针对传统去雾算法处理图像后存在颜色不均衡、能见度较低等问题, 提出一种基于雾线先验的双边滤波优化透射率算法。首先, 将像素在RGB空间中聚类成雾线并引入自适应模块对大气光值进行预估。将大气散射模型和上下文正则化原理相结合, 对图像透射率进行初步优化, 同时基于最小通道对透射率进行更正, 使得传输率图更加平滑, 防止相邻景深区域透射率差距过大; 再经过双边滤波对透射率进行二次优化, 使其变得更加精准。然后, 将大气光值和透射率输入到大气散射模型进行去雾处理得到无雾图像。最后, 将去雾后的图像进行色彩增强, 以提升图像的色彩真实性和亮度。实验结果表明, 所提方法在主观上提升了人眼的视觉效果, 在客观评价指标结构相似性(SSIM)、峰值信噪比(PSNR)、角点检测数、通用质量指数(UQI)、自然图像质量评估(NIQE)和处理时长上均有着显著的优越性。

3D点云数据处理在物体分割、医学图像分割和虚拟现实等领域起到了重要作用。然而现有3D点云学习网络全局特征提取范围小，难以描述局部高级语义信息，进而导致点云特征表述不完整。针对这些问题，提出一种基于语义信息补偿全局特征的物体点云分类分割网络。首先，将输入的点云数据对齐到规范空间，进行数据的输入转换预处理。然后，利用扩张边缘卷积模块提取转换后数据的每一层特征，并叠加生成全局特征。而在局部特征提取时，利用提取到的低级语义信息来描述高级语义信息和有效几何特征，用于补偿全局特征中遗漏的点云特征。最后，融合全局特征和局部高级语义信息得到点云的整体特征。实验结果表明，文中方法在分类和分割性能上优于目前经典和新颖的算法。

针对水下图像存在雾气分布不均、光照不均等问题, 提出了全局特征双注意力融合对抗网络的水下图像增强算法。首先, 利用卷积层不断对输入图像进行下采样, 代替平均池化来提取输入图像的全局特征;其次, 通过构建全局特征双注意力融合模块, 以适应多变的水体环境, 更有效地增强不同分布程度的水下图像;最后, 在训练中加入条件信息作为限制, 提升网络的稳定性。实验结果表明, 所提算法与其他经典及最新算法相比具有优势, 表明其具有良好的图像增强效果。

胶囊网络作为一种新型深度学习网络,胶囊结构可以编码特征的姿态、纹理、色调等信息,对图像具有良好的纹理特征编码能力。针对胶囊网络的初级特征提取网络过于简单、空间特征表达能力不足的问题,提出了一种结合深度卷积神经网络特征表达能力与小波变换多分辨率分析能力的离散小波胶囊网络(DWTCapsNet)。首先,研究了胶囊网络在纹理图像分类应用中的可行性;其次,研究了DWTCapsNet各部分对胶囊网络分类性能提升的能力;最后,通过抗旋转和抗噪声实验分析了DWTCapsNet的鲁棒性。以分类准确率为模型评价标准,在常用纹理图像数据集上的实验结果表明,DWTCapsNet的分类准确率较高。

针对现有基于过分割的手写体数字字符串识别算法的复杂度较高,以及基于无分割算法无法识别4位及以上长度字符串和准确率较低的问题,提出了基于掩模区域神经网络(Mask-RCNN)的无分割手写数字字符串的识别算法。由于Mask-RCNN增加了并行的全卷积分割子网,能够同时实现对粘连手写数字串中单个数字的掩模分割和数字类别的分类任务。测试集的结果表明,在NIST SD19数据集的1~6位数字串图像及自建掩模数据集的训练下,该网络对长度分别为3位,4位和5位字符串的识别准确率比目前最新算法分别提高了1.2、0.6、0.4个百分点,该算法对非限制位数的手写体数字串的识别具有显著优势,应用前景广阔。