基于SVD和直方图的JPEG同幅图像篡改盲检测算法

首先分析了基于小波变换和奇异值分解方法对同幅图像拼接篡改检测的缺点,结合相关重要的思想,构建了一种改进算法,该算法运用SVD提取图像块特征,并采用偏移频率的直方图来确定阈值。在仿真实验中,通过运用三种算法对图像篡改进行检测,对比结果表明,文章所提算法对同幅图像单次篡改和多次篡改均有更好的检测效果,而且通过修改图像的质量因子的实验进一步证实了该算法具有一定的鲁棒性。     

基于JPEG块效应的图像合成篡改检测

该文介绍了利用JEPG块效应,针对JPEG图像合成篡改的盲检测原理,并给出了检测算法的流程。首先计算待测图像水平和垂直方向差分图像的功率谱密度,功率谱密度的计算中用来依次评价图像各区域块效应的滑块,其大小由手动随机设置改进为根据被测图像尺寸自动调整。然后根据定义的块效应评价,确定篡改区域。最后通过实验验证,这种改进不仅有效,而且对篡改对象的尺度缩放、旋转和噪声有一定鲁棒性。     

基于改进神经网络的交通标志识别

针对道路交通标志背景复杂多变、现有模型鲁棒性不高以及检测识别过程分步的问题,提出基于感兴趣区域(ROI)提取和卷积神经网络(CNN)相结合的端到端方法.为了突出交通图像中的感兴趣区域,应用MSER方法对原始图像进行颜色增强;应用分割技术生成不同尺度的感兴趣区域(ROI),进一步采用LeNet-5基础模型进行特征提取及区域框标记.为了解决在有限GTSRB数据集上出现的过拟合和网络鲁棒性不强的问题,结构中增加BN层;针对在训练中存在的损失震荡、损失过大等问题,提出使用Adam算法及提前停止的理念,加速了网络训练,稳定降低了损失,提高了识别精度,得到了较高的准确率.     

基于双域非局部网络的图像超分辨率重建

针对现有图像超分辨率重建算法在学习图像更深层次特征时面临难以捕捉全局化特征的问题,提出一种新的双域非局部(dual domain non-local, DDNL)深度神经网络。DDNL网络包含2个分支,即用于图像超分辨率重建的主分支和提供图像双域非局部信息的先验分支。先验分支通过非局部模块获取图像域和梯度域的非局部特征后,以多层通道注意力模块处理,使特征在空间维度和通道维度均得到增强;设计非局部残差密集连接结构,将先验分支提取的双域非局部特征融合进主分支,指导网络学习深层特征并降低网络捕捉全局化特征的难度。实验结果表明,DDNL网络能够获得更好的客观评价指标和主观视觉效果,对图像纹理细节的恢复更为清晰、准确。     

基于模糊不变矩和区域生长的图像盲检测算法

提出了基于模糊不变矩和区域生长的篡改盲检测算法。该算法根据图像模糊原理,分析复制-粘贴篡改区域的特点,采用24个模糊不变矩表示图像子块特征;通过子块特征的相似度确定篡改区域的侯选种子,再根据侯选种子的邻域块对的相似度找出篡改区域的真种子,并通过中心连接区域生长法从真种子中生长出经过模糊的篡改区域。本算法对粘贴区域被模糊使之融入到背景之中的篡改图有较好的检测性能。     

一种改进的视网膜脱落图像分割算法研究

为实现对超声图像病灶的分割并提高目标分割精度,提出一种残差结构的深层尺度融合的分割网络模型RDFA-Net。使用改进的网络模型并使用可变形卷积来增大采样范围,使用通道和空间注意力机制捕获特征,融入深层尺度特征进行融合以捕获深层次图像特征,成功将视网膜脱落病灶的超声图片进行分割,并有了更好的分割结果。使用合作医院提供的眼底超声图像作为数据自制分割数据集来评价RDFA-Net。通过实验结果对比显示,RDFA-Net是有效的,可以对视网膜脱落进行图像分割,并实现了较好的分割精度。     

基于改进UNet的人造板表面缺陷的图像分割方法

为满足人造板表面缺陷图像分割的精度要求,提出了一种改进的UNet语义分割网络模型。在传统的UNet网络结构上将编码部分改进为残差网络ResNet50并去掉连接层与平均池化层,网络通过残差块堆叠获取更多特征的底层信息;同时在跳跃连接中嵌入聚焦注意力机制的模块,抑制干扰信息,保留有效位置信息,聚焦缺陷区域并加强学习。对4种UNet网络模型的人造板表面缺陷图像分割进行仿真比较,结果表明,融合聚焦注意力机制的残差UNet网络模型在像素准确率和平均交并比等指标上有较大提升,分割精度较高。     

基于注意力机制的高分辨率遥感图像目标检测

高分辨率遥感图像目标检测是计算机视觉实践课程中的一个创新实验项目.针对高分辨率遥感图像目标检测过程存在的问题,在主干网络的残差基本单元中引入注意力机制,设计基于注意力机制的目标检测模型.利用模型分别检测DIOR数据集及DOTA数据集,并对检测结果进行了对比分析.结果表明,该检测模型实现了对图像中不同目标较为精确的分类和...     

数字图像复制—粘贴篡改检测与定位算法

为了提高图像区域的复制篡改检测效率,提出了一种基于相位相关的数字图像检测与定位算法。该算法首先对图像进行滑窗分块,根据各个图像块的灰度均值大小选出可能匹配的图像块对,然后利用相位相关技术对图像块对进行匹配度计算,最后根据候选图像块对之间的距离消除误匹配块对,并标记篡改区域。实验结果表明,该算法检测效率高且实用性强。     

基于多尺度特征注意的遥感图像语义分割方法

提出了一种基于多尺度特征注意网络的遥感图像语义分割方法,用于精确的像素级分割问题。通过利用由Transformer主干网络的不同层提取的多尺度特征,设计了一个双向聚合特征金字塔网络来捕获长距离依赖关系和细粒度细节。在网络结构中并行加入一个通道注意分支,从通道维度进行注意力增强以提高分割准确性。通过在两个高分辨率遥感数据集上的实验证明了该方法的有效性,实验结果优于其他分割方法。     

农村公路水泥路面裂缝智能检测（英文）

为解决传统人工图像处理方法在农村公路路面病害检测中存在的效率低、结果不客观、大量数据无法及时处理等问题,考虑农村公路路段分布特征,集成ResNet50路面分类和改进的YOLOv5裂缝检测算法,提出了一种农村水泥路面裂缝智能检测方法.利用不同训练策略、不同网络深度进行对比,构建了基于ResNet50的路面高效分类模型,实现农村公路水泥和沥青路面的自动判别.创建了包含18 028张农村公路水泥路面裂缝图片的检测数据集,开展单阶段和两阶段目标检测算法对比试验研究,获得兼顾检测精度和效率的优选检测算法.在优选算法中融入自适应空间特征融合策略和优化回归损失函数,有效解决了图像中多尺度裂缝漏检问题,并进一步提高了整体检测精度.应用所提集成方法对农村公路水泥路面进行现场实测,结果表明路面类型分类准确率为98.4%,裂缝检测准确率为93.0%,表明所提方法能够准确高效地运用于农村公路水泥路面裂缝检测.     

一种基于机器视觉和深度残差收缩网络的智能制造缺陷检测方法

针对基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,提出了一种基于机器视觉和深度残差收缩网络(deep residual shrinkage networks, D-RSN)的智能制造缺陷检测方法,并进行了先验环境下的仿真验证。首先利用互补金属氧化物半导体(complementary metal oxide semiconductor, CMOS)相机集群搭建快速机器视觉图像获取装置,形成融合前置训练集和后置测试集的图像特征数据池;然后利用D-RSN对数据池前置训练集进行图像缺陷特征隐性知识学习辨识,构建时间正序下的图像缺陷特征全息感知机制;最后利用深度长短期记忆(deep long short-term memory, D-LSTM)神经网络对数据池后置测试集进行图像缺陷自主检测,借助图像缺陷定位及分类函数输出检测结果。选取某医用外科口罩智能制造生产线为工程实践验证载体,对模型进行了工程应用实践验证,结果表明：所提方法较好地改善了基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,可以自主学习辨识图像缺陷特征隐性知识,大幅度提高了智能制造缺陷检测有效率...     

基于多尺度超像素融合网络的脑CT图像分类方法

为识别病灶形态位置多变的脑CT图像特征,提出了一种基于多尺度超像素融合网络(multi-scale superpixel fusion network, MSFN)的脑CT图像分类方法。该方法基于多尺度超像素图,从图像融合和特征融合2个层面辅助卷积神经网络(convolutional neural networks, CNN)提取更具有表达性的分类特征。首先,通过多尺度超像素对脑CT图像进行病灶区域增强,获得优化的融合图像;然后,将融合图像的高层次特征和多尺度超像素低层次特征进行多层融合,从而为脑CT图像分类提供更有判别性的融合特征。实验结果表明,所提方法有效提升了脑CT图像分类性能。     

基于多分支网络的图像分类算法

为提高卷积神经网络在图像分类中的泛化性,提出基于多分支深度神经网络结构。使用ResNet（残差网络）的跨层连接结构构造多分支网络,各分支网络共享中浅层特征提取,深层网络使用不同卷积核尺寸。分别使用独立损失函数产生多梯度对中浅层特征权值进行同步调整。与ResNet的单重网络进行对比实验,结果表明,在具有相同收敛性的前提下,各个分支网络的泛化性都得到一定提高,在多类别数据集中表现出更优性能。     

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3＿large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。     

一种基于Harris角点特征精确匹配的图像拼接方法

提出了一种基于Harris角点特征的精确匹配方法。该方法首先提取参考图像及待拼接图像中各自的Harris角点点集,并计算出这2个点集间每对点的圆形邻域图像的相关系数;再通过提取各个角点邻域的Hu矩特征,获得了该特征下每对点的相似程度。将不同特征下的相似度进行归一化并融合,构造出2个点集间,每对点的相似度表。在此表的基础上,优化匹配结果,使得匹配点对的总体相似程度高,从而得到精确匹配。由于Hu矩特征具有旋转及尺度不变性,因此提取出的角点特征能够较好地抵抗常见的图像变换。最后,实现了一套包括图像预处理、图像对齐与匹配等诸多模块的图像拼接系统。通过实际操作表明,该方法的图像拼接效率较高,有较好的鲁棒性。     

基于面部特征点的人脸图像修复网络

为了获得更好的图像修复效果,建立了一种由人脸特征点预测子网和人脸修复子网组成的人脸面部图像修复深度学习网络.该网络的面部特征点预测子网在MobileNetV2模型基础上引入SE(squeeze-and-excite)结构,实现了对不完整人脸图像的面部特征点预测;修复子网中的生成器采用密集连接块U-Net结构,并新增残差...     

一种Seam-insertion篡改的检测与定位方法

针对能够用于图像篡改的Seam-insertion技术,提出了一种Seam-insertion篡改识别定位算法。算法充分考虑了Seam-insertion篡改所引起的图像特征变化,提取像素点的线性特征和能量特征用于篡改的检测,并利用Seam的特性对篡改区域进行定位。实验结果表明,提出的方案能有效识别基于Seam-insertion的图像篡改,并能对篡改区域进行较为准确的定位。     

基于AM-YOLOX的草莓病虫害检测算法研究

在草莓生长过程中，遭受病虫害种类多且自然背景下难以被准确识别，就此提出一种基于AM-YOLOX草莓病虫害检测算法。该方法以YOLOX-s模型为基础，在网络的不同位置，根据不同注意力机制的作用，融合多种不同的注意力机制，使网络模型能更有效地学习和融合图像特征；引入CIoU目标回归损失函数，提高网络对草莓病虫害的定位精度；在训练阶段，使用Mosaic和Mixup算法进行数据增强，使得网络面对复杂环境有更好的鲁棒性。实验结果表明，AM-YOLOX对7种草莓病虫害的检测有着优异的综合表现，并能最大程度地避免病虫害的误检和漏检。     

适用于铁路桥梁钢结构无人机图像缺陷检测的自适应裁剪浅层注意力网络（英文）

目的：桥梁钢结构以及钢结构上的高强度螺栓长期受风雨侵蚀,常常会有锈蚀或缺失的情况发生,而人工巡检的效率低、危险性大且视觉盲区多。本文期望通过无人机拍摄,对铁路桥梁钢结构图像所包含的检测目标（螺母正常、螺栓正常、螺栓缺失、螺母缺失、钢表面锈蚀和钢栏杆锈蚀）进行识别和检测,以提高铁路桥梁巡检工作的精度和效率。创新点：1.提出了一种自适应图像裁剪方法,可根据图像的具体情况,自适应的调整图像的分割尺寸以及裁剪重叠区域面积,可以消除无人机拍摄距离以及焦距不固定带来的负面影响,并且提高小目标的检测效果;2.基于铁路桥梁钢结构待检测对象的特征,提出了浅层注意力网络,使模型能够更加关注待检测对象的浅层特征,从而使锈蚀区域更易于检测;3.将坐标注意力（CA）机制模块集成到浅层注意力网络模型当中,帮助网络在大范围的无人机拍摄场景下找到缺陷区域;4.将阿尔法并交比（α-IOU）损失函数集成到浅层注意力网络模型当中,提高针对铁路桥梁钢结构小数据集的训练和测试精度。方法：1.提出自适应图像裁剪策略,对无人机大尺寸图像进行处理,得到更易于网络检测出缺陷目标的小图像;2.通过对YOLO网络进行改进,得到更关注浅层特...