华北理工大学电气工程学院,河北 唐山 063210
针对金属工件表面缺陷分割精度低的问题,通过对工件表面图像缺陷特征研究,提出以U-net为基础,结合多尺度自适应形态特征提取模块及瓶颈注意力模块的工件表面缺陷分割模型。首先,在网络中嵌入多特征注意力有效聚合模块,提高信息的利用率,提取更多相关特征,从而高精度地提取缺陷目标。然后,在网络中引入瓶颈注意力模块,增加缺陷目标的权重,优化特征的提取,获取更多的特征信息,从而获得更好的分割精度。改进后的网络平均精度达到0.8749,比原网络相比提高了2.92%,平均交并比达到0.8625,提高了3.72%。与原始网络相比,改进后的网络具有更好分割的精度,可以获得更好的分割结果。
表面光学 表面缺陷 图像分割 U-net网络 多特征注意力有效聚合模块 瓶颈注意力模块 激光与光电子学进展
2023, 60(15): 1524001
光学 精密工程
2023, 31(10): 1522
1 上海工程技术大学 机械与汽车工程学院,上海 201620
2 复旦大学附属眼耳鼻喉医院 眼科,上海 200031
视网膜微动脉瘤的检测对于早期发现糖尿病视网膜病变等重要疾病至关重要,但该病灶尺寸相对较小,属于眼底图像中的微小目标,现有的微动脉瘤检测算法难以实现该病灶的精准检测,为此提出了基于多特征尺度融合的改进Faster-RCNN微动脉瘤自动检测算法。该算法在Faster-RCNN网络模型的基础上,首先采用多特征尺度融合对特征提取网络与RPN结构进行改进以提高网络对于微小目标特征的利用;然后,通过感兴趣区域齐平池化以消除感兴趣区域池化过程中引入的量化误差;最后,通过对损失函数中的smooth L1损失函数进行重新设计得到平衡L1损失函数以实现损失函数优化,从而有效降低大梯度难学样本与小梯度易学样本间的不平衡问题,进而使得模型能够得到更好地训练。针对眼底图像中微动脉瘤的自动检测,将优化后的Faster-RCNN网络模型在Kaggle数据集上进行训练及测试,并与其他方法进行对比。实验结果表明,与其他各种结构的Faster-RCNN网络模型相比,所提出的基于多特征尺度融合的改进Faster-RCNN算法能显著提高检测结果(F-score与原始Faster-RCNN相比提升了9.36%);与其他网络模型以及方法相比,所提出的基于多特征尺度融合的改进Faster-RCNN的自动检测精度明显更优。故所提出的基于多特征尺度融合的改进Faster-RCNN算法性能较优,能准确、有效地检测出眼底图像中的微动脉瘤。
眼底图像 微动脉瘤 Faster-RCNN 多特征尺度融合 深度学习 Fundus image Microaneurysms Faster-RCNN Multi feature scale fusion Deep learning
郑州大学电气与信息工程学院, 河南 郑州 450001
针对目前的目标跟踪算法在目标发生运动模糊或被遮挡等情况下跟踪效果较差, 容易出现跟踪失败等情况, 本文提出了一种多特征自适应融合的抗遮挡相关滤波跟踪算法。算法首先提取梯度方向直方图特征 HOG和颜色直方图特征, 以最大化跟踪质量为目标自适应融合两种特征的相关滤波响应; 在跟踪的过程中根据响应图的质量存储高质量滤波模板, 采用高质量模板和正常更新模板检测响应图的质量差值来检测目标的遮挡情况, 当目标遮挡消失的时候, 跟踪器的模板回溯到高质量模板来重新跟踪目标。根据在 OTB100、UAV123的实验结果, 本文算法相对于其他同类型的相关滤波在跟踪精度和成功率方面表现更好, 在发生目标遮挡时仍能很好地跟踪。
相关滤波 多特征自适应融合 抗遮挡 跟踪目标 correlation filtering, multi feature adaptive fusi
1 西南科技大学信息工程学院,四川 绵阳 621010
2 西南科技大学特殊环境机器人技术四川省重点实验室,四川 绵阳 621010
为了改善计算机断层扫描(CT)影像重建质量不高的问题,提出一种基于残差注意力聚合对偶回归网络(RAADRNet)的超分辨率CT重建方法。多特征下采样提取模块(MFDEB)通过平均池化、最大池化和卷积运算完成多特征下采样提取,在多特征融合后嵌入通道学习注意力(CLA)和空间学习注意力(SLA),同时并入前级融合特征提取图像的浅层特征。CLA、SLA分别引入通道权重特征学习以及激活函数1+tanh()完成特征提取。残差注意力聚合模块(RAAB)通过CLA嵌入残差网络构成的残差通道学习注意力模块(RCLAB)与SLA构成的空间特征融合模块(SFFB)联合提取图像的深层特征。原始网络在浅层特征与通过亚像素卷积放大的深层特征进行特征融合后完成重建。对偶网络进一步约束重建映射函数的解空间。实验表明,所提算法在重建图像的峰值信噪比(PSNR)和结构相似度(SSIM)上都得到了较好的提升。
图像处理 超分辨率计算机断层扫描重建 多特征下采样 通道学习注意力 空间学习注意力 残差注意力聚合 激光与光电子学进展
2023, 60(2): 0210009
1 天津理工大学电气工程与自动化学院,天津 300384
2 天津市复杂系统控制理论与应用重点实验室,天津 300384
针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。
多特征融合 支持向量机 粒子群优化算法 特征提取 红外图像分类 multi-feature fusion support vector machine particle swarm optimization feature extraction infrared image classification
针对合成孔径雷达(SAR)目标识别问题, 提出结合多特征联合表征和自适应加权的方法。分别采用主成分分析(PCA)、单演信号以及Zernike矩特征描述原始SAR图像, 获得3个对应的特征矢量。基于联合稀疏表示模型对3类特征进行联合表征。针对不同特征条件下的重构误差矢量, 采用自适应加权算法进行融合处理, 即在线性融合的框架下自适应获得权值, 达到良好的决策融合效果。最终, 根据融合后的误差对目标类别进行判定。实验基于MSTAR数据集开展, 针对10类目标识别问题分别在标准操作条件、噪声干扰和部分遮挡条件下进行测试, 结果验证了方法的有效性。
合成孔径雷达 目标识别 多特征 联合稀疏表示 自适应加权 synthetic aperture radar target recognition multiple features joint sparse representation adaptive weighting
西藏民族大学 信息工程学院,陕西 咸阳 712082
针对红外图像目标分类问题,提出了结合多特征融合和极限学习机(extreme learning machine,ELM)的方法。采用主成分分析(principal component analysis,PCA)、局部二值模式(local binary pattern,LBP)以及尺度不变特征变换(scale-invariant feature transform,SIFT)三类特征分别描述红外图像中目标的像素分布、局部纹理以及特征点信息。三类特征从不同侧面反映红外图像目标特性,因此具有互为补充的优势。在此基础上,基于多重集典型相关分析(multiset canonical correlations analysis,MCCA)对三类特征进行融合处理,获得统一的特征矢量。融合后的特征不仅继承了原始三类特征的鉴别特性,还有效去除了冗余信息。分类过程中,采用极限学习机作为基础分类器对融合特征矢量进行分类。极限学习机具有参数少、效率高、精度高和稳健性强等显著特点,有利于提高红外目标分类的整体性能。因此,所提出的方法通过结合多特征和极限学习机的优势综合提升了目标识别性能。在实验过程中,采用四类飞机目标的红外图像对所提出方法进行了性能测试。根据与现有几类方法的对比,实验结果证明了提出方法的性能优势。
红外图像 目标分类 多特征融合 极限学习机 infrared imagery target classification multi-feature fusion extreme learning machine 红外与激光工程
2022, 51(6): 20210597
1 安徽工程大学电气工程学院,安徽 芜湖 241000
2 安徽工程大学高端装备先进感知与智能控制教育部重点实验室,安徽 芜湖 241000
3 奇瑞新能源汽车股份有限公司,安徽 芜湖 241000
针对目标跟踪算法应对遮挡、模糊、尺度变换等挑战时,容易导致漂移和跟踪失败的情况,提出一种复杂场景下的自适应相关滤波跟踪算法。首先,采用所提的多特征互补策略,利用特征训练相应滤波器,根据每个滤波器的响应值动态调整特征的融合权重,完成对目标的位置估计;然后,以估计位置中心构建尺度滤波器,完成目标最优尺度的估计;最后,融合多尺度搜索区域策略,并根据跟踪置信度对跟踪模型选择性进行更新,进一步提升了跟踪器的性能和抗遮挡能力。在OTB2015的74组彩色数据集上进行测试,并对所提算法与近年来先进的相关滤波算法进行对比。所提算法的平均距离精度为0.801,平均重叠精度为0.715,实时跟踪速度为39.24 frame/s。实验结果表明,跟踪器在复杂环境下的表现良好,整体性能优越。
机器视觉 目标跟踪 相关滤波 多特征融合 遮挡判别 激光与光电子学进展
2022, 59(24): 2415004