感知驱动的SR方法可以恢复出纹理细节更加丰富的SR图像,有效地缓解了由PSNR主导的SR方法导致重建图像趋于平滑的问题。然而梯度信息作为图像纹理的一种重要表现形式,鲜有SR方法能准确、高效地利用。为此,提出一种基于梯度感知的图像超分辨(GASR)算法,可以更准确地利用梯度信息。一方面,使用梯度域的特征图作为作用在图像域特征图上的卷积核,有效地避免了不同域特征图串联所带来的域冲突问题;另一方面,通过对卷积核尺寸等设计细节的调整使两个分支对应位置所输出的图像域与梯度域特征图的感受野一致。此外,由于实际应用对网络轻量化需求的提高,提出的GASR算法还有效降低了参数量和计算量。与同样利用梯度信息的SPSR相比,GASR最终以约1/6的参数量与1/10的计算量取得了与其相近的性能。在Set14数据集上,LPIPS与PSNR分别提升了0.0022与0.217。实验结果验证了GASR可以在纹理生成与图像平滑度之间取得一个很好的平衡,视觉化效果也验证了GASR不仅可以准确地恢复SR图像,而且在一定程度上缓解了杂乱纹理的生成。

摘要：针对现有图像超分辨率重建算法在学习图像更深层次特征时面临难以捕捉全局化特征的问题,提出一种新的双域非局部(dual domain non-local,DDNL)深度神经网络。DDNL网络包含2个分支,即用于图像超分辨率重建的主分支和提供图像双域非局部信息的先验分支。先验分支通过非局部模块获取图像域和梯度域的非局部特征后,以多层通道注意力模块处理,使特征在空间维度和通道维度均得到增强;设计非局部残差密集连接结构,将先验分支提取的双域非局部特征融合进主分支,指导网络学习深层特征并降低网络捕捉全局化特征的难度。实验结果表明,DDNL网络能够获得更好的客观评价指标和主观视觉效果,对图像纹理细节的恢复更为清晰、准确。

摘要：在遥感图像全色锐化中,传统的成分替换(CS)和多分辨率分析(MRA)方法的线性注入模型没有考虑用于全色锐化传感器的相对光谱响应,而基于深度学习的方法对原图像特征的提取不足会导致融合结果中的光谱和空间信息的丢失。针对以上问题,提出一种结合传统与深度学习方法的全色锐化方法CMRNet。首先,将CS和MRA与卷积神经网络(CNN)相结合以实现非线性从而提高全色锐化方法性能;其次,设计残差通道(RC)块实现多尺度特征信息的融合提取,并利用通道注意力(CA)自适应地为不同通道的特征图分配不同的权值,从而学习更有效的信息。在QuickBird和GF1卫星数据集上对CMRNet进行训练和测试,实验结果表明,在降尺度QuickBird和GF1数据集上,与经典方法PanNet相比,CMRNet的峰值信噪比(PSNR)分别提高了5.48%和9.62%,其他指标也均有显著提高。可见,CMRNet能实现较好的全色锐化效果。