中国光学期刊网

针对当前分割方法不能兼顾可见光与近红外光谱的异质噪声虹膜图像的分割精度与效率问题，提出一种基于注意力机制与密集多尺度特征融合的编解码网络。首先，引入基于深度可分离卷积的改进残差瓶颈单元，降低参数量与计算量的同时减少信息丢失与梯度混淆；其次，改进密集空洞空间金字塔模块的空洞率组合并放置于编码器后以增强多尺度特征融合；最后，设计了一种高效并行空间-通道注意力模块并添加至每个下采样层与解码器之后，提升对噪声目标与虹膜像素的分辨能力。在3个公开虹膜数据集上的实验表明，其平均F1分数与mIoU均优于已有算法；空间占用、参数量、计算量分别比基准网络减少41%、41.77%、65.35%；有效改善了网络对多个光谱噪声虹膜的分割性能且更易部署于移动端设备，能够更加高效、精确地分辨噪声与虹膜目标。

针对当前低剂量计算机断层扫描(LDCT)）重建图像中存在复杂噪声与条纹伪影的问题，提出一种基于双注意力机制和复合损失的低剂量CT去噪方法。该方法通过引入空间注意力与通道注意力机制，获取了全局特征信息，并对特征权重进行了重标定，使重要的结构细节能够得以保留以，从而提升了网络的去噪性能；同时加入感知损失度量函数，使对人眼而言敏感的纹理信息得到保留。实验结果表明，在视觉效果上，所提出的算法不仅去除了低剂量CT图像中的噪声和伪影，同时也保留了更多的纹理特征与结构细节；峰值信噪比值等客观指标均高于其他对比算法。

为了检测X光图像中的违禁物品,提出一种基于深度学习的单阶段双网络目标检测算法。在单阶段目标检测网络Yolov3的基础上,结合复合骨干网络的思想,构建了Yolo-C目标检测网络。Yolo-C的骨干网DarkNet-C由辅助骨干网络DarkNet-A和引导骨干网络DarkNet-L组成。DarkNet-A中的各个特征层与DarkNet-L中对应的上一层级进行特征级联,然后向下一层级传播,最终得到表征图像信息的特征图。为提升对小目标的检测性能,引入特征增强模块(FAB)。对级联后的特征图进行特征融合,以增强特征的非线性表达能力,达到特征平滑的目的。此外,采用迁移学习和数据增强的方法训练网络,提升了网络的鲁棒性。该算法在SIXray_OD数据集上平均精度均值(mAP)达到了73.68%,检测速度达40 frame·s ^-1。实验结果表明,Yolo-C在检测X光图像领域,有效提高了对多类违禁物品的检测精度,且满足检测的实时性要求。

现有的目标检测算法检测X光安检图像中较小尺寸的危险品精度较低,为此提出一种多尺度特征融合检测网络,即MFFNet(Multi-scale Feature Fusion Network),其以SSD检测模型为基础并采用更深的特征提取网络,即ResNet-101。通过跳跃连接的方式将网络的高层语义丰富特征与低层边缘细节特征进行融合,为小尺度危险品的检测添加上下文信息,可以有效提升对小尺度目标的识别与定位精度。将融合得到的新特征层与SSD扩展卷积层一起送入检测。实验结果表明,MFFNet能够使X光安检图像中的危险品特别是较小尺寸的危险品,检测精度得到较大的提升,同时能够保持相对较快的检测速度,满足现代化安检的要求。

针对模糊C均值(FCM)聚类算法在数据集下聚类效果差的情况,以及基于欧氏距离的相似性度量只考虑数据点之间的局部一致性问题,提出了基于Jeffery散度相似性度量加权FCM聚类算法(JW-FCM)。引入源于Jeffery散度的相似性度量,首先,对于FCM算法进行特征加权,对数据的不同特征值赋予适当的权重,再将Jeffery散度与加权FCM算法进行结合得到JW-FCM算法。将JW-FCM算法与几种相关算法在人工数据集和UCI数据集上进行对比实验,通过实验分析与比较,证明了JW-FCM算法具有更好的收敛性、鲁棒性、准确性。实验结果表明,改进算法表现出较好的聚类效果。

针对传统图像拼接方法处理速度慢、效率低、无法满足高分辨率图像快速准确拼接的需要,提出一种基于ORB特征的高分辨率图像拼接改进算法。首先在ORB特征点提取的基础上,采用汉明距离进行快速粗匹配;然后基于渐进采样一致性(PROSAC)算法对匹配点对进行优化,去除误匹配点对之后,求解图像变换矩阵;最后采用渐入渐出加权融合算法对图像重叠区域进行融合,去除拼接痕迹。实验结果表明,相较于传统算法,本文算法不仅在处理速度上具有明显优势,而且匹配准确度更高,能够对高分辨率图像实现快速准确的拼接。

在目标识别和图像配准等领域中,进行特征点匹配时一般都会产生误匹配点,对误匹配点的准确剔除可以有效提升识别精度及配准精度,因而成为研究的重点。当前比较成熟的剔除算法,如random sample consensus(RANSAC)、M-estimator sample consensus(MSAC)等,经常会出现剔除部分正确匹配点的情况。针对当前存在的问题,提出了一种基于Pearson相关系数,对长度和夹角进行双约束的误匹配点剔除算法。所提算法首先粗剔除误差较大的误匹配点,进而通过迭代的方式对误差较小的误匹配点进行精细剔除。多幅图像的实验结果证明,所提算法能在剔除全部误匹配点的基础上保留绝大部分正确匹配点,与对比组算法相比,保留正确匹配点的比例更高,有效地降低了误剔除率,对提升图像匹配的准确度具有重要意义。

常态化疫情防控形势下,通过口罩佩戴检测可以及时提醒人们正确佩戴口罩,从而降低公共场合人员交叉感染的风险。针对口罩佩戴检测任务中被遮挡目标和小目标检测困难的问题,提出一种YOLO-Mask算法。该算法以YOLOv3为基础,在特征提取网络中引入注意力机制,以提升模型对显著特征的表达能力;然后使用特征金字塔和路径聚合策略进行特征融合,使细节特征信息得到增强,实现不同层次特征信息的充分利用;最后优化了损失函数。实验表明:对不同场景下的口罩佩戴目标进行检测,YOLO-Mask算法的平均精度均值达到93.33%,相比于原始YOLOv3算法提高7.62%;与其他主流算法相比,该算法具有更好的检测效果和鲁棒性。

突发性人群聚集会给人们的人身安全带来隐患,因此,对高风险区域进行有效的人群计数具有重要意义。针对多列神经网络结构臃肿、冗余信息多及耗时长等问题,提出了一种基于单列深度时空卷积神经网络的人群计数模型,并对模型进行改进,以满足视频图像计数的需要。首先,在全卷积神经网络(FCN)中加入空洞卷积和跳级连接特征融合,以提高网络提取特征的能力。然后,为了减少视频监控产生的角度畸变对计数结果的影响,在长短期记忆(LSTM)网络结构中加入空间变换模块;为了提高网络计数结果的精确性,用残差连接方式连接改进的FCN和关联时序的LSTM网络。最后,在UCSD、Mall和自建人群数据集上分别进行测试,结果表明,相比其他模型,本模型的人群计数准确性和鲁棒性更好。

针对三维卷积网络在训练样本较少时对高光谱图像的分类精度不理想问题,提出了一种高效的基于多特征融合和混合卷积网络的分类模型。首先,对高光谱图像进行降维处理后用三维卷积层提取深层空谱联合特征。然后,引入残差连接并通过特征图连接和逐像素相加进行多特征融合,实现特征重用、增强信息传递。最后,用二维卷积层对提取的特征进行空间信息强化,实现图像分类。实验结果表明,在三个公开高光谱数据集Indian Pines、Salinas和University of Pavia中分别用标记样本的5%、1%、1%作为训练样本时,本模型的分类精度分别为97.09%、99.30%、97.60%,可以有效提升小样本情况下的高光谱图像分类效果。