光子学报
2023, 52(11): 1110003
1 沈阳理工大学自动化与电气工程学院, 辽宁 沈阳 110159
2 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛 125105
针对水体对光的吸收和散射导致的水下图像细节模糊和颜色失真等问题,提出了一种基于多尺度生成对抗网络的水下图像增强算法。该算法用对抗网络作为基础框架,结合残差连接和密集连接加强水下图像特征的传播。首先,通过两个并行支路提取退化图像不同空间的视觉信息,并在每个支路加入残差密集块,以学习更深层次的特征。然后,将两个支路提取的特征进行融合,经过重建模块恢复图像的细节信息。最后,构建多个损失函数,反复训练对抗网络,获得增强的水下图像。实验结果表明,本算法增强的水下图像色彩鲜明且去雾效果较好,水下彩色图像质量均值比原始图像高0.1887,加速稳健特征的匹配点数比水下残差网络算法多17个。
图像处理 生成对抗网络 多尺度 残差密集块 激光与光电子学进展
2021, 58(16): 1610017
1 沈阳工业大学电气工程学院, 辽宁 沈阳 110870
2 中国科学院沈阳自动化研究所光电信息处理重点实验室, 辽宁 沈阳 110016
3 沈阳工程学院信息学院, 辽宁 沈阳 110136
高光谱图像包含着丰富的光谱信息,单幅RGB重建高光谱图像在**目标识别和医学诊断领域具有重要价值。传统算法无法对未知相机光谱响应的RGB图像进行重建,针对此问题,本文提出了一种基于改进残差密集网络的重建算法。首先,将改进的残差密集块作为残差密集网络的基本模块,使用自适应权重模块对特征通道进行特征重标定,使高光谱重建精度得到了提高。其次,用特征变换层替代原来网络的空间变换层,将解决图像超分辨率问题转换成解决高光谱重建问题,实现网络从空间维度到光谱维度的转变。实验结果表明:本文所提算法无论是在主观效果上还是在客观评估指标上均优于主流的传统方法和深度学习方法,与稀疏字典方法相比,本文算法的平均相对绝对误差(MRAE)和均方根误差(RMSE)分别下降了46.7%和44.8%。
光谱学 高光谱成像 残差密集网络 通道自适应 特征重标定 RGB图像
1 火箭军工程大学作战保障学院, 陕西 西安 710025
2 北京遥感设备研究所, 北京 100854
针对军用无人飞行器对海上重要舰船合成孔径雷达图像获取困难的问题,提出了一种从单一图像学习图像内部分布的无条件图像生成网络。该网络采用金字塔式多尺度生成对抗网络(GAN)思想,在每一层金字塔中都有一个GAN负责该尺度下图像块的生成和判别,且每个GAN具有相似的结构。生成器前端采用不同大小卷积核连接的Inception模块获取不同尺度下的图像特征,为了充分利用这些特征,加入了残差密集模块;判别器采用马尔科夫判别器的思想,捕捉不同尺度下的图像分布。将所有生成的图像制成数据集用于训练不同的目标检测算法,结果表明,训练后模型的平均精度得到了一定的提升,验证了该网络模型的有效性。
数字图像处理 金字塔结构 残差密集 多尺度 生成对抗网络 激光与光电子学进展
2020, 57(20): 201018
1 中国人民解放军第四八零八工厂军械修理厂,山东青岛266000
2 哈尔滨理工大学测控技术与通信工程学院,黑龙江哈尔滨150080
生成对抗网络模型可以用来生成服从原始真实图像分布规律的高频细节信息。为了进一步提高重建图像的视觉质量,对生成对抗网络的生成网络、判别网络及感知损失三个方面进行了改进。首先移除了生成网络中的BN 层,同时在残差块中采用密集连接的方式,增加网络模型的容量,降低了计算复杂性,增强了网络训练的稳定性。然后采用迁移学习技术来促进深度模型的训练,解决了遥感数据不足的问题。实验结果表明提出的算法通过对遥感图像超分辨率重建算法进行改进,可以获得更好的主观视觉效果,PSNR 和SSIM 均有显著提高。
生成对抗网络 遥感图像超分辨率重建 残差密集块 迁移学习 感知损失 generative adversarial network remote sensing image superresolution reconstructio residual dense block transfer learning perceptual loss
卷积神经网络模型能够提取图像不同层次的分层特征,提取图像包含有大量的细节信息,然而,现有方法没有充分利用网络模型提取的所有分层特征。为了充分利用所有分层特征,增强特征重利用和信息连续传递,设计了适用于高光谱图像分类的残差密集网络模型。残差密集网络结合了残差网络和密集网络,包括浅层特征提取、残差密集单元和密集特征融合三部分。利用卷积操作提取原始图像的浅层特征,将浅层特征作为残差密集单元的输入,残差密集单元的输出与下一个单元中每个卷积层的输出建立短连接,实现了信息连续传递;将两个单元提取的密集特征与浅层特征相加形成全局残差学习,实现了所有分层特征的融合,最终的融合特征用于高光谱图像分类。实验表明,本文方法用于Indian Pines数据、University of Pavia数据及Salinas数据能够分别取得98.71%、99.31%及97.91%的分类精度,有效提高了高光谱图像的分类精度,增强了分类方法的稳定性。
图像处理 高光谱图像 残差学习 密集网络 残差密集网络 激光与光电子学进展
2019, 56(15): 151006