1 信息工程大学信息系统工程学院,河南 郑州 450001
2 河南省文物考古研究院,河南 郑州 450001
针对实验室显微CT扫描过程会产生噪声,导致重建后CT图像质量下降的问题,提出一种深层多残差编解码卷积去噪网络。以原始的残差编解码网络为基础,首先通过增加网络的卷积层数,引入多残差映射,实现对实验室级显微CT图像中噪声分布特性的有效学习;其次设计了专用的混合损失函数,增强网络对图像细节信息的保留能力。实验结果表明,所提方法对CT图像中的噪声具有显著的抑制效果,同时能够极大程度地保留图像的结构信息和特征信息。
图像处理 图像去噪 显微CT 无损检测 残差学习 混合损失函数 激光与光电子学进展
2023, 60(14): 1410014
南京邮电大学自动化学院、人工智能学院,江苏 南京 210023
针对现有基于深度学习的图像融合算法中存在图像特征提取尺度单一、卷积核感受野小、不能有效突出显著特征等问题,提出了一种基于含注意力机制的多尺度空洞卷积网络的多聚焦图像融合算法。首先,构造一种多尺度空洞卷积模块,通过不同的扩张率改变卷积的感受野,从而提取源图像中的多尺度特征。此外,在多尺度空洞卷积模块中引入注意力机制,能自适应地选择显著性特征,进一步提高融合性能。所提融合网络包含特征提取、特征融合和图像重建等3个部分,其中特征提取部分主要由多尺度空洞卷积模块构成。相关实验结果表明,所提算法与现有基于深度学习的算法相比具有一定的竞争力。消融实验也验证了所提多尺度空洞卷积模块能强化网络的特征提取能力,提高图像融合质量。
图像处理 多聚焦图像融合 多尺度 空洞卷积 残差学习 注意力机制 激光与光电子学进展
2023, 60(2): 0210003
光学 精密工程
2022, 30(20): 2489
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
颜料的分类识别是古代壁画进行保护修复的基础,多光谱成像方法能够无损快速地获取壁画颜料的光谱图像数据并进行分析。传统利用卷积神经网络进行特征提取的算法中连续的卷积和池化操作会丢失壁画多光谱图像的部分特征信息,使得图像细节无法重建,导致分类图像边界不平滑。针对该问题,提出了一种基于多尺度特征融合的三维空洞卷积残差神经网络对壁画多光谱图像进行颜料分类。首先,在卷积核中引入空洞结构提高卷积核的感受野来提取不同尺度信息,避免池化操作所导致的部分特征丢失;其次,使用特征融合的方法融合不同尺度的特征图,增加多尺度特征的结构层次;最后,引入残差学习模块避免网络层数加深导致的梯度消失问题,重建完整的边缘信息。实验结果表明,所提方法在模拟壁画多光谱图像数据集上的总体精度和平均精度分别达到了98.87%和96.89%,与各对照组相比,不仅具有更好的分类精度,而且得到了边界更清晰的分类图像。
光谱学 多光谱图像分类 空洞卷积 多尺度特征融合 残差学习 激光与光电子学进展
2022, 59(22): 2230001
大连理工大学电子信息与电气工程学部,辽宁 大连 116024
针对乳腺癌肿瘤区域在整幅图像中占比较小影响早期乳腺癌排查准确率的问题,提出了一种基于卷积残差块的宽残差深度神经网络来恢复乳腺癌核磁图像高分辨特征的方法。所提方法采用全局残差与局部残差相组合的方式,使大量的低频信息可以直接被网络顶层接收,在每个残差块前加入卷积层进行特征预提取,并使用亚像素卷积层进行上采样操作完成低分辨率图像的重建。对包含260个病例的数据集进行了实验,并将所提方法和现有其他方法进行了对比。实验结果表明,所提方法在乳腺癌核磁图像超分辨的应用中优于双立方插值及其他深度学习方法。
医用光学 超分辨率 核磁图像 卷积神经网络 残差学习 激光与光电子学进展
2022, 59(22): 2217001
江西理工大学信息工程学院,江西 赣州 341000
单幅图像超分辨率重建在众多领域应用广泛,然而现有算法大多通过扩展卷积神经网络深度和宽度来提取更多特征细节,导致算法计算复杂度的提高和模型参数量的增大。为解决上述问题,提出一种自适应残差注意力的轻量级超分辨率网络算法。首先通过改进坐标注意力网络,生成了关注高频位置信息的注意力特征图;接着将改进的自适应残差注意力信息提取模块和坐标注意力模块双支路并行连接,使输出的特征信息包含更多图像细节;同时采用多尺度上采样方法,使训练得到的网络模型(单次训练)一次输出多个不同尺度的超分辨率图片。通过和经典的轻量级超分辨率算法比较,所提算法得到的4倍重建图片在4个公共数据集上的平均峰值信噪比(PSNR)提高了1.06 dB,模型参数量减少了59%,图像观感更为清晰,包含更多高频细节。
图像超分辨率 轻量级 注意力机制 卷积神经网络 残差学习 激光与光电子学进展
2022, 59(16): 1610007
现有的印刷电路板(PCB)图像去噪算法在去噪过程中容易导致边缘过度光滑和细节丢失,为了更好地提高PCB图像的去噪效果,提出了一种基于残差学习和图像差分的PCB图像去噪算法。此算法基于残差学习的思想,首先利用图像下采样方法对图像感受野进行扩大;然后设计残差块提取PCB图像噪声特征,并且在残差卷积神经网络元中加入批量归一化和ReLU激活函数,提高去噪效率;最后通过图像差分思想进行噪声去除。实验对比不同的噪声等级下各类算法的去噪性能,结果表明,所提算法在去噪评价指标峰值信噪比(PSNR)和结构相似度(SSIM)上相较于其他算法都有较好的表现。
图像处理 PCB图像去噪 残差学习 图像差分 感受野 下采样 激光与光电子学进展
2022, 59(12): 1210008
辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛 125105
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。
图像处理 超分辨率 残差学习 卷积神经网络 注意力 生成式对抗网络 激光与光电子学进展
2021, 58(20): 2010012