【摘 要】
：
针对传统图像风格化处理算法在进行图像风格化处理过程中,出现颜色信息丢失、笔触细节错乱以及边缘线条扭曲等情况,本文基于卷积神经网络的图像风格迁移算法进行了改进,通过综合考虑图像的亮度颜色信息特性,提出一种基于新的风格损失函数与亮度信息的图像风格迁移算法。首先,将内容图像进行色彩空间转换,让风格转移单独在亮度通道上进行,保留了内容图像的色彩信息。其次,把直方图损失加入到总的损失函数中,构造新的总损失函
论文部分内容阅读
针对传统图像风格化处理算法在进行图像风格化处理过程中,出现颜色信息丢失、笔触细节错乱以及边缘线条扭曲等情况,本文基于卷积神经网络的图像风格迁移算法进行了改进,通过综合考虑图像的亮度颜色信息特性,提出一种基于新的风格损失函数与亮度信息的图像风格迁移算法。首先,将内容图像进行色彩空间转换,让风格转移单独在亮度通道上进行,保留了内容图像的色彩信息。其次,把直方图损失加入到总的损失函数中,构造新的总损失函数,提高了风格化图像的稳定性。最后,把提取的内容图像边缘信息叠加到结果图中,达到改善风格化结果图边缘信息
其他文献
为了保留红外与可见光图像更多的边缘及纹理信息,在常用的非下采样剪切波变换(nonsubsampled shearlet transform, NSST)结合脉冲发放皮层(spiking corticalmodel, SCM)的图像融合算法基础上,引入引导滤波来处理高频系数,并将其作为SCM的外部激励,融合高频部分。结合区域均值和区域能量,作为SCM的外部激励,融合低频部分。仿真实验证明,所提算法的
视网膜血管的形态变化,如分叉角度、扩张程度等,可为眼底疾病的诊断提供依据。使用深度学习技术对视网膜病变程度进行评估成为目前研究的重点。提出了一种基于多路径输入和多尺度特征融合的视网膜血管分割方法来解决视网膜血管分割问题。采用了多路径输入和多特征融合的方式改进了U-Net模型,使本文的网络能够有效的解决眼底视网膜图像的分割效果差的问题。实验结果表明,算法在DRIVE和CHASE_DB1数据集上,敏感
针对磁瓦表面缺陷图像整体光照不均匀、对比度较低、纹理细节信息不清晰等问题,提出了一种改进的同态滤波与连续均值量化变换(successive mean quantization transform, SMQT)相结合的磁瓦表面缺陷图像增强算法。首先,使用改进的巴特沃斯传递函数替换传统同态滤波中的传递函数,使其将图像分解成高频图像和低频图像;然后,使用SMQT算法非线性拉伸高频图像的灰度范围使其扩展到
针对现有的分类深度神经网络大多为扁平型的网络架构,很少关注数据类别的层次性结构,导致分类器训练难度较大的问题,本文提出一种基于数据层次关系的多任务学习分类网络模型。依托番茄叶片病害的层次结构信息设计了一个带有共享网络的由粗粒度到细粒度的层次结构进行病害程度分类,网络模型以ResNet-50作为网络主干,包括两个子网络:粗粒度网络模块负责区分番茄病害共5类,细粒度网络模块在残差网络模块的基础上添加S
电力系统巡维图像中存在缺陷的样本图像极少,导致正常样本和缺陷样本不均衡,无法使用深度学习等算法来进一步研究输电线路的故障检测。目前各种基于深度机器学习的图像生成方法均存在分辨率低、缺陷特征不明显等问题,导致生成的样本图像难以满足研究人员的需要。本文提出一种基于集成学习(ensemble learning, EL)的PCA加权平均多元融合(diverse integration, DI)生成方法。采
特征提取是高光谱数据处理领域的一个重要研究内容。高光谱数据获取过程中的复杂性使传统的特征提取方法无法良好地处理高光谱图像。同时,高光谱图像标记样本数量的有限性,也为常用于特征提取的监督深度学习方法带来不利影响。为了摆脱对高光谱图像中标记样本的依赖,在卷积神经网络的基础上引入生成对抗网络,针对光谱特征提出了一种无监督的高光谱图像特征提取的方法。为了稳定网络的训练过程,提高生成对抗网络中判别器的特征表
针对传统暗通道先验去雾算法易产生明亮区域失真、去雾图像整体偏暗等问题,提出一种基于双通道及图像质量评价模型的去雾方法。首先,划分出图像的明亮区域与非明亮区域;其次,利用双通道先验算法准确估计出大气光值;接下来,将暗通道先验的透射率作为非明亮区域的透射率,在明亮区域单独构建透射率,将二者融合细化,得到带有参数的透射率;最后,通过构造参数驱动图像质量评价模型,迭代选取最优的无雾图像。实验结果表明,算法
深度学习在金属板带材表面缺陷检测中取得良好的检测效果,但随着网络层数的增加,针对较小样本的金属板带材表面缺陷数据集训练数据容易出现过拟合现象的问题,为此将残差网络与迁移学习结合提出了一种融合多层次缺陷特征的图像分类算法。该算法采用残差网络模块逐层提取金属表面缺陷特征,获得丰富的位置信息和语义信息缺陷特征的特征图,后续利用分类网络基于该融合特征图得到最终分类结果,同时对特征提取网络进行迁移学习,增加
幸运区域融合技术通过挑选、配准、拼接短曝光序列图像中具有一定概率的清晰度高的"幸运区域"获得一幅高分辨率的重构图像,目前该技术处理对象通常是单色图像。根据彩色图像成像过程及其数据特点,结合经典的幸运区域融合算法,提出了一种针对彩色短曝光图像序列的幸运区域融合算法。该算法分别对彩色图像红、绿、蓝3个通道数据进行选图、配准和拼接,最后合成一幅高分辨率的彩色图像。通过连续拍摄的2 200帧短曝光图像,对
针对行人遮挡、姿态变化等现象造成当前行人重识别算法精度不高的问题,提出一种基于多层级特征融合的行人重识别算法。首先通过自注意力机制骨干网络ResNeSt提取图像特征中的短距离信息;其次通过多尺度金字塔卷积(pyramid convolution, Pyconv)分支网络提取图像中长像素关联特征信息,提高模型表达能力;最后使用一种统一形式且可学习的广义均值池化(generalized mean po