近年来，基于深度学习的高光谱图像（HSI）分类研究引起了各领域的广泛关注。HSI光谱波段数多、信息冗余度高、计算复杂，出现训练样本不足的问题，容易导致模型训练过拟合，影响分类精度。为了提高分类精度并减少训练时间，提出一种基于三维卷积神经网络（3D-CNN）并结合双分支双注意力机制的快速密集连接网络，用于HSI的分类。首先利用主成分分析（PCA）对原始数据进行降维，减少冗余信息，然后采用双分支密集连接结构，并结合快速傅里叶变换（FFT）的双分支高效通道注意力（ECA）机制，同时增加了一个FFT层，既保证了模型的分类精度，也加快了模型的训练速度。在多个公共高光谱数据集上对方法进行实验验证，性能评估指标采用总体分类精度（OA），平均分类精度（AA）和Kappa系数。实验结果表明，所提方法在提高分类精度的同时，显著减少了训练时间和测试时间。

为了抑制高光谱图像(HSI)混合像元和噪声在复杂背景中对异常目标检测的干扰,充分提取和利用HSI的光谱特征和空间特征,提出了一种基于端元提取和低秩稀疏矩阵分解的HSI异常目标检测算法。首先,对原始HSI进行最优分数阶傅里叶变换。然后,采用连续最大角凸锥算法对变换后的HSI进行端元提取,得到端元和相应的丰度矩阵,并通过行约束的低秩稀疏矩阵分解方法将丰度矩阵分解为具有低秩特性的背景分量和具有稀疏特性的异常分量。最后,构建背景协方差矩阵,通过马氏距离检测异常目标。实验结果表明,本算法在HSI异常目标检测中具有很好的检测性能。

针对雨雪天气条件下的运动目标检测受到天气的影响较大,提出一种融合全变分(TV)正则化和Rank-1约束鲁棒主成分分析(RPCA)模型的视频序列运动目标检测算法。利用RPCA这一工具,在低秩稀疏分解框架下,采用Rank-1约束描述背景层的强低秩性,利用TV正则化结合L1范数对前景目标的稀疏性和空间连续性进行约束,从而弥补现有RPCA模型的不足。针对所提模型,采用交替迭代乘子法的思想结合增广拉格朗日乘子法对目标函数进行优化求解。实验结果表明,所提算法不仅能够准确检测出运动目标,而且具有较短的运行时间,这为视频的实时检测提供参考。与其他同类算法相比,所提算法不仅检测效果更佳,而且在F测度值、召回率和准确率的定量评价中均有优越性。

针对皮肤病变图像分割问题,提出了一种基于多尺度密集块网络(DenseNet)的皮肤病变图像分割算法。首先依次采用形态学闭操作和非锐化滤波器对原始皮肤病变图像进行预处理,得到不含皮肤毛发和血管伪影的细化图像。然后将预处理后的图像输入到分割网络中。该网络基于编码-解码(Encoder-Decoder)架构,运用并行多分支结构和金字塔池化模型两种多尺度特征融合方法,可实现不同感受野下的特征提取。同时,将DenseNet结构融合到编码器中,实现图像特征的复用,利用目标损失与内容损失相结合的LTotal损失函数,进一步提升了图像分割的精度。最后,通过SoftMax分类器得到分割结果并计算相关评估指数。ISBI 2016皮肤病变图像数据集上的实验结果显示,所提算法的逐像素分割精度为95.48%,Dice系数为96.37%,Jaccard指数为93.41%,灵敏度为92.93%,特异性为96.49%,总体性能优于现有算法。所提算法可精确分割皮肤病变区域,能够应用于黑色素瘤计算机辅助诊断系统。

复杂环境中的目标检测受到很多因素的影响,传统的鲁棒主成分分析(RPCA)无法从受干扰的数据中获得最低秩表示,为此,提出了一种融合l1-全变分(TV)正则化约束RPCA模型的视频去噪和目标检测算法。以RPCA为基础,在低秩稀疏分解框架下,使用核范数的低秩性对背景进行建模,利用三维TV正则化结合l1正则化对前景目标的稀疏性和空间连续性进行约束,再结合l2范数正则化约束噪声部分,从而弥补现有RPCA模型的不足。采用交替迭代的思想,利用增广拉格朗日乘子法对目标函数进行优化求解,实现了复杂环境下的去噪和目标检测。实验结果表明,本文算法不仅能准确检测出噪声干扰下的运动目标,而且保持了较快的运行速度,为视频的实时检测提供了参考。与其他同类算法相比,不仅检测效果更佳,而且在定量评价的三项指标中均具有优越性。

针对视网膜血管形态结构和尺度信息复杂多变的特点,提出一种自适应血管形态结构和尺度信息的U型视网膜血管分割算法。首先采用二维K-L(Karhunen-Loeve)变换(即霍特林变换)综合分析彩色图像三通道的频带信息,从而得到视网膜灰度图像以及多尺度形态学滤波增强血管与背景的对比度信息。然后将预处理图像经U型分割模型对图像进行端对端训练,并利用局部信息熵采样进行数据增强。该网络编码部分的密集可变形卷积结构根据上下特征层信息有效地捕捉图像中多种尺度信息和形状结构,底部金字塔型的多尺度空洞卷积扩大局部感受野,同时解码阶段带有Attention机制的反卷积网络将底层与高层特征映射有效结合,解决权重分散和图像纹理损失的问题。最后通过SoftMax激活函数得到最终的分割结果。在DRIVE(Digital Retinal Images for Vessel Extraction)与STARE(Structured Analysis of the Retina)数据集上对该算法进行了仿真,准确率分别达到97.48%与96.83%,特异性分别达到98.83%与97.75%,总体性能优于现有算法。

为了提高雾天图像的去雾效果, 提出了一种基于条件生成对抗网络的图像去雾算法.通过端到端可训练的神经网络对合成的室内和室外数据集进行训练, 为了捕捉图像中更多的有用信息, 在生成网络中设计了生成器和判别器架构, 利用预训练的视觉几何组特征模型和L1-正则化梯度对损失函数进行修正, 并在判别器的最后一层引入Sigmoid函数用于特征映射, 以便进行概率分析可归一化.利用合成数据集对损失函数进行训练, 得到新的损失函数的参数, 然后利用室外自然有雾图像数据集对训练得到的新的损失函数进行测试.实验结果表明：所提算法有效解决了去雾图像的颜色失真、过饱和、视觉伪像等问题, 生成效果更好的去雾图像.