摘要：目的图像逆半色调的目的是从二值半色调图像中恢复出连续色调图像。半色调图像丢失了大量原始图像内容信息,因此逆半色调成为一个经典的图像重建病态问题。现有的逆半色调算法重建效果无法满足对图像细节和纹理的需求。此外,已有方法大多忽略了训练策略对模型优化的重要影响,导致模型性能较差。针对上述问题,提出一个逆半色调网络以提高半色调图像重建质量。方法首先提出一个端到端的多尺度渐进式残差学习网络(multiscale progressivoly residual learning network,MSPRL)以恢复出更高质量的连续色调图像。该网络基于UNet架构并以多尺度图像作为输入;为充分利用不同尺度输入图像的信息,设计一个浅层特征提取模块以捕获多尺度图像的注意力信息;同时探讨不同学习策略对模型训练和性能的影响。结果实验在7个数据集上与6种方法进行对比。在Place365和Kodak数据集上,相比性能第2的方法,峰值信噪比(peak signal-to-noise ratio,PSNR)分别提高0.12 dB和0.18 dB;在其他5个常用于图像超分辨率的测试数据集Set5、Set14、BSD100(Berkeley segmentation dataset 100)、Urban100和Manga109上,相比性能第2的方法,PSNR值分别提高0.11 dB、0.25 dB、0.08 dB、0.39 dB和0.35 dB。基于本文的训练策略,重新训练的渐进式残差学习网络相比未优化训练模型在7个数据集上PSNR平均提高1.44 dB。本文方法在图像细节和纹理重建上实现最优效果。实验表明选用合适的学习策略能够优化模型训练,对性能提升具有重要帮助。结论本文提出的逆半色调模型,综合UNet架构和多尺度图像信息的优点,选用合适的训练策略,使得图像重建的细节与纹理更加清晰,视觉效果更加细致。本文算法代码公布在https://***/Feiyuli-cs/MSPRL。

摘要：针对头部姿态估计方法受特征提取限制导致姿态估计效果不佳的问题,提出使用深度卷积网络自动学习有效特征并进行分类的头部姿态估计方法。首先,利用DCNN非线性映射和自动提取图像结构信息的能力,设计一个深度卷积网络实现对姿态鲁棒特征的提取;然后,将提取的特征用于分类器训练并最终实现头部姿态估计。在Pointing’04和Face Pix数据库上的测试结果表明,本文设计的深度卷积网络能有效地进行特征学习,避免了人工设计特征的不足,与现有的基于人工设计特征方法相比,本文方法在2个数据库上达到的预测平均绝对误差分别为4.05°和2.04°,充分证实了本文算法的稳定性和可靠性。

摘要：针对目前红外图像和可见光图像融合中,融合图像信息量不足的问题,将目标提取和NSCT方法相结合,对其中的高频目标区域提出了基于局部信息熵的融合规则。将其与小波变换法、拉普拉斯法、NSCT法、提升方向波变换法作比较,并通过熵、标准差、相关系数等参数对融合后的图像进行定量分析。实验结果表明,该方法不但较好地提高了融合图像信息量,而且能够更加有效、准确地提取源图像中的特征,在主观视觉效果与客观评价指标上均取得了较好的融合效果。

摘要：越来越多的应用场合需要判别人脸图像的性别信息,尤其随着近代社交平台的出现和社会多媒体技术的进一步发展,对快速、准确的自动性别判别方法需求迫切。为了解决以往性别识别方法准确率低、稳定性差的问题,本文提出基于深度卷积网络的性别识别方法。综合多个人脸数据集以及从网上搜集的各种人脸图像,设计深度卷积网络自动学习对复杂环境因素以及人脸表观诸如年龄、表情、姿态、光照等鲁棒的特征,并进行性别分类。试验结果表明,提出方法具有较好的稳定性和较高的准确率。

摘要：针对灯光和背景的亮度不同,通过HSI空间提取亮度信息,使用自动阈值对光源和运动目标进行区分,降低因光源变化而产生的运动目标误检.实验结果表明,该算法可以显著提高运动目标检测在有光源影响下的准确性,减少将背景误判为前景的情况.