改进APEX算法在图像增强中的应用

APEX是一种基于快速傅立叶变换的直接盲解卷积算法,能够快速复原复杂纹理图像。该算法适用于平移不变且以2维放射对称Le’vy Stable概率密度函数(G类点扩散函数)作为卷积核的图像。论述了A-PEX算法的原理,并针对APEX在适应性和稳定性方面的不足提出了改进方法。实验表明,改进的APEX算法能够有效应用在多种真实模糊图像上,增强图像对比度和锐化图像细节,使图像的视觉效果得到明显改善。     

基于HMRF先验模型的HBE卫星遥感图像超分辨率重建

提出了一种在Bayes概率统计框架下的混合Bayes超分辨率重建算法，该算法采用Huber马尔可夫随机场（Huber Markov random field，HMRF）模型对理想图像进行先验建模，可以较好地突出重建图像的不连续边缘特征信息。实验结果表明，该算法克服了极大后验概率估计（maximum a posteriori，MAP）算法中的若干缺陷，取得了良好的重建结果，图像边缘特征清晰，纹理信息突出。     

基于卷积神经网络迁移学习模型的矿岩智能识别方法

文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。     

基于改进原型网络的小样本古生物化石识别研究

传统古生物化石鉴定方法多依赖于古生物学家的经验知识,现有的人工智能识别方法需要大量的化石训练样本才能达到较高的准确率。为解决上述问题,在少量化石图像样本情况下准确识别化石,本文尝试使用残差网络和注意力模块相结合的方法,并将其运用于小样本的化石鉴定。首先以残差网络作为模型的特征提取模块,并在残差网络的残差块中嵌入CBAM卷积注意力模块,提高模型对于化石纹理特征的关注,以提取更为全面的深层次化石图像特征,再使用小样本度量学习中的原型网络对提取特征进行原型计算,最后通过多轮次迭代训练得出最佳的化石判别模型。使用本文方法与5种经典的小样本学习方法进行对比实验,实验结果表明本文方法的识别准确率最高,在样本数量为1和5的情况下,准确率达到了86.32%和94.21%,对稀缺样本下的化石识别具有更显著的优势。     

基于改进原型网络的小样本古生物化石识别研究

传统古生物化石鉴定方法多依赖于古生物学家的经验知识,现有的人工智能识别方法需要大量的化石训练样本才能达到较高的准确率。为解决上述问题,在少量化石图像样本情况下准确识别化石,笔者等尝试使用残差网络和注意力模块相结合的方法,并将其运用于小样本的化石鉴定。首先以残差网络作为模型的特征提取模块,并在残差网络的残差块中嵌入CBAM卷积注意力模块,提高模型对于化石纹理特征的关注,以提取更为全面的深层次化石图像特征,再使用小样本度量学习中的原型网络对提取特征进行原型计算,最后通过多轮次迭代训练得出最佳的化石判别模型。使用本文方法与5种经典的小样本学习方法进行对比实验,实验结果表明本文方法的识别准确率最高,在样本数量为1和5的情况下,准确率达到了86.32%和94.21%,对稀缺样本下的化石识别具有更显著的优势。     

基于目标检测的地质异常信息提取——以湖南香花岭地区为例

卷积神经网络在图像识别领域处于领先地位,在目标检测方面的应用也越来越广泛,其特点是可以提取点与点之间的相关关系。二维地质图中,点与点之间往往存在特定的空间关系,将卷积神经网络技术应用于地质异常信息的提取有其重要性。在讨论卷积神经网络以及基于该技术目标检测算法(YOLO)的基础上,以湖南香花岭地区为例,提取与锡矿成矿相关的构造信息并进行分析,结果该方法能够覆盖原有矿点,有效地定义点与点之间的相关关系,描述点与点之间的空间相关性,可靠地提取与成矿有关的构造线密度信息,在花岗岩体与构造复杂地区圈出地质异常信息。     

多源并发下Mur二阶吸收边界和非分裂递归卷积完全匹配层对比研究

多个激励源无延时发射(多源并发)相同中心频率脉冲会形成平面波束信号,增强数据记录质量。本文通过数值模拟对比分析在多源并发情况下,非分裂递归卷积完全匹配层作为吸收边界条件和Mur二阶吸收边界条件对电磁波的吸收效果。其研究结果表明,传统的Mur二阶吸收边界条件对多源并发、多角度掠射情况下电磁波的吸收效果不佳,在大偏移距下会造成波形畸变和形成虚假反射。而在多源并发情况下采用非分裂递归卷积完全匹配层作为吸收边界条件,将坐标伸缩因子引进时域有限差分算法中。通过傅里叶逆变换将频率域坐标伸缩变换PML方程转换到时域,对电场和磁场值在离散状态下进行递归卷积运算求解。从而避免了直接对卷积进行数值求解的复杂计算,在保证计算准确性的同时,节约了内存空间,提高了计算效率。在不分裂波场情况下,改善了网格截断位置对电磁波的吸收效果。     

基于迁移卷积神经网络的黄土含水率智能识别

黄土含水率深层原位精准探测是揭示黄土重大工程灾变机理及灾害预警的有效手段,基于卷积神经网络提出了一种原位孔洞探测黄土含水率的智能识别方法。首先,通过搭建室内实验平台采集间隔等级为2%的7种不同含水率下的图像信息,生成用于神经网络训练的数据集。然后,基于迁移学习思想建立了多种迁移卷积神经网络模型,并对比分析了不同模型的黄土含水率识别精度,通过混淆矩阵可视化验证模型的可靠性。结果表明：针对所建立的黄土含水率图像数据集,基于VGG19、ResNet101、DesNe201的深度迁移网络模型的测试准确率都在90%以下,并且在一定程度上出现了过拟合现象,如推广应用则会出现超过10%的误判现象;而基于Xception、MobileNet、NASNetMobile的轻量化迁移网络模型在训练后泛化能力较好,测试准确率都达到了90%以上,其中Xception迁移网络模型的识别精度最高,达到了94.6%。搭建的轻量化迁移网络模型识别精度高、计算速度快,可为开发黄土地质信息原位探测机器人的视觉系统提供算法支持。     

基于GPU的二维矢量场LIC算法研究

面向海洋环境中矢量场数据可视化的应用需求,提出基于GPU的线积分卷积(Line Intergral Convolution)改进算法,实现数据插值和流线跟踪计算的优化。针对离散场数据,提出利用反距离加权算法来替代GPU默认线性插值方法,保证数据相关性;将数据场分块处理,考察雷诺数来实现混合式流线跟踪计算;依据前后采样点矢量方向夹角动态改变积分步长。结果表明,上述算法生成纹理图像清晰,实时绘制性好,具有一定通用性。     

利用基于残差多注意力和ACON激活函数的神经网络提取建筑物

针对目前主流深度学习网络模型应用于高空间分辩率遥感影像建筑物提取存在的内部空洞、不连续以及边缘缺失与边界不规则等问题,本文在U-Net模型结构的基础上通过设计新的激活函数（ACON）、集成残差以及通道-空间与十字注意力模块,提出RMAU-Net模型。该模型中的ACON激活函数允许每个神经元自适应地激活或不激活,有利于提高模型的泛化能力和传输性能;残差模块用于拓宽网络深度并降低训练和学习的难度,获取深层次语义特征信息;通道-空间注意力模块用于增强编码段与解码段信息的关联、抑制无关背景区域的影响,提高模型的灵敏度;十字注意力模块聚合交叉路径上所有像素的上下文信息,通过循环操作捕获全局上下文信息,提高像素间的全局相关性。以Massachusetts数据集为样本的建筑物提取实验表明,在所有参与比对的7个模型中,本文提出的RMAU-Net模型交并比与F1分数2项指标最优、查准率和查全率两项指标接近最优, RMA-UNet总体效果优于同类模型。通过逐步添加每个模块来进一步验证各模块的有效性以及本文所提方法的可靠性。