基于深度学习的单图像超分辨率重建方法已经比较完善,重建图像具有较高的客观评价值或具有较好的视觉效果,但是图像感知效果和客观评价值不能均衡提升。针对这一问题,提出一种融合注意力的生成式对抗网络单图像超分辨率重建方法。首先去掉残差网络中会破坏图像原本的对比度信息、影响图像生成质量的批归一层,其次是构造注意力卷积神经网络残差块,可有效地在特征映射中进行自适应特征细化,改善重建结果在大尺度因子下缺乏高频信息和纹理细节的问题,最后构造像素损失函数,使用鲁棒性较好的Charbonnier损失函数替代均方差损失函数,用总变差正则项平滑训练结果。实验结果表明,在4倍放大因子下,与其他方法在Set5、Set14、Urban100、BSDS100测试集上进行测试比较,本文方法峰值信噪比平均值提升2.88 dB,结构相似性平均值提升0.078。实验数据和效果图表明,该方法主观上具有丰富的细节,客观上具有较高的峰值信噪比值和结构相似性值,实现了视觉效果和客观评价指标值的均衡提升。

为了提高低照度遥感图像的可视性,提出一种基于条件生成对抗网络的低照度遥感图像增强方法。首先,为克服样本数据不足,利用正常清晰光照的图像合成低照度图像作为训练样本;然后,将原始低照度遥感图像由RGB色彩空间转换到HSI色彩空间,进行通道拆分,有效分离H、S、I分量,在保持色调分量H不变的前提下,利用条件生成对抗网络和改进的对数变换方法分别处理亮度分量I和饱和度分量S;最后,执行通道合并将处理后的图像从HSI色彩空间转换到RGB色彩空间。在损失函数中引入焦点损失函数,解决样本比例高度不平衡的问题。实验结果表明:所提方法有效地提升了低照度遥感图像的亮度和对比度,为低照度遥感图像增强方法的研究提供了新的思路。

针对工业机器人和形貌传感器组成的三维形貌机器人测量系统精度低的问题,提出一种基于室内全局定位系统(iGPS)的三维形貌复杂曲面测量系统,并介绍了该测量系统的总体设计方案,建立了相应的数学模型。对长度测量精度和重复测量精度进行实验验证,结果表明,此测量系统在大型复杂曲面形貌测量中具有较高的精度及可靠性。对包含双拱形曲面的大尺寸工件进行形貌测量,测量结果验证了此测量系统的可行性。

针对带有深孔特征的异型曲面三维形貌的测量需求,提出基于CAD(Computer Aided Design)数模提取信息进行自适应布点的方法和基于法向精度控制的轨迹规划测量方法。通过对机器人的位移-时间、速度-时间与加速度-时间曲线的仿真分析,验证了运用高阶多项式插值法可得到平滑的轨迹曲线。通过基于法向精度控制的形貌测量实验分析形貌测量过程中TCP(Tool Centror Point)的位置偏差与角度偏差,发现位置偏差小于0.092 mm,角度偏差在0.19°内,证明了所提方法的可行性。