合肥工业大学计算机与信息学院，安徽 合肥 230601
为获得更优的深度图像超分辨率重建结果，本文构建了彩色图像多尺度引导深度图像超分辨率重建卷积神经网络。该网络使用多尺度融合方法实现高分辨率(HR)彩色图像特征对低分辨率(LR)深度图像特征的引导，有益于恢复图像细节信息。在对LR深度图像提取特征的过程中，构建了多感受野残差块(MRFRB)提取并融合不同感受野下的特征，然后将每一个MRFRB输出的特征连接、融合，得到全局融合特征。最后，通过亚像素卷积层和全局融合特征，得到HR深度图像。实验结果表明，该算法得到的超分辨率图像缓解了边缘失真和伪影问题，有较好的视觉效果。
深度图像 超分辨率重建 卷积神经网络 多尺度引导 多感受野特征 depth image super-resolution convolutional neural network multi-scale guidance multiple receptive field characteristics
合肥工业大学 计算机与信息学院, 安徽 合肥 230009
偏振成像探测能反映出传统光学成像所无法反映的物体的信息,为了克服计算偏振参量图像丢失细节信息的不足,在已有偏振图像融合方法的基础上,提出一种基于综合图像特征的融合方法.相较于已有算法突出图像的某一方面特征,该算法提取图像的灰度特征、纹理特征和形状特征,据此确定融合权值,对图像进行融合,能够较好地反映目标的细节信息,融合后的图像相较于普通光强图像,方差、信息熵分别提高了12.6%、17.5%,平均梯度从0.59提高到1.83.针对该方法用到的特征维数较高的问题,提供了一种简化算法,耗时从30′54″降至13′37″.
特征分析 偏振图像 灰度 纹理 形状 图像融合 feature analysis polarization image gray level texture shape image fusion
