为了解决高光谱图像超分辨率重建中物质本征光谱表达能力不足、图像尺度变化过程中存在细节信息损失的问题,提出一种全局-局部注意力特征重用网络。首先,通过多节点特征重用增强网络的多尺度信息提取能力。其次,引入局部注意力,利用空间注意力机制聚焦重点空间信息,并通过通道注意力机制增强特异性光谱提取能力。最后,设计全局修正模块,根据原始多光谱图像空间信息丰富与高光谱图像光谱保真度高的特性进一步补偿处理过程中损失的空间与光谱维度信息,提高网络可靠性。选取CAVE和Harvard数据集进行训练与测试,并与多种先进方法进行定量与定性评估。结果表明,所提网络能够重建出更高分辨率的高光谱图像,更好完成高光谱超分辨率任务。
高光谱图像 超分辨率 注意力机制 特征重用 卷积神经网络 光学学报
2023, 43(21): 2115001
1 信息工程大学地理空间信息学院,河南 郑州 450001
2 智慧中原地理信息技术河南省协同创新中心,河南 郑州 450001
3 时空感知与智能处理自然资源部重点实验室,河南 郑州 450001
4 河南建筑职业技术学院,河南 郑州 450001
针对小目标占有像素少导致检测精确率低的问题,提出一种基于超分辨率重建的小目标检测算法。首先,通过图像预处理对高分辨率图像分块并筛选出含有目标的子图像;其次,构建超分辨率锐化增强模块,引入锐化图像和锐化损失,以获得边缘更清晰的高分辨率子图像;然后,采用多尺度锐化目标检测模块检测目标,该模块添加边缘锐化模型,在深层特征层中进一步锐化图像边缘,弥补深层卷积对细节的损失;最后,根据子图像编号将小目标检测结果回归到原图像中,完成小目标图像检测。在PASCAL VOC数据集和COCO 2017数据集上的实验结果表明,所提算法的平均精确率(mAP)分别为85.3%和54.0%,对COCO数据集的小目标检测精确率为43.5%,高于次优值9.7个百分点。因此,所提算法可以有效减少小目标漏检的次数,提高检测精确率。
图像处理 小目标检测 超分辨率增强 卷积神经网络 多尺度特征融合 边缘锐化 激光与光电子学进展
2023, 60(12): 1210002
哈尔滨工程大学信息与通信工程学院, 黑龙江 哈尔滨 150001
针对模型VDSR(very deep super resolution)收敛速度慢,训练前需要对原始图像进行预处理,以及网络中存在的冗余性等问题,提出了一种基于深度跳跃级联的单幅图像超分辨率重建(DCSR)算法。DCSR算法省去了图像预处理,直接在低分辨率图像上提取浅层特征,并使用亚像素卷积对图像进行放大;通过使用跳跃级联块可以充分利用每个卷积层提取到图像特征,实现特征重用,减少网络的冗余性。网络的跳跃级联块可以直接从输出到每一层建立短连接,加快网络的收敛速度,缓解梯度消失问题。实验结果表明,在几种公开数据集上,所提算法的峰值信噪比、结构相似度值均高于现有的几种算法,充分证明了所提算法的出色性能。
机器视觉 超分辨率 深度学习 跳跃级联 梯度消失 特征复用 亚像素卷积 冗余性