1 安徽大学 互联网学院， 安徽合肥230039
2 安徽大学 农业生态大数据分析与应用技术国家地方联合工程研究中心， 安徽合肥30601
3 陆军炮兵防空兵学院 偏振光成像探测技术安徽省重点实验室， 安徽合肥2001
4 安徽文达信息工程学院 智能技术研究所， 安徽合肥231201
深度学习模式下新型偏振计算成像方法存在随着网络深度的增加计算复杂度和内存使用相应增加以及分层特征提取不充分的问题，针对该问题，提出一种轻量级注意力级联网络的偏振计算成像超分辨率方法，采用级联连接和融合连接的方式来深化卷积层的表征能力，以有效地传递浅层特征并减少参数量。设计空间注意力自适应权重机制以提取关键的空间内容特征，构造空间金字塔网络增强多感受野下的偏振特征信息，特别地，上采样模块引入浅层与深层重建双路径，通过融合双层路径特征计算生成高分辨率偏振图像。最后，网络末端信息细化块用以学习更精细的特征并增强重建质量。实验结果表明：本文网络重建图像的纹理细节更加丰富，在全偏振图像集上2倍超分辨率的峰值信噪比为45.12 dB，参数量仅约为MSRN模型的9%。所提方法通过级联方式有效捕捉低频特征信息同时极大地减少参数量，并结合注意力金字塔结构探索深层特征，实现了轻量级网络的高效超分辨率重建效果。
计算成像 超分辨率 轻量级网络 偏振图像 级联连接 computational imaging super-resolution lightweight network polarization images cascade connections 光学 精密工程
2022, 30(19): 2404
1 安徽大学 互联网学院，合肥 230039
2 安徽大学 农业生态大数据分析与应用技术国家地方联合工程研究中心，合肥 230601
3 陆军炮兵防空兵学院 偏振光成像探测技术安徽省重点实验室，合肥 230031
4 安徽文达信息工程学院 智能技术研究所，合肥 231201
在利用深度学习进行偏振图像计算成像过程中，图像映射函数的解空间极大、空间分辨率一般较低，难以生成清晰的纹理细节且存在高频信息缺失等问题。为解决该问题，提出一种结合双注意力机制的深度残差偏振图像超分辨率网络。该网络由一个具有全局跳跃连接的残差网络组成，包含10个残差组，每个残差组包含20个具有局部跳跃连接的双重注意力块级联的残差块；同时考虑通道间的相互依赖性，设计自适应通道特征调整机制；引入级联的空间注意力块，将残差的特征更集中于关键的空间内容。将所提方法与Bicubic、SRCNN、FSRCNN、EDSR等方法进行对照实验与成像系统对比校正实验，结果表明该方法重建图像纹理细节更加丰富，亮度均匀，较为接近成像系统的高清图像，同时峰值信噪比和结构相似性指标优于其他方法但参数量仅约为EDSR的2/5。
计算成像 超分辨率 深度残差网络 偏振图像 双重注意力块 Computational imaging Super-resolution Depth residual network Polarization images Dual attention block
安徽新华学院信息工程学院信息系统软件研究所, 安徽 合肥 230088
为提高人脸表情分类的识别率和实时性,提出一种基于卷积神经网络(CNN)局部特征融合的人脸表情识别方法。首先,构建CNN模型,学习眼睛、眉毛、嘴巴3个局部区域的局部特征;然后,将局部特征送入到支持向量机(SVM)多分类器中获取各类特征的后验概率;最后,通过粒子群寻优算法优化各特征的最优融合权值,实现正确率最优的决策级融合,完成表情分类。实验表明,本文方法在CK+和JAFFE数据库的平均识别率分别达到了94.56%和97.08%,与其他识别方法相比,本文方法性能优越,能提高算法的识别率和稳健性,同时保证了算法的实时性。
机器视觉 表情识别 卷积神经网络 决策融合 激光与光电子学进展
2020, 57(4): 041513
1 安徽新华学院信息工程学院, 安徽 合肥 230088
2 中国人民解放军陆军炮兵防空兵学院偏振光成像探测技术安徽省重点实验室, 安徽 合肥 230031
基于偏振成像特点和深层特征分类需求,提出一种显著性偏振参量深度稀疏特征学习的目标检测方法。首先在偏振解析基础上构造显著性偏振参量图像作为检测源图像;然后在判别式字典对下对待检测图像进行稀疏特征学习,并以字典对作为分类器在卷积神经网络(CNN)框架下进行目标分类和定位;最后结合偏振成像探测实际应用需求,选择典型目标和应用场景进行数据采集和模型训练,并进行仿真验证。结果表明该方法在检测得分和平均检测精度上都比直接偏振方向方法有所提高,验证了其有效性,该方法对于有效提升偏振成像探测能力具有应用价值。
成像系统 偏振参量 稀疏特征 显著性 深度学习 激光与光电子学进展
2019, 56(19): 191101
1 中国电子科技集团公司第二十七研究所，河南郑州 450047
2 中国人民解放军陆军炮兵防空兵学院，安徽合肥 230031
3 安徽新华学院信息工程学院，安徽合肥 230088
随着无人机等低空平台在侦察领域的不断扩展以及对性能要求的不断提高，各应用场景对目标检测精度和速度也提出了越来越高的要求。传统的目标成像方法难以满足图像质量需求，人工识别目标的方法也无法应对战场环境的快速变化。结合深度学习和偏振高光谱成像技术的发展，通过模拟偏振高光谱低空目标检测平台，提出基于 Faster R-CNN的地面**目标检测方法。采用区域建议网络模块进行模型训练，而在目标检测阶段通过对特征图进行兴趣区域池化操作得到建议特征图，最后利用建议特征图完成目标类别判定。实验选取 3种典型的**车辆缩比模型，通过偏振高光谱相机在室内外模拟环境中获取目标在不同场景条件的图像数据，以及某型无人机在低空条件下的地面车辆目标数据进行实验验证。实验表明，该方法在有效完成地面目标的检测时，能够达到理想的检测精度和速度。
深度学习 偏振高光谱图像 目标检测 无人机 deep learning，polarized hyperspectral image，obje
1 中国人民解放军陆军炮兵防空兵学院, 安徽 合肥 230031
2 安徽新华学院信息工程学院, 安徽 合肥 230088
对机动变换的装甲目标进行快速精确检测是低空无人机的一项重要性能要求, 但目前主流检测方法自身的旋转不变性不能有效应对这一挑战。结合深度卷积神经网络（CNN）提出基于旋转不变Faster R-CNN的低空装甲目标检测方法, 该方法在Faster R-CNN框架的基础上引入旋转不变层, 通过在模型的目标函数上增加正则化约束条件来加强目标CNN特征旋转前后的不变性。实验选取三种典型的装甲目标缩比模型, 在室内外模拟不同场景条件下的低空侦察环境, 利用偏振高光谱相机获取目标的侦察模拟图像作为样本数据用于模型验证。在多模型对比实验中, 改进模型的平均检测准确率提升了2.4%, 取得了最好的检测效果, 初步验证了改进方法的有效性。
图像处理 目标检测 旋转不变 卷积神经网络 装甲目标 无人机 激光与光电子学进展
2018, 55(10): 101501
1 中国人民解放军陆军炮兵防空兵学院, 安徽 合肥 230031
2 安徽新华学院信息工程学院, 安徽 合肥 230088
针对获取的高光谱图像空间分辨率较低的问题，设计了一种空间光谱联合稀疏表示的超分辨率方法：提取图像中不同的反射光谱，通过压缩感知字典学习算法得到强稀疏性、弱相干性的光谱字典；利用高光谱图像信号的稀疏性、非负性以及空间结构相似性，通过同步正交匹配追踪算法，从相同场景的高空间分辨率的低光谱图像求解得到稀疏编码矩阵；联合光谱字典和稀疏编码矩阵得到目标图像。由于联合使用高光谱图像的空间与光谱信息，仿真实验数据和真实实验数据结果表明，相比于传统方法和矩阵分解方法本文方法，能够有效重建图像细节信息与纹理结构，有效提高波段平均峰值信噪比、波段平均结构相似度以及光谱角映射，并且更好地保持光谱信息。
图像处理 超分辨率重建 高光谱图像 联合稀疏表示 同步正交匹配追踪 信号非负性 空间结构相似性 激光与光电子学进展
2018, 55(7): 071014
1 安徽水利水电职业技术学院, 安徽 合肥 230601
2 解放军陆军军官学院, 安徽 合肥 230031
3 中国科学院安徽光学精密机械研究所中国科学院通用光学定标与表征技术重点实验室, 安徽 合肥 230031
针对基于非负矩阵分解(non-negative matrix factorization, NMF)的偏振图像融合方法效率低的不足,提出一种 基于稀疏性NMF的偏振图像快速融合方法。首先,以偏振信息解析得到的各偏振参量图像构造原始数据集,其 次,对NMF增加稀疏性约束,利用稀疏表示下的在线字典学习算法进行快速分解,然后对分解得到的三幅特征 基图像按清晰度和方差进行排序,将排序后的特征基图像经直方图匹配及HSI颜色映射后,变换到RGB颜色 空间,得到融合图像。与基于NMF的方法相比,运行时间提高约120倍,达到约1.5 s完成一次融合过程。实验 结果验证了该方法在改善融合效果的同时,运行效率明显提高。
图像融合 偏振图像 在线字典学习 稀疏性非负矩阵分解 image fusion polarimetric image online dictionary learning sparse non-negative matrix factorization
陆军军官学院光电技术与系统实验室，安徽合肥 230031
基于人类视觉系统及信号的过完备稀疏表示理论，提出了一种基于多尺度字典的红外与微光图像融合方法。首先把输入的红外与微光图像按照高斯金字塔模型分解，用 DCT字典作为初始字典按照四叉树的结构进行分解，对于各尺度的字典按照 K-SVD算法独立训练更新，构造出多尺度学习字典。其次在该字典下利用改进的 OMP算法得到输入源图像各自的稀疏系数，然后按照最优化融合图像与输入源图像的欧氏距离、融合图像方差的准则，建立一个融合图像稀疏系数的最优化函数，最后通过求解该函数的 l1范数得到融合图像。实验结果表明：该算法的融合效果优于小波变换法、Laplacian塔型方法以及 PCA方法等传统融合方法。
图像融合 稀疏表示 多尺度字典 四叉树 K-SVD算法 最优化函数 image fusion sparse representation multi-scale dictionary quadtree K-SVD algorithm optimum function
1 合肥工业大学计算机与信息学院，合肥 230009
2 陆军军官学院 a.计算中心
3 陆军军官学院 b. 光电技术与系统实验室 , 合肥 230031
在基于稀疏表示的超分辨率重建过程中，当对图像进行稀疏编码时由于其分解残差并不是简单的符合高斯分布或拉普拉斯分布，针对这一问题提出混合高斯稀疏编码模型。模型基于最大似然估计准则，首先定义目标函数为加权 l2范数逼近问题，根据分解残差定义其权值，采用迭代重加权稀疏编码算法进行求解。然后基于此模型建立超分辨率重建模型和算法，利用此方法学习训练出同构的高 /低分辨率过完备字典并求得图像的稀疏表示，最后对重建过程进行改进以提高算法对噪声的鲁棒性。实验结果验证了本文方法的有效性。
超分辨率 混合高斯 稀疏表示 过完备字典 super-resolution mixture Gaussian sparse representation over-complete dictionary
