基于最小噪声分离和生成对抗网络的影像阴影去除

为了提高影像阴影去除的效果，提出一种基于最小噪声分离（MNF）和生成对抗网络（GAN）的影像阴影去除算法。它以GAN作为基本框架，在生成器和判别器中分别引入条件信息，采用端到端共同学习的多任务模式。生成网络采用编码解码结构，判别网络采用马尔可夫判别器结构。此外，此算法使用MNF，将消除噪声的影像灰度化后与阴影影像一起训练，进而恢复无阴影的影像。这样的网络在训练时可以专注于MNF变换后的单独特征嵌入，而非传统的跨任务共享嵌入。实验结果表明，在指定数据集上，所提算法的结构相似性（SSIM）的平均值达0.9780，像素均方根误差（RMSE）的平均值减小到9.8717。在主观感知和客观评价指标上，所提算法的实验结果均优于对比算法。     

基于BiGRU-CNN的宽带电磁图像条带噪声去除方法研究

电磁探测成像系统能够对电磁干扰源进行大范围、宽频带且快速的定位，系统主要由抛物反射面和多通道超宽频带信号采集系统组成。由于各个通道器件参数受限于制造工艺的影响不可能完全一致，探测不同频率干扰源的响应特性也不相同，导致获得的电磁图像中存在的条带噪声随干扰源的频率变化而呈现出不同的特征，严重地影响定位的精度。构建了双向门控循环单元（BiGRU）-卷积神经网络（CNN）模型，根据实测数据构建数据集作为模型的输入，BiGRU和CNN利用图像相邻行间的强相关性，从过去和未来的输入中广泛收集冗余信息，对条带噪声进行提取并对空间信息进行整合处理，利用数据之间的差值对这个过程进行循环迭代。通过大量的实验对模型进行验证，BiGRU-CNN方法与测试的经典方法相比更优，在垂直梯度能量方面降低了15.2%，在残差非均匀性方面降低了21.9%。     

基于脉冲图像传感器的高精度高速目标追踪

针对脉冲图像传感器，提出一种高精度高稳定性的高速目标追踪算法。首先，介绍脉冲图像传感器的原理；其次，结合传感器脉冲密度特性改进传统视觉背景提取（Vibe）算法，去除传统Vibe算法中存在的鬼影和空洞问题，提高运动检测的完整性；然后，结合运动检测，对传统均值漂移（MS）追踪算法进行改进，提高目标追踪的精度和稳定性；最后，通过图像重构完成场景再现与目标追踪。在3个高速场景的实验中：与直接应用于图像序列的传统MS算法相比，所提算法对高速目标的最大追踪误差分别从11.0454降低至2.2361，从14.1421降低至5.0000，从26.1725降低至5.0990；目标追踪的位置标准差从7.9879降低至2.0393，从12.0790降低至2.7454，从14.4591降低至3.5654。综上所述，所提算法能够有效提高目标的追踪精度和追踪稳定性，能更好地适用于脉冲图像传感器。