为提升复杂交通场景下天气识别准确率的同时实现网络轻量化，提出了一种结合改进ConvNeXt网络与知识蒸馏的天气识别方法。首先，在ConvNeXt网络的每组Block特征提取块后加入SimAm注意力机制，构建ConvNeXt_F网络，利用SimAm注意力机制对Block块提取的深层特征进行鉴权并校正权重，有效强化对天气判别性特征的捕获能力；其次，在网络训练过程中将Equalized Focal Loss（EFL）与Mutual-Channel Loss（MCL）采用平均占比的方式进行累加作为总损失函数，一方面利用EFL消除数据不均衡造成的影响，另一方面利用MCL减小同类天气下局部细节特征差异；最后，采用知识蒸馏技术将天气分类知识从ConvNeXt_F网络迁移到轻量级MobileNetV3网络，虽然精度略微损失但网络参数量大幅减少。实验结果表明，与其他算法相比，所提方法在本文构建的宁夏高速公路场景下的天气数据集weather-traffic和公开的自然天气数据集RSCM2017上准确率分别达到96.22%，84.8%，FPS分别达到157.6 Hz,137.6 Hz，FLOPs和Params仅为0.06 G和2.54 M，识别精度、速度和网络的轻量化较原网络均有提高，能够更好地应用于储存和计算能力受限的实际场景中。
天气识别 ConvNeXt网络 注意力机制 知识蒸馏 weather recognition ConvNeXt network attention mechanism knowledge distillation 光学 精密工程
2023, 31(14): 2123
1 西安工业大学 计算机科学与工程学院，陕西西安7002
2 西南财经大学 经济信息工程学院，四川成都611130
3 宁夏大学 信息工程学院，宁夏银川750021
4 四川师范大学 工学院，四川成都610101
为设计合理有效的神经网络框架，提高去雾算法的精度，保留完整的边缘细节，提出了常微分方程（Ordinary Differential Equation， ODE）启发的多级特征逐步细化及边缘增强的去雾算法。利用多级特征提取子网络，从输入雾图中提取出包含细节信息的低级特征和包含语义信息的高级特征，用于后续去雾结果的逐步细化。受残差网络框架与ODE求解策略关联性启发，依据两步两阶的蛙跳方法Leapfrog设计出Leapfrog模块，并串联多个Leapfrog模块，模拟ODE离散的逼近求解过程，构造逐步细化的去雾子网络。此子网络中，每个Leapfrog模块在交替输入的低级/高级特征的互补信息引导下，不断细化前一个Leapfrog模块估计的去雾结果。受二阶微分算子实施边缘增强的启发，边缘增强子网络利用预训练的UNet估计最后一个Leapfrog模块的去雾图像边缘，并叠加到此去雾图像上得到增强边缘，保留细节的最终去雾结果。实验表明，在真实图像及合成图像上，本算法均能取得较好的去雾效果，且在视觉评价和客观评价方面优于已有的去雾算法，与EAAN相比去雾精度提高了5%，运行时间仅有0.032 s，能有效用于图像去雾的工程实践中。
图像去雾 常微分方程 蛙跳法 边缘增强 神经网络 image dehazing ordinary differential equation leapfrog method edge enhancement convolutional neural network
1 宁夏大学 信息工程学院, 宁夏 银川 750021
2 四川师范大学 工学院, 四川 成都 610000
针对传统的弱光照图像增强算法鲁棒性差, 基于神经网络的图像增强算法直接从弱光照图像中估计增强结果, 并未注入视觉注意机制, 不能有效注意弱光照区域, 导致算法增强结果的精度不高等问题, 本文提出了注意残差稠密神经网络的弱光照图像增强算法来提高弱光照图像的增强精度和视觉效果。该算法主要包括注意循环网络和残差稠密网络, 注意循环网络在光照图的引导下, 利用循环网络结构逐步关注图像中的弱光照区域, 从而产生由粗到细, 逐步优化的光照注意图。而光照注意图则进一步联合弱光照图像作为后续的残差稠密网络的输入, 引导残差稠密网络为弱光照区域分配更多的计算资源, 更好地学习弱光照图像与增强图像的映射关系, 得到准确的图像增强结果。实验表明, 本文算法在合成图像及真实图像上均较常用算法有更好的增强效果。
弱光照图像增强 Retinex模型 卷积神经网络 残差稠密网络 注意机制 weakly illuminated image enhancement Retinex mode convolutional neural network residual dense network attention mechanism
1 西南财经大学经济信息工程学院, 四川 成都 610074
2 四川师范大学工学院, 四川 成都 610101
3 宁夏大学信息工程学院, 宁夏 银川 750021
针对显微图像盲复原算法存在的计算量大、振铃效应以及噪声敏感的问题，提出贝叶斯框架下两次引导滤波的快速盲复原算法。利用显微图像成像原理中基于深度信息估计点扩展函数的概率模型，构建了贝叶斯框架下盲复原的最小优化问题；通过分析最大后验概率的最小优化问题求解过程，推出了实施引导滤波器可快速求解优化问题的结论；为有效去除振铃和噪声，设计了两次引导滤波的求解方案，其将第一次引导滤波求解的结果作为优化问题的二次输入。实验结果表明，复原结果的像素误差率约为0.04，较常用盲复原算法的复原准确度提高了约20%，运行时间也大幅缩短，该方法能有效应用于显微视觉下微装配散焦图像盲复原的工程实践中。
图像处理 图像复原 贝叶斯框架 微装配 引导滤波
1 西南财经大学 经济信息工程学院, 四川 成都 611130
2 西北工业大学 自动化学院, 陕西 西安 710072
3 宁夏大学 数学计算机学院, 宁夏 银川 750021
考虑现有图割算法没有充分考虑红外图像的模糊特性, 分割精度和运行效率低的缺点, 提出了基于快速递推模糊2-划分熵图割的红外图像分割算法以实现复杂背景下红外图像的自动高效分割。该方法利用图像感兴趣区域的最大模糊熵信息设计图割能量函数的似然能, 基于局部最大模糊2-划分熵值迭代检测出包含图像最大信息的感兴趣区域来确保提取目标信息的完整性。为了提高最大模糊熵寻优的效率, 引入时间复杂度为O(n2)的递推算法, 将模糊熵计算转化为递推过程, 并保存所有递推的熵函数值用于后续的穷举寻优。针对确定的感兴趣区域, 利用该区域最大模糊2-划分时隶属度函数分布设置图割能量函数的似然能, 从而充分考虑图像的模糊特性。对分割结果与几种常用的算法进行了视觉比较及运行时间, 错分率, F指标的量化分析。结果表明：该算法分割精度F值高达95%, 运行时间较其他常用算法至少缩短了72%, 基本满足自动红外图像分割对精度、效率和鲁棒性的要求。
红外图像 图像分割 模糊划分熵 递推算法 图割 infrared image image segmentation fuzzy partition entropy recursive algorithm graph cut
