基于噪声水平估计的多孔准直X射线荧光CT去噪算法

X射线荧光CT(XFCT)是X射线CT与X射线荧光分析相结合的新型成像方式,可用于探测被修饰后的纳米金颗粒在肿瘤内部的分布及质量分数,在早期癌症诊疗方面具有较好的应用潜力。如何抑制XFCT成像的康普顿散射噪声是当前的热点问题。本文基于深度学习方法,通过卷积神经网络学习图像中的噪声分布规律,从而抑制噪声。基于此,提出了一种基于噪声水平估计和卷积神经网络的XFCT去噪网络（NeCNN）算法,该算法运用噪声估计子网络及去噪主网络进行去噪。估计子网络通过去噪卷积神经网络（DnCNN）估计噪声水平并初步降噪,随后将估计结果输入去噪主网络——全卷积神经网络（FCN）用于学习康普顿散射的分布规律,同时为兼顾局部与全局最优解采用均方误差（MSE）及结构相似度（SSIM）作为损失函数。数据集通过Geant4软件模拟扫描填充各种金属纳米颗粒（Au、Bi、Ru、Gd）的空气模体及聚甲基丙烯酸甲酯（PMMA）模体来获取,且设置不同入射X射线的强度,以此模拟不同噪声水平,增强模型泛化能力。实验结果表明,与三维块匹配滤波（BM3D）及DnCNN算法相比,NeCNN算法的去噪结果最优,其SSIM为0.95066,峰...     

基于邻域特征匹配的通用噪声滤波器

图像去噪是遥感图像复原的重要步骤。在去除图像噪声的同时希望尽可能多地保留图像的纹理细节信息。受较差的成像环境和图像数据远距离传输的影响,遥感图像中一般都含有较强的高斯-脉冲混合噪声,而在现有的图像去噪算法中,能够同时去除图像中的高斯-脉冲混合噪声的通用噪声滤波器很少。以非局部平均方法的滤波思想为基础,通过引入邻域相似度评价的概念和脉冲噪声探测器,提出了基于邻域特征匹配的通用噪声滤波器。实验结果表明:基于邻域特征匹配的通用噪声滤波器具备有很好地去除图像高斯-脉冲混合噪声的能力,在去除高斯-脉冲混合噪声的同时能够很好地保持图像的复杂纹理和精细细节,并且便于向DSP/FPGA多处理器平台上移植。     

基于卷积神经网络的低剂量CT图像去噪方法

为了改善低剂量计算机断层扫描(CT)图像的视觉质量,提出一种基于卷积神经网络的图像去噪方法。网络引入批量归一化,并且学习的是低剂量CT图像到其噪声图像之间的映射;使用空洞卷积在不提高复杂度的情况下增大感受野;此外,还将前后层的特征图进行连接,使后方的卷积层能够利用前方各层的特征图作为输入,鼓励网络中特征图的重用。实验结果表明,与目前较先进的方法相比,所提网络结构在实现了更好去噪效果的同时大幅度降低了网络复杂度,能够快速、显著地改善低剂量CT图像的视觉质量。     

波前解卷积方法中的高频噪声抑制

 介绍了一种波前解卷积中噪声抑制规整化的新方法，并将此方法应用于室内模拟点源实验中。该方法通过在图像复原算法中增加针对图像高频部分的限制条件来抑制高频噪声，以达到对图像复原问题病态特性的规整化。实验结果表明：该规整化方法可以有效地抑制解卷积过程中高频噪声的影响，恢复出达到理论衍射极限分辨率的图像。对于噪声水平较高的降质图像，通过这种解卷积方法可以有效地提高信噪比。同维纳逆滤波方法相比，该方法可以在有效抑制导致病态的高频噪声的基础上充分保持图像的低频；与基于贝叶斯估计的近视解卷积算法相比，该方法不需要知道噪声水平或噪声类型等先验知识，只是从噪声本质出发，通过抑制降质图像高频部分，有效地解决了病态特性问题。     

一种基于双分支改良编解码器的图像去噪算法

针对传统图像去噪算法多噪声去除难,深层卷积神经网络去噪模型网络复杂、训练时间长等问题,提出一种基于自编码器结构的双分支改良编解码网络,实现高效图像去噪。双分支结构之一采用降-升采样实现点噪声消除,另一分支专注于宏观的图像修复和伪像去除,后端利用残差结构进行整合,实现数字图像混合噪声去噪。实验结果显示:对于含有标准差为15,均值为0的高斯噪声、噪声密度为5%的椒盐噪声和散粒噪声的混合噪声图像测试集,实验去噪效果相较于输入混合噪声图像峰值信噪比,平均提升了5.3%。与12层全卷积神经网络相比,去噪效果相当,训练速度提升了25.4%,体现了其“轻量级”的优点。实验表明:该方法相较于深层卷积神经网络,训练速度快,网络简单;相较于传统图像去噪算法,噪声去除效果也较为明显。该算法可应用于轻量级视觉平台后端去噪。     

基于改进开关中值滤波的多孔网栅图像脉冲噪声消除

针对多孔网栅闪光照相图像含有随机脉冲噪声的问题,提出了一种改进的开关中值滤波噪声消除算法。该算法利用像素与邻域窗口统计中值的灰度信息,建立噪声点探测器。通过设置噪声点探测阈值来识别噪声,并用邻域窗口内统计中值代替噪声点取值。经过多次滤波,含随机脉冲噪声的计算机合成网栅图像及实验网栅图像可获得良好的恢复效果。     

基于注意力卷积神经网络的动态手势识别研究北大核心CSCD

针对复杂环境下动态手势识别准确率低的问题,提出了一种基于长短期记忆网络和卷积神经网络的动态手势识别算法。采用长短期记忆网络学习每个滤波器的权重,预测人体外形相关的滤波器组;采用卷积神经网络提取目标手势的轨迹图,创建彩色的轨迹图像;将轨迹图像送入注意力卷积神经网络训练,利用神经网络识别出复杂环境下的手势。实验结果表明,该算法能够准确地检测与跟踪手势的动态变化,并且实现了较好的手势识别准确性。     

基于全卷积神经网络的图像去雾算法

针对雾天环境下采集的图像对比度降低，饱和度下降以及色彩偏移问题，提出了一种基于全卷积神经网络的图像去雾算法。首先，提出的三个尺度的全卷积神经网络用来学习雾天图像与介质传输图之间的映射关系，逐步生成精细的介质传输图；其次，通过雾天图像引导滤波优化预测的介质传输图，使得图像边缘信息更加平滑；最后，根据暗原色先验理论估计大气光的值，通过大气散射模型恢复出无雾图像。该方法获得的无雾图像不但未造成图像中有用信息的损失，并且恢复的图像色彩自然。实验结果表明，该去雾算法在自然雾天图像和利用Middlebury Stereo Datasets合成的雾天图像上均优于其他对比算法，恢复的图像具有更好的对比度与清晰度。     

基于噪声方差来计算变分图像反卷积的规整化参数

采用定点迭代进行变分图像恢复并在这个计算框架下提出利用噪声方差选择规整化参数的方法.假定已知观测图像中初始噪声统计特性.为了在反卷积过程中正确地估计噪声的方差,构造一幅纯噪声图像跟实际的观测图像同步进行反卷积计算,并把纯噪声图像的方差作为观测图像中噪声方差的估计值来辅助计算规整化参数.针对规整化的各项异性,提出了能够保持两种噪声同步变化的特殊的规整化项.在能够准确知道迭代过程中图像包含噪声的方差的时候,建立了规整化参数λ与图像噪声方差之间的关系式.实验证明新的算法不但更好地抑制了噪声而且避免了过平滑,明显提高了基于定点迭代法计算变分图像恢复的适应性.     

基于三维卷积神经网络的肺结节识别研究

针对传统计算机辅助检测系统中肺结节检测存在大量假阳性的问题,提出一种基于三维卷积神经网络的肺结节识别方法。首先,将传统二维卷积神经网络扩展为三维卷积神经网络,充分挖掘肺结节的三维特征,增强特征的表达能力;其次,将密集连接网络与SENet相结合,在加强特征传递和复用的同时,通过特征重标定自适应学习特征权重;另外,引入focal loss作为网络的分类损失函数,提高对难样本的学习。在LUNA16数据集上的实验结果表明:与当前的主流深度学习算法相比,所提网络模型在平均每组CT图像中假阳个数为1和4时的检出率达到了0.911和0.934,CPM得分为0.891,优于大部分主流算法。     

基于深度学习的合成孔径雷达图像去噪算法

针对合成孔径雷达在生成图像时产生的固有斑点噪声问题,提出了一种基于多尺度注意力级联卷积神经网络的去噪算法,用多尺度卷积网络与注意力机制来实现图像的特征提取,将级联网络结构作为主网络中的特征增强部分,并加入批量归一化来防止模型中出现过拟合。实验结果表明,所提算法相较于其他传统图像去噪算法,峰值信噪比、结构相似性分别平均提高了0.75 dB～14.45 dB和0.01～0.16,在图像熵上也优于其他算法,并且能较好地恢复图像中的细节信息。     

基于非局部均值和SUSAN算子的混合噪声滤除

为了更好地滤除图像中脉冲噪声和高斯噪声组成的混合噪声,提出了一种基于非局部均值和Small Univalue Segment Assimilating Nucleus(SUSAN)算子的混合噪声滤除方法.该方法首先根据脉冲噪声点与角点之间吸收核同值区形状特征的不同,采用SUSAN算子检测出大量的特征点,特征点主要是脉冲噪声点,也可能含有小部分角点.将特征点进行排序,出现频次最高两位的点为脉冲噪声点.然后采用改进的均值滤波法计算脉冲噪声点邻域中非脉冲噪声点的均值,以此替换脉冲噪声点灰度值.最后针对已滤除脉冲噪声的图像,采用考虑了图像块信息的非局部均值方法滤除剩余的高斯噪声.去噪实验结果表明:与自适应中值和加权均值结合的方法、中值滤波与小波结合的方法、脉冲耦合神经网络与中值滤波结合的方法相比,本文方法主观视觉效果更好,能够更好地保留图像中的边缘细节,客观评价指标峰值信噪比有较大的提高,滤除混合噪声的优势明显.     

深浅交错式特征融合的人体图像分割方法北大核心CSCD

人体图像分割作为人体行为理解和分析的基础,但要实现精准分割及实时分割是一个巨大的难题,因此提出一种深浅交错式特征融合的全卷积神经网络的方法,应用于人体图像分割。使用全卷积神经网络的卷积层提取丰富的图像特征,对不同深度的特征图由深到浅交错式地拼接并融合。最终将融合特征图送入卷积层输出预测图像,并经过全局阈值分割得到分割结果。在百度人体图像分割数据库上进行实验,其平均覆盖率可以达到89.95%,最佳分割重叠率高达99.31%;分割一幅500×500彩色图像的平均耗时为56ms,实现较好的分割性能。     

基于中心点的遥感图像多方向舰船目标检测

针对目前基于深度学习的舰船目标斜框检测方法存在计算量大、效率低的问题,提出一种基于目标中心点的单阶段检测模型.由于舰船中心点不受舰船分布方向影响,模型主要思想是以目标中心点检测为基础,回归中心点处目标斜框的尺度和方向.首先设计特征提取网络,将卷积神经网络细节信息丰富的底层特征与语义信息丰富的高层特征融合起来形成特征图;然后将特征图输入到三个检测分支,分别预测目标中心点、中心点偏移值以及斜框的尺度与方向;设计组合损失函数对网络进行训练,并改进非极大值抑制算法以适应目标斜框检测的需要.在公开的SAR图像舰船目标检测数据集与光学遥感图像上进行了实验,实验结果表明,测试集平均准确率达0.906,检测精度与速度均优于其它检测模型,充分验证了所提算法的有效性.     

基于改进旋转区域生成网络的遥感图像目标检测

为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标检测方法进行对比分析后可知,本文算法因融合了多尺度特征及旋转区域网络的卷积神经网络所提取的特征,能得到更好的检测结果。     

基于Moreau包络平滑l_1/全变差范数模型的图像脉冲噪声去除方法

脉冲噪声是导致图像退化的主要原因之一,低密度脉冲噪声去除比较容易,但高密度比较困难。为了有效去除高密度的脉冲噪声,提高边缘和细节纹理的保持能力,提出了一种基于莫罗(Moreau)包络平滑l1/全变差范数(l1/TV)模型的脉冲噪声去除方法。此方法具有修复前后图像对比度和形态不变,不易产生局部模糊等优点。由于l1/TV模型中的两个目标函数均为不可微凸函数,无法直接求解,提出了利用解耦形式的Moreau包络对全变差范数进行平滑化处理,平滑后的函数是原函数的可微紧下界,具有迭代形式的解析解,证明了它也是原函数的解。仿真表明该算法具有很强的去噪能力,并能较好地保持边缘和细节信息。此外,还提出了该算法的加速策略,可以大大提高收敛速度。     

基于稀疏编码和卷积神经网络的地貌图像分类

提出了一种基于稀疏编码和卷积神经网络的地貌场景图像分类算法;利用非下采样Contourlet变换对训练样本进行多尺度分解;在训练样本中选择图像,利用稀疏编码学习局部特征,对特征向量进行排序;选择灰度平均梯度较大的特征向量对卷积神经网络卷积核进行初始化。结果表明:所提算法可以获得比传统底层视觉特征更好的分类结果,有效避免了网络训练陷入局部最优的问题,提高了自然场景下无人机着陆地貌的分类准确率。     

基于小波空洞残差U-Net的红外图像去条纹噪声方法

红外图像作为信息传递的重要载体,受到红外焦平面阵列探测单元响应差异和读出电路的不均匀性的影响,易出现条纹噪声,不利于后续的分析研究。为了提高卷积神经网络去除条纹噪声的结果,提出了基于小波空洞残差U-Net的红外图像去条纹噪声方法。该网络首先通过Haar离散小波变换将条纹噪声图像分解为垂直分量、对角分量、水平分量和低频分量;依次通过初步去噪和精细去噪网络学习噪声图像与条纹噪声之间的映射;再从输入分量中去除噪声分量以获取去条纹噪声分量;利用逆Haar离散小波变换重构去噪图像。实验结果表明,该方法可以有效去除条纹噪声,保护图像细节。     

基于密集卷积和域自适应的高光谱图像分类

针对常规的高光谱图像分类算法不能很好地解决不同图像中的频谱偏移的问题,提出了一种基于密集卷积和域自适应的高光谱图像分类算法,首先在源域中使用密集卷积进行深度特征学习,然后应用域自适应技术转移到目标域.目前的域自适应高光谱图像分类框架中常用卷积神经网络进行特征学习,但是当深度增加时会出现因梯度消失而导致分类精度下降的情况...     

基于深度学习的船舶辐射噪声识别研究

为了改善船舶辐射噪声识别系统的性能,进一步提高船舶辐射噪声识别的正确率,该文提出采用一种基于深度学习的船舶辐射噪声识别方法。该方法首先提取了船舶辐射噪声的频谱、梅尔倒谱系数等特征,将提取特征后的图像样本分别用于训练卷积神经网络和深度置信网络,再对船舶辐射噪声进行识别。通过文中所给实例,将深度学习和支持向量机两种识别方法的性能进行比较,得出深度学习方法可以有效地提高船舶辐射噪声识别正确率的初步结论。