福州大学物理与信息工程学院，福建 福州 350108
针对低照度图像存在识别度不高、亮度低、信噪比低和细节模糊等问题，提出了一种非下采样剪切波变换（NSST）域结合生成对抗网络（GAN）的低照度图像增强方法。首先，收集弱光图像和正常光图像数据集，将图像进行RGB颜色空间到HSV颜色空间的变换处理，保持色度、饱和度分量不变，对亮度分量进行NSST多尺度分解，利用分解得到的低通子带图像构建训练集；其次，构建基于GAN的低频子带图像增强模型，并利用低频子带图像训练集对模型进行训练；然后，对待处理的低照度图像进行NSST分解，利用训练的模型增强低频子带图像，利用尺度相关系数去除各高频方向子带噪声，并通过非线性增益函数增强边缘系数；最后，将增强处理后的低频、高频子带图像进行NSST重构，并将重构图像恢复至RGB颜色空间。所提方法与常见的方法相比，就低照度图像增强而言，结构相似度平均提升了3.89%，均方误差平均降低了1.03%，且在对噪声图像增强时，峰值信噪比和连续边缘像素比保持在21 dB和88%以上。实验结果表明，所提方法不论从视觉效果还是图像质量客观评价指标上较常见方法都有较大提升，能有效改善低照度图像的低质问题，为后续的图像处理分析奠定基础。
低照度图像增强 非下采样剪切波变换 生成对抗网络 图像去噪 图像边缘增强 激光与光电子学进展
2023, 60(24): 2410007
Author Affiliations
Abstract
1 School of Information Science and Engineering (ISE), Shandong University, Qingdao 266000, China
2 Shandong Sinochip Semiconductors Co. Ltd, Jinan 250101, China
3 Neumem Co., Ltd, Hefei 230088, China
4 Key Laboratory of Microelectronic Devices and Integrated Technology, Institute of Microelectronics of Chinese Academy of Sciences, Beijing 100029, China
The “memory wall” of traditional von Neumann computing systems severely restricts the efficiency of data-intensive task execution, while in-memory computing (IMC) architecture is a promising approach to breaking the bottleneck. Although variations and instability in ultra-scaled memory cells seriously degrade the calculation accuracy in IMC architectures, stochastic computing (SC) can compensate for these shortcomings due to its low sensitivity to cell disturbances. Furthermore, massive parallel computing can be processed to improve the speed and efficiency of the system. In this paper, by designing logic functions in NOR flash arrays, SC in IMC for the image edge detection is realized, demonstrating ultra-low computational complexity and power consumption (25.5 fJ/pixel at 2-bit sequence length). More impressively, the noise immunity is 6 times higher than that of the traditional binary method, showing good tolerances to cell variation and reliability degradation when implementing massive parallel computation in the array.
in-memory computing stochastic computing NOR flash memory image edge detection Journal of Semiconductors
2023, 44(5): 054101
长春理工大学 光电工程学院，吉林 长春 130022
三维姿态角的精确测量在航空、航天、**等领域应用广泛，为方便准确地实现三维姿态角的测量，本文设计了一种基于透镜阵列的测量系统，并建立了微小三维姿态角测量分析模型。系统中，准直平行光束通过4个排列成金字塔形的阵列透镜，在CCD上形成规则分布的阵列光斑。通过分析CCD成像光斑间的距离、透镜阵列上相邻孔径之间的距离以及透镜阵列与CCD之间的倾斜角，可以得到光束相对于接收系统俯仰角和偏摆角，利用阵列光斑连线相对水平或垂直面的夹角，可同时得到绕Z轴的滚转角。通过与高精度自准直仪测量结果进行比较，证明所提方法的测量精度可以达到RMS≤0.1″，表明该方法能够实现三维姿态角的测量。
激光 透镜阵列 角度测量 图像边缘检测 laser lens arrays angle measurement image edge detection
相对于可见光图像边缘检测，目前针对红外图像边缘检测的研究较少，且大多基于传统方法，如边缘检测算子、数学形态学等，其本质上都是只考虑红外图像局部的急剧变化来检测边缘，因而始终受限于低层次特征。本文提出了一种基于深度学习的红外图像边缘检测算法，在DexiNed（DenseExtreme Inception Network for Edge Detection）的基础上，缩减了网络规模，并在损失函数中引入了图像级的差异，精心设置了损失函数的参数，进而优化了网络性能。此外，还通过调整自然图像边缘检测数据集来近似模拟红外图像边缘检测数据集，对改进后的模型进行训练，进一步提高了网络对红外图像中边缘信息的提取能力。定性评价结果表明，本文方法提取的红外图像边缘定位准确、层次清晰、细节丰富、贴合人眼视觉，使用了SSIM（Structural Similarity Index Measure）和FSIM（Feature SimilarityIndex Measure）指标的定量评价结果进一步体现了本文方法相比于其他方法的优越性。
红外图像 边缘检测 深度学习 infrared image, edge detection, deep learning
海军工程大学动力工程学院, 湖北武汉 430033
为填补红外图像边缘检测算法综述性研究的空白, 使更多研究者较为全面地了解目前成果, 并为后续研究提供有价值的参考, 遴选了近十年国内外红外图像边缘检测技术研究的相关文献。首先概述了红外成像与边缘检测技术, 进而阐述了红外图像边缘检测技术的难点与挑战, 接着总结了主要的红外图像边缘检测算法, 将相关算法分为了 4类——基于经典边缘检测算子改进的、基于蚁群算法的、基于数学形态学的和基于网络模型的, 对其涉及的关键技术分别进行了分析。研究认为, 在传统红外图像边缘检测技术中, 形态学方法因简单易用而具有一定潜力; 对于非传统红外图像边缘检测技术, 基于深度学习的方法对目标边缘的针对性更强、鲁棒性更好、不需要设计复杂的算法步骤, 给红外图像边缘检测带来了新的发展机遇。
红外图像 边缘检测 数学形态学 深度学习 infrared image, edge detection, mathematical morph
江南大学物联网工程学院, 江苏 无锡 214122
针对采用高斯滤波器对图像进行滤波会导致图像边缘平滑,人为设定高、低阈值会导致阈值的自适应性差,采用双阈值法去除虚假边缘会导致去除效果不佳等问题,提出改进的Canny边缘检测算法并应用于影像测量领域。首先使用开关中值滤波代替高斯滤波,在去除噪声的同时保留非噪声像素点的灰度值不变,从而提高边缘定位精度;然后采用K-means聚类算法以得到高、低梯度值聚类中心,采用OTSU算法以得到梯度阈值,将两个方法结合,可以实现高、低阈值的自适应;最后采用面积形态学的方法去除图像的干扰边缘。实验结果表明,改进的算法具有定位精度高、自适应性强以及干扰点去除效果好等优点。
图像处理 Canny算子 影像边缘检测 开关中值滤波 K-means算法 面积形态学 激光与光电子学进展
2020, 57(24): 241024
1 上海出版印刷高等专科学校, 上海 200093
2 河南工程学院 材料与化学工程学院, 郑州 450001
鉴于开关中值滤波在椒盐噪声检测和去除方面的应用合理性, 本文分别设计实现了基于信号局部差异性和基于信号方向差异性的椒盐噪声检测算法。这两种算法均属于二级噪声检测方法, 且第一级检测手段都是基于灰度范围准则。两种算法的不同点主要体现在第二级检测算法上, 前者基于局部差别准则, 后者基于方向差别准则。在方法评价部分, 首先通过分析和实验确定两种算法的最优参数设置; 然后通过对不同噪声密度的测试图像去噪来评价两种算法的去噪效果。结果表明: 基于方向差异性的算法比基于局部差异性的算法具有更好的性能, 且两种算法的去噪效果都与噪声密度成反比。需要注意的是, 这两种算法都容易将图像中的细微边缘或细节像素误判为噪声点, 即在噪声的检测过程中, 只能避免对图像中主要边缘和轮廓像素的误判, 还无法对图像中的细微边缘和细节进行精确判定, 这也是开关二级噪声滤波算法今后的主要改进方向。另外, 算法效率测试结果表明两种算法具有相似的计算时间, 从而验证了两者之间的算法结构相似性。
图像去噪 椒盐噪声 开关二级检测 图像边缘 图像细节 image denoising salt and pepper noise switch two-stage detection image edge image detail
图像的边缘检测在实际生活中广泛应用, 但其检测结果仍存在细节丢失问题。为此提出一种新的图像边缘检测算法。首先, 采用二维二进制小波变换, 对图像进行预处理；然后, 结合一种新的自适应双阈值算法, 检测出图像的边缘点；最后, 采用改进的数学形态学梯度检测算法, 对图像的边缘信息进行进一步检测。通过仿真实验得出, 新算法能够检测到更丰富的图像边缘信息, 使图像的边缘提取更清晰、细腻；与单一形态学算法相比, 新算法使图像的均方误差值大幅度降低、峰值信噪比提高了2.3 dB。
图像边缘检测 自适应双阙值 二级小波变换分解 形态学梯度 image edge detection adaptive dual-threshold two-level wavelet decomposition morphological gradient
1 武汉职业技术学院, 湖北 武汉 430074
2 广西电力职业技术学院, 广西 南宁 530001
为解决复杂背景中难以有效提取场景文本的问题, 提出了一种基于多特征检测与支持向量回归的图像文本提取方案。为有效区分文本与非文本边缘, 基于图像边缘, 提取场景中三个文本特征。将得到的三个文本特征进行多尺度融合, 利用文本融合特征检测候选文本边界, 有助于检测不同大小的文本, 提高对不同类型的图像退化的鲁棒性。对于每个检测到的候选文本边界, 根据邻域窗口中的像素来估计每个像素的局部阈值, 利用局部阈值自适应分割提取候选字符。引入支持向量回归模型对文本像素与图像背景精确分离, 消除非文本边界, 提取真实字符和单词。实验表明: 与当前文章提取技术相比, 所提方法具有更好的鲁棒性, 能适用各种变化的复杂场景文本提取, 具有更优的Precision-Recall曲线与F测量值。
文本提取 支持向量回归 多特征检测 局部阈值 文本边界 图像边缘 text extraction support vector regression multi-feature detection local threshold text boundary image edge
1 郑州信息科技职业学院, 河南 郑州 450046
2 许昌职业技术学院, 河南 许昌 461000
在二代Curvelet变换理论的基础上, 结合红外和可见光图像的成像源理以及物理特征, 为了更加有效地对图像像素点中信息质量进行测量, 提出了一种二代Curvelet算法用于红外与灰度可见光图像融合。算法中将第二代Curvelet变换域引入活度加权以对图像中像素点信息质量进行评定, 并将方向对比度以及活度加权对显著水平进行测量, 提出了用显著水平测量的方法对系数进行选择, 进而提取红外图像的目标特征以及灰度可见光图像中大量的背景特征信息。仿真结果表明, 该算法能够在保留原图像中重要信息的同时, 融合后的图像边缘细节更加清晰、边缘更加平滑。
二代Curvelet变换 图像像素点 图像融合 图像边缘 second generation Curvelet transform image pixels image fusion image edge
