1 西安建筑科技大学 信息与控制工程学院，陕西 西安 710055
2 陕西省文物保护研究院，陕西 西安 710075
3 陕西省考古研究院，陕西 西安 710054
使用现有边缘检测方法提取古代壁画的线稿，存在噪声干扰大且丢失信息较多的问题。本文提出一种融合像素差卷积的壁画最优波段线稿提取方法，利用最小噪声分离方法将壁画多光谱数据的有效信息和噪声分离，选择最优主成分波段进行线稿的提取。针对传统卷积提取图像梯度信息的问题，引入像素差卷积提高边缘检测的图像梯度信息。在侧输出网络加入尺度增强模块（SEM）丰富多尺度特征，同时针对像素级别不平衡引起的像素错误分类问题，设计了基于图像相似度的Dice损失函数策略，逐级最小化像素距离获得清晰图像边缘，并利用壁画数据集先验知识微调模型解决数据集不足的问题。实验结果表明，本文方法可以在壁画褪色和噪声较多的场景下提取出较为清晰的线稿，线稿图像的SSIM和RMSE均优于其他算法，分别提高了2%~10%和2%~4%；在公开数据集BIPED上对模型进行验证，所提方法的ODS和OIS较PiDiNet分别提高0.005和0.007。该方法对褪色及具有病害的壁画可以提取出清晰完整的线稿图像。
线稿提取 光谱成像 像素差卷积 像素级平衡 壁画 sketch extraction spectral imaging pixel difference convolution pixel-level balancing mural
1 中国科学院水利部成都山地灾害与环境研究所，成都 610299
2 中国科学院大学，北京 100049
冰湖溃决洪水是一种严重的山地自然灾害，威胁着中国高寒区的居民及铁路公路等重要基础设施，自动高效的冰湖遥感制图方法是冰湖灾害评估、监测预警的基础，然而现有自动制图方法在实际冰湖提取应用上难以达到传统人工和半自动冰湖提取方法上的精度，仍需进一步提高。文章在原生U-Net模型基础上，在各桥连接部分融合极化自注意力机制，将输入影像特征分别在空间和通道层保持高分辨率，并通过非线性合成输出细腻的特征，构建了一种改进的U-Net冰湖遥感深度学习制图方法，并将其成功应用在高原铁路关键区。研究结果表明：1）与PSPNet、DeepLabV3+、原生U-Net三种经典模型相比，改进模型在冰湖预测数据集上的各项指标上都有提升，精确率、召回率、交并比和F1值分别达到了0.972 5、0.966 5、0.940 8和0.969 4，相较于原生U-Net网络，精确度、召回率、交并比和F1值分别提高了5.01%、6.05%、10.73%和5.53%；2）基于Landsat-8卫星遥感数据，应用改进模型完成了2013—2022年帕隆藏布和易贡藏布案例区冰湖信息自动高效提取，如2020年冰湖总体精度为98.16%，与参照数据的重叠度达到96.66%，提取的精度满足冰湖灾害评估和监测预警研究需求，可用于铁路等重大工程沿线冰湖灾害防治的实践。
遥感监测 冰湖灾害 深度学习 自注意力机制 U-Net卷积神经网络 remote sensing monitoring glacial lake disaster deep learning self-attention mechanism U-Net
精准高效地从高分辨率遥感影像中提取建筑物信息对国土规划和地图制图意义重大，近年来基于卷积神经网络进行建筑物信息提取已经取得了很大的进展，然而在处理高分辨率遥感影像时仍存在影像的高级语义特征利用不够充分，难以获得细节丰富高精度分割影像的问题。文章针对以上问题提出了一种用于建筑物自动提取的深度学习网络结构空洞空间与通道感知网络(Atrous Space and Channel Perception Network，ASCP-Net）。该模型将空洞空间金子塔池化（Atrous Spatial Pyramid Pooling, ASPP）和空间与通道注意力 （Spatial and Channel Attention, SCA）模块融入到编码器-解码器结构中，通过ASPP模块来捕获和聚合多尺度上下文信息，采用SCA模块选择性增强特定位置和通道中更有用的信息，并将高低层特征信息输入解码网络完成建筑物信息的高效提取。在WHU建筑数据集（WHU Building Dataset）上进行实验，结果表明：文章提出的方法总体精度和F1评分分别达到了97.4%和94.6%，相比其他模型能够获得更清晰的建筑物边界，尤其对图像边缘不完整建筑的提取效果较好，有效提升了建筑物提取的精度和完整性。
高分辨率遥感影像 双注意力机制 空洞卷积 建筑物提取 high-resolution remote sensing images dual attention mechanism atrous convolution building extraction 强激光与粒子束
2024, 36(4): 043016
1 重庆邮电大学 通信与信息工程学院，重庆 400065
2 北京智芯微电子科技有限公司，北京 102200
【目的】电力线载波（PLC）通信系统采用基于帧突发的传输模式，由于PLC系统的收发信机之间存在载波频偏、PLC信道存在各种噪声以及时变特性，加之PLC系统没有专用参考信号，传统信道估计对PLC信道没有跟踪预测能力，进而造成PLC系统性能恶化。
【方法】文章针对现有问题，提出了一种基于长短期记忆（LSTM）神经网络和去噪卷积神经网络（DnCNN）的去噪长短期记忆（DnLSTM）神经网络，并利用该DnLSTM神经网络进行了PLC信道估计。首先对DnLSTM神经网络进行离线训练再保存训练好的DnLSTM参数，之后将其部署到PLC系统中，加载训练完成的参数后再进行在线预测，得到PLC系统信道响应。在电力线系统仿真中，文章采用最小二乘法（LS）、最小均方误差（MMSE）算法以及DnLSTM神经网络进行信道估计，给出在高斯白噪声（AWGN）、组合噪声、色噪声和脉冲噪声条件下的仿真结果，同时调整了用于信道估计的前导符号数量并进行了对应的仿真。
【结果】仿真结果表明，DnLSTM神经网络进行信道估计的精度与采用的前导符号数量有关，采用4个前导符号进行信道估计，其估计精度优于LS，接近MMSE算法，并且DnLSTM神经网络具有很好的抵抗载波频偏以及信道时变的能力。当用于信道估计的前导符号越多时，低信噪比（SNR）情况下的PLC系统性能越好，高SNR情况下的PLC系统性能相似。
【结论】通过以上仿真可得出，基于LSTM和DnCNN的DnLSTM神经网络可以很好地估计存在频偏的PLC系统信道响应，可实时跟踪其变化。
电力线载波通信 信道估计 深度学习 长短期记忆神经网络 去噪卷积神经网络 PLC communication channel estimation deep learning LSTM neural network DnCNN 光通信研究
2024, 50(2): 22005801
长春理工大学电子信息工程学院，吉林 长春 130012
针对彩色图像引导的深度图像超分辨率重建算法中存在的纹理转移和深度流失的问题，提出一种基于双特征融合引导的深度图像超分辨率重建网络（DF-Net）。为了充分利用深度和强度特征的关联性，在网络模型的深度恢复重建部分采用双通道融合模块（DCM）和双特征引导重建模块（DGM）。利用输入金字塔结构提取深度信息和强度信息的多尺度特征：DCM基于通道注意力机制对深度特征和强度特征进行通道间的特征融合与增强；DGM将深度、强度特征自适应选择融合后实现重建的双特征引导，增加了深度特征的引导作用，改善了纹理转移和深度流失的问题。实验结果表明，所提方法的峰值信噪比（PSNR）和均方根误差（RMSE）优于RMRF、JBU和Depth-Net等方法，尤其4×超分辨率重建结果的PSNR值比其他方法平均提升6.79 dB，RMSE平均下降0.94，取得了较好的深度图像超分辨率重建效果。
图像处理 图像超分辨率重建 卷积神经网络 深度图像 特征融合 通道注意力 激光与光电子学进展
2024, 61(8): 0837007
