在光学相机远距离拍摄图像时,由于光线衰减和环境噪声的影响,图像容易变得模糊且难以清晰识别。为应对这一挑战,提出了一种基于权重注意力和密集残差连接的图像超分算法(image super-resolution algorithm based on weighted attention ...在光学相机远距离拍摄图像时,由于光线衰减和环境噪声的影响,图像容易变得模糊且难以清晰识别。为应对这一挑战,提出了一种基于权重注意力和密集残差连接的图像超分算法(image super-resolution algorithm based on weighted attention and dense residual connections, WADRNet)。首先,在网络的浅层特征提取阶段,提出一种非对称卷积模块,以替代传统的卷积模块,提高了模型的信息提取能力,尤其是对边缘和纹理等关键特征的提取;其次,采用密集残差结构,在不增加额外计算量的同时实现跨层特征传递和信息的有效利用,增强了模型的上下文特征提取能力,更好地还原图像;最后,在窗口注意力模块融入权重通道注意力模块,有效地利用全局感受野特性。实验结果表明,WADRNet在自制数据集上明显领先于其他模型,尤其在峰值信噪比和结构相似性等方面;同时,该模型在公开数据集上也表现出良好的效果。因此,该方法能够显著提升低分辨图像像素质量,在工程领域具有广泛的应用潜力和价值,尤其适用于需要远距离成像的应用场景。展开更多
为了有效解决水下图像亮度、对比度过低和颜色混乱等问题,提出一种改进的多尺度密集残差网络的水下图像增强方法。对原始图像进行多尺度特征提取,更好地保留了图像细节,通过改进的密集残差网络对水下图像进行增强处理,提升图像亮度和对...为了有效解决水下图像亮度、对比度过低和颜色混乱等问题,提出一种改进的多尺度密集残差网络的水下图像增强方法。对原始图像进行多尺度特征提取,更好地保留了图像细节,通过改进的密集残差网络对水下图像进行增强处理,提升图像亮度和对比度,校正图像颜色,在每个密集残差网络间添加了SK注意力机制,可以选择性地捕捉输入图像的关键信息并进行处理,将增强后的水下图像进行多尺度融合。通过Type和EUVP两个水下图像数据集对所提出方法进行验证,基于物理模型和数据驱动的6种方法进行了主观效果和客观指标间的比较。在主观效果的定性分析中发现,所提出的方法在提高亮度和对比度方面取得了很大的进步。在客观图像评价指标的定量分析中,峰值信噪比(Peak Signal to Noise Ratio,PSNR)、结构相似性(Structural Similarity,SSIM)、信噪比(Signal to Noise Ratio,SNR)、均方误差(Mean Square Error,MSE)、视觉信息保真度(Visual Information Fidelity,VIF)、信息保真度准则(Information Fidelity Criterion,IFC)、噪声质量评价(Noise Quality Measure,NQM)、亮度顺序误差(Lightness Order Error,LOE)和自然图像质量评价(Natural Image Quality Evaluator,NIQE)指标较现有的水下图像增强算法分别提高了1.5%,1%,1.2%,1.2%,1.3%,1.2%,1.7%,3.0%和1.1%。提出的改进多尺度密集残差网络不仅可以增强图像的亮度、对比度以及校正图像的颜色,而且可以应用于更广泛的水域场景。展开更多
文摘在光学相机远距离拍摄图像时,由于光线衰减和环境噪声的影响,图像容易变得模糊且难以清晰识别。为应对这一挑战,提出了一种基于权重注意力和密集残差连接的图像超分算法(image super-resolution algorithm based on weighted attention and dense residual connections, WADRNet)。首先,在网络的浅层特征提取阶段,提出一种非对称卷积模块,以替代传统的卷积模块,提高了模型的信息提取能力,尤其是对边缘和纹理等关键特征的提取;其次,采用密集残差结构,在不增加额外计算量的同时实现跨层特征传递和信息的有效利用,增强了模型的上下文特征提取能力,更好地还原图像;最后,在窗口注意力模块融入权重通道注意力模块,有效地利用全局感受野特性。实验结果表明,WADRNet在自制数据集上明显领先于其他模型,尤其在峰值信噪比和结构相似性等方面;同时,该模型在公开数据集上也表现出良好的效果。因此,该方法能够显著提升低分辨图像像素质量,在工程领域具有广泛的应用潜力和价值,尤其适用于需要远距离成像的应用场景。
文摘为了有效解决水下图像亮度、对比度过低和颜色混乱等问题,提出一种改进的多尺度密集残差网络的水下图像增强方法。对原始图像进行多尺度特征提取,更好地保留了图像细节,通过改进的密集残差网络对水下图像进行增强处理,提升图像亮度和对比度,校正图像颜色,在每个密集残差网络间添加了SK注意力机制,可以选择性地捕捉输入图像的关键信息并进行处理,将增强后的水下图像进行多尺度融合。通过Type和EUVP两个水下图像数据集对所提出方法进行验证,基于物理模型和数据驱动的6种方法进行了主观效果和客观指标间的比较。在主观效果的定性分析中发现,所提出的方法在提高亮度和对比度方面取得了很大的进步。在客观图像评价指标的定量分析中,峰值信噪比(Peak Signal to Noise Ratio,PSNR)、结构相似性(Structural Similarity,SSIM)、信噪比(Signal to Noise Ratio,SNR)、均方误差(Mean Square Error,MSE)、视觉信息保真度(Visual Information Fidelity,VIF)、信息保真度准则(Information Fidelity Criterion,IFC)、噪声质量评价(Noise Quality Measure,NQM)、亮度顺序误差(Lightness Order Error,LOE)和自然图像质量评价(Natural Image Quality Evaluator,NIQE)指标较现有的水下图像增强算法分别提高了1.5%,1%,1.2%,1.2%,1.3%,1.2%,1.7%,3.0%和1.1%。提出的改进多尺度密集残差网络不仅可以增强图像的亮度、对比度以及校正图像的颜色,而且可以应用于更广泛的水域场景。
