针对传统的弱光照图像增强算法鲁棒性差, 基于神经网络的图像增强算法直接从弱光照图像中估计增强结果, 并未注入视觉注意机制, 不能有效注意弱光照区域, 导致算法增强结果的精度不高等问题, 本文提出了注意残差稠密神经网络的弱光照图像增强算法来提高弱光照图像的增强精度和视觉效果。该算法主要包括注意循环网络和残差稠密网络, 注意循环网络在光照图的引导下, 利用循环网络结构逐步关注图像中的弱光照区域, 从而产生由粗到细, 逐步优化的光照注意图。而光照注意图则进一步联合弱光照图像作为后续的残差稠密网络的输入, 引导残差稠密网络为弱光照区域分配更多的计算资源, 更好地学习弱光照图像与增强图像的映射关系, 得到准确的图像增强结果。实验表明, 本文算法在合成图像及真实图像上均较常用算法有更好的增强效果。

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%。

针对传统图像去雨算法未考虑多尺度雨条纹及图像去雨后细节信息丢失的问题,提出一种基于多流扩张残差稠密网络的图像去雨算法,利用导向滤波器将图像分解为基础层和细节层。通过直接学习含雨图像细节层和无雨图像细节层的残差来训练网络,缩小映射范围。采用3条带有不同扩张因子的扩张卷积对细节层进行多尺度特征提取,获得更多上下文信息,提取复杂多向的雨线特征;同时,将扩张残差密集块作为网络的参数层,加强特征传播,扩大接受域。在合成图片和真实图片上的实验结果表明,所提算法能有效去除不同密度的雨条纹,并较好地恢复图像细节信息。通过对比其他算法,证明了所提算法在主观效果和客观指标上都有提升。

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。