针对目前图像去雾方法中存在的输出图像色彩偏暗、场景信息丢失以及去雾不彻底等问题, 提出了一种基于注意力机制的端到端图像去雾方法。首先将通道注意力机制嵌入到Inception网络中, 并由融合后的网络进行浅层特征提取; 然后通过多尺度卷积和残差密集连接块学习深层图像信息, 同时以跳跃连接的方式实现深浅特征融合; 最后经过单一卷积层回归到像素比例系数矩阵, 依据改进后的大气散射模型生成无雾图像; 网络模型在均方差(MSE)的基础上设计了保真度损失函数作为约束。在RESIDE雾天数据集上的实验结果显示, 提出的方法的峰值信噪比(PSNR)、结构相似度(SSIM)、学习感知图像块相似度(LPIPS)和CIEDE2000分别达到32.545,0.970, 0.026和2.711, 表现出良好的效果, 输出图像去雾彻底, 色彩保真度高, 并有效避免了已有方法中的细节信息丢失问题。

由于成像机理不同，红外图像以像素分布表征典型目标，而可见光图像以边缘和梯度描述 纹理细节，现有的融合方法不能依据源图像特征自适应变化，造成融合结果不能同时保留红外目 标特征与可见光纹理细节。为此，本文提出红外与可见光图像多特征自适应融合方法。首先，构 建了多尺度密集连接网络，可以有效聚合所有不同尺度不同层级的中间特征，利于增强特征提取 和特征重构能力。其次，设计了多特征自适应损失函数，采用VGG-16网络提取源图像的多尺度 特征，以像素强度和梯度为测量准则，以特征保留度计算特征权重系数。多特征自适应损失函数 监督网络训练，可以均衡提取源图像各自的特征信息，从而获得更优的融合效果。公开数据集的 实验结果表明，该方法在主、客观评价方面均优于其他典型方法。

针对受肺肩区域、胸膈角及肋骨影响的胸部肺野分割问题，提出了一种基于改进U-Net的肺野分割算法。首先，用inception模块代替U-Net编码块中的卷积层，在增加网络宽度的同时捕获更多的图像特征。然后，在编码块与解码块中引入残差网络，提升网络深度的同时保证网络稳定；在编码与解码之间用跳跃连接增强特征的传递和利用，解决编码部分连续下采样中的胸部肺野特征丢失问题。最后，在编码与解码部分结合通道和空间注意力机制对图像特征进行重标定，有效提高了算法的分割精度。实验结果表明，相比其他分割算法，本算法的分割性能更好，在公开Montgomery County数据集上的准确率、召回率、特异性、平均交并比分别为98.90%、97.81%、99.28%、97.17%。

针对医学图像分割中网络深度过深和上下文信息欠缺导致的分割精度降低等问题,提出了一种基于改进U-Net的磁共振成像(MRI)脑肿瘤图像分割算法。该算法通过嵌套残差模块和密集跳跃连接组成一种深度监督网络模型。为了减小编码路径和解码路径特征图之间的语义差距,将U-Net中的跳跃连接改为多类型的密集跳跃连接;为了解决网络过深导致的退化问题,加入残差模块,以防止网络梯度消失。实验结果表明,本算法分割肿瘤整体、肿瘤核心、增强肿瘤的Dice系数分别为0.88、0.84、0.80,满足临床应用的需求。

由于图像的像素越来越小,数字成像传感器输出的信号对光子噪声的敏感性越来越强,使光子噪声成为数字图像传感器噪声的主要来源。鉴于此,提出一种基于非对称卷积神经网络的图像去噪算法。为了提高模型的泛化能力,将网络框架分为噪声评估网络和去噪网络两部分。为了减少编码器与解码器中网络特征映射之间的语义差距,对去噪网络中的跳跃连接进行改进,使特征在语义上更相似,以便于任务的优化处理。从定性和定量方面进行对比实验,实验结果表明,改进后的网络模型的去噪性能更佳。

针对监控视频中车牌图像超分辨率重建数据处理量较大、性能差的问题,提出了一种基于逐级反投影网络的车牌图像超分辨率重建算法。首先,为了减少超分辨率网络数据处理量,先检测并提取出低分辨率车牌区域。然后,分解深度反投影网络(DBPN)中较大的采样倍数,以逐级采样的方式完成迭代反投影。在逐级反投影单元中,跳线连接融合逐级采样产生的中间尺度特征,以提高特征利用率;用1×1卷积层降低融合后中间尺度的特征维度,同时保留关键信息。最后,根据逐级上投影单元产生的特征图重建高分辨率车牌图像。实验结果表明,相比DBPN,本算法不仅降低了超分辨率网络的数据处理量和参数量,且重建的车牌图像质量在主观感受和客观评价指标方面都得到了很大的提升。