基于多尺度特征提取的水下图像增强模型

针对水下图像视觉质量退化以及单一卷积层特征利用率不高的问题,提出了一种基于多尺度特征提取的水下图像增强模型。本模型在卷积神经网络的基础上使用改进的多尺度特征提取模块提取水下图像特征,首先构建可分离残差密集块(SRDB)作为基本特征提取单元,使用SRDB模块进行残差密集连接得到多层次特征信息,最后融合3个不同初始感受野下的多层次特征信息作为该模块的输出。多组试验结果显示,本模型增强后的水下图像有效改善了颜色失真和低对比度现象的同时保持了丰富的边缘细节内容;EUVP测试集的PSNR、SSIM分别上升到28.52、0.88,真实河豚图像测试集的UIQM、NIQE分别上升到2.84、5.95,表现均优于对比方法。研究表明,本模型具有较高的FPS,大幅提升水下图像视觉感知质量的同时保持了良好的实时性。     

基于高斯引导滤波MSRCR的奶牛夜间低质量图像增强方法

为了解决奶牛夜间图像存在颜色失真、边缘细节丢失与噪声干扰等低质量问题,试验提出了一种基于高斯引导滤波的彩色恢复多尺度Retinex(multi-scale Retinex with color restoration, MSRCR)图像增强算法,即先利用多尺度高斯滤波函数处理原始夜间图像得到粗糙照度分量,再利用引导滤波(guided filtering, GF)函数处理获得精确照度分量,然后结合四方向Sobel边缘检测器进行反射分量自适应权值优化,最后通过对数加法将照度分量和反射分量合成增强图像。试验以3组(1组为均匀光照灰度图像、2组为均匀光照彩色图像、3组为非均匀光照彩色图像)夜间不同成像条件下的180幅图像为研究对象,以平均梯度(mean gradient, MG)、标准差(standard deviation, S)、信息熵(information entropy, IE)、边缘保持指数(edge preserving index, EPI)、结构相似性指数(structural similarity index, SSIM)、峰值信噪比(peak signal to nois...     

图像增强模糊算法的协同进化优化

协同进化遗传算法(CGA)比简单的遗传算法具有更快的收敛速度和更好的寻优效果,将其应用于图像增强的模糊算法优化,以达到最佳的模糊逻辑处理效果。遗传进化中,同时优化了模糊逻辑规则、选择了最优隶属度函数和隶属度函数参数。通过具体图像处理试验,在主观和客观评价上都证明了该方案的有效性。     

基于Radarsat-2影像的复杂种植结构下旱地作物识别

为提高基于Radarsat-2旱地作物识别的精度,该文研究了一种复杂种植结构背景下具有共同生长期作物的识别方法。研究区为一个12 km×12 km的样方,位于内蒙古上库力农场额很队,以春小麦、油菜2种共同生长期作物为识别对象,利用Spot-6影像和Radarsat-2影像,在数据预处理的基础上分析研究区内典型地物样本的后向散射系数在不同极化波段上的变化特征,根据该变化特征设计图像增强算法,然后基于图像增强后的影像设定合理的阈值实现作物识别提取。结果表明：该方法准确识别并有效提取了共同生长期作物春小麦和油菜的种植面积,总体精度达到97%,Kappa系数为0.96。该方法简便、快捷、可靠,为春小麦、油菜等旱地共同生长期作物种植面积提取提供重要的科学技术支撑。     

浅谈林业工作中常用的遥感影像及处理要点

在遥感影像定义的基础之上,讨论了遥感影像的四个基本特征.对林业工作中常用的中分辨率遥感影像Landsate TM5、中巴资源卫星以及常用的高分辨率遥感影像Spot5、Rapideye、Alos、QuickBird、WorldviewⅠ、WorldviewⅡ等进行了介绍并做了对比分析,总结各种遥感影像的优缺点;并讨论了遥感影像基础数据准备,DOM与DEM参考数据准备以及的遥感影像正射纠正,并以ALOS为例,对算法及图像增强等工作进行了探讨     

基于机器视觉的水下河蟹识别方法

为了探测河蟹在池塘中的数量及分布情况,为自动投饵船提供可靠的数据反馈,提出了基于机器视觉的水下河蟹识别方法。该方法通过在投饵船下方安装摄像头进行河蟹图像实时采集,针对水下光线衰减大、视野模糊等特点,采用优化的Retinex算法提高图像对比度,增强图像细节,修改基于深度卷积神经网络YOLO V3的输入输出,并采用自建的数据集对其进行训练,实现了对水下河蟹的高精度识别。实验所训练的YOLO V3模型在测试集上的平均精度均值达86. 42%,对水下河蟹识别的准确率为96. 65%,召回率为91. 30%。实验对比了多种目标检测算法,仅有YOLO V3在识别准确率和识别速率上均达到较高水平。在同一硬件平台上YOLO V3的识别速率为10. 67 f/s,优于其他算法,具有较高的实时性和应用价值。     

基于改进YOLO v4的单环刺螠洞口识别方法

针对养殖池塘内单环刺螠自动采捕和产量预测应用需求,提出一种基于深度学习的单环刺螠洞口识别方法,以适用于自动采捕船的嵌入式设备。该方法通过将YOLO v4的主干网络CSPDarkNet53替换为轻量型网络Mobilenet v2,降低网络参数量,提升检测速度,并在此基础上使用深度可分离卷积块代替原网络中Neck和Detection Head部分的普通卷积块,进一步降低模型参数量;选取带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法进行图像增强;利用K-means++算法对数据集进行重新聚类,对获得的新锚点框尺寸进行线性缩放优化,以提高目标检测效果。在嵌入式设备Jetson AGX Xavier上部署训练好的模型,对水下单环刺螠洞口检测的平均精度均值（Mean average precision,mAP）可达92.26%,检测速度为36f/s,模型内存占用量仅为22.2MB。实验结果表明,该方法实现了检测速度和精度的平衡,可满足实际应用场景下模型部署在单环刺螠采捕船嵌入式设备的需求。     

采用组合增强的YOLOX-ViT协同识别温室内番茄花果

番茄花果的协同识别是温室生产管理调控的重要决策依据,针对温室番茄栽培密度大,植株遮挡、重叠等因素导致的现有识别算法精度不足问题,该研究提出一种基于级联深度学习的番茄花果协同识别方法,引入图像组合增强与前端ViT分类网络,以提高模型对于小目标与密集图像检测性能。同时,通过先分类识别、再进行目标检测的级联网络,解决了传统检测模型因为图像压缩而导致的小目标模糊、有效信息丢失问题。最后,引入了包括大果和串果在内的不同类型番茄品种数据集,验证了该方法的可行性与有效性。经测试,研究提出的目标检测模型的平均识别率均值（mean average precision,mAP）为92.30%,检测速度为28.46帧/ s,其中分别对小花、成熟番茄和未成熟番茄识别平均准确率分别为87.92%、92.35%和96.62%。通过消融试验表明,与YOLOX、组合增强YOLOX相比,改进后的模型mAP提高了2.38～6.11个百分点,相比于现有YOLOV3、YOLOV4、YOLOV5主流检测模型,mAP提高了16.56～23.30个百分点。可视化结果表明,改进模型实现了对小目标的零漏检和对密集对象的无误检,从而达到了高精度的协同检测的目标。研究成果为温室种植环境下的番茄生长识别提供参考。     

基于迁移学习的棉花叶部病虫害图像识别

针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和Goog Le Net Inceptionv2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(Plant Village数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。     

牛肉图像线性增强的统一实现

图像增强是图像处理中非常重要的一种技术，线性增强技术在牛肉图像处理过程中必不可少。为此，从实际程序设计出发，采用而向对象的编程思路，通过对话框来接受用户输入的数据，最后用一个程序来完全实现各种线性增强技术，并用牛肉图像作为载体，实验证明本技术完全正确。