壁画图像具有结构细节丰富,纹理复杂、色彩多变的特点,而基于卷积神经网络的图像超分辨率算法重建的壁画图像存在纹理模糊和边缘锯齿效应的问题。因此,提出了一种基于多尺度残差注意力网络的壁画图像超分辨率重建算法。首先,通过多尺度映射单元,用不同尺度的卷积核直接对低分辨率壁画图像进行特征提取;然后,将融合后的特征图输入残差通道注意力块,使网络从全局信息出发对各个特征图进行权值优化,增强网络模型的深度映射能力;最后,在网络末端引入亚像素卷积层,重新排列像素,得到重建的高分辨率壁画图像。实验结果表明,本算法可以减小重建误差,增强重建壁画图像的边缘及结构信息,使重建的壁画图像纹理细节更丰富。

基于深度神经网络的多尺度特征提取方法

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：matlab基于多尺度retinex算法的图像去雾代码_能较好得去雾并保留原图色彩_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

matlab灰色处理代码mof_dehaizng的简介 这是对Matlab的重新实现。 单图像去雾的多尺度最优融合模型 赵冬，徐龙，严以华，陈洁，段凌宇 这项工作已被信号处理杂志：图像通信，2019年接受。可从以下网站下载本文： 。 如果您在我们的工作中遇到任何有趣的问题，我们竭诚欢迎您的宝贵建议，您可以通过以下方式给我们发送电子邮件： | | 抽象的 图像采集通常容易受到恶劣天气的影响，例如阴霾，雾气和烟雾。 在许多领域，除雾，除雾一直是一个巨大的挑战。 本文提出了一种高效，快速的除雾算法，用于解决除雾过程中经常发生的传输图误估和过饱和问题。 我们发现，透射图通常会在灰度突然变化的边缘附近被错误估计。 这些“传输错误估计”（TME）边缘会进一步导致斑片式除雾中的光晕伪影。 尽管逐像素方法没有光晕伪像，但存在过饱和问题。 因此，我们首先提出一种TME识别方法来区分TME和非TME区域。 其次，我们提出了一种多尺度最优融合（MOF）模型，以最优方式融合像素方向和斑块方向的传输图，以避免错误估计传输区域。 然后将此MOF嵌入到逐块除雾中，以抑制光晕伪像。 此外，我们提供了两种后处理方法来提

针对眼底视网膜血管细小、轮廓模糊导致血管分割精度低的问题,提出一种多尺度框架下采用小波变换融合血管轮廓特征和细节特征的视网膜血管分割方法。通过预处理增强血管与背景的对比度,在多尺度框架下提取血管轮廓特征和细节特征,并进行图像后处理;采用小波变换融合两幅特征图像,通过计算各尺度对应像素的最大值,得到血管检测图像,最后采用Otsu法进行分割。通过在DRIVE数据集上进行测试实验,得到平均准确率、灵敏度和特异度分别为0.9582,0.7086,0.9806。所提方法能够在准确分割血管轮廓的同时保留较多细小血管分支,准确率较高。

针对遥感影像中目标方向、目标大小、拍摄角度及场景的多样性导致飞机目标检测精度不高的问题，提出一种基于残差网络（ResNet）的目标检测新方法。首先采集并且标注遥感图像数据，这些数据包含了晴天、薄雾等多种气候条件下的遥感影像；然后构建图形金字塔和模板金字塔进行多尺度检测，并且加入残差网络的全卷积网络结构中不同层的上下文特征信息；最后通过拟合回归进行端到端的训练，得出鲁棒性强，精度高的目标检测网络模型。实验结果表明，该网络模型对于较复杂背景等干扰有较强的鲁棒性，检测精度高达89.5%。

matlab、图像处理、眼前节组织识别

在本文中，我们提出了一种多尺度卷积神经网络TSception，用于从脑电图（EEG）中学习时域特征和空间不对称性。TSception由动态时间层、非对称空间层和高层融合层组成，这些层同时学习时间和通道维度上的区别表示。动态时间层由多尺度一维卷积核组成，其长度与脑电信号的采样率有关，学习脑电的动态时间和频率表示。非对称空间层利用情绪反应背后的非对称神经激活，学习辨别性的全局和半球表征。学习到的空间表示将通过高级融合层进行融合。使用更广义的交叉验证设置，在两个公开可用的数据集DEAP和MAHNOB-HCI上对所提出的方法进行了评估。该网络的性能与之前报道的方法进行了比较，如SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet和EEGNet。在大多数实验中，与比较的方法相比，我们的方法获得了更高的分类精度和F1分数。

注释清楚 使用方便 [1] H. Azami, S. Arnold, S. Sanei, Z. Chang, G. Sapiro, J. Escudero, and A. Gupta, "Multiscale Fluctuation-based Dispersion Entropy and its Applications to Neurological Diseases", IEEE ACCESS, 2019. [2] H. Azami, and J. Escudero, "Amplitude-and Fluctuation-Based Dispersion Entropy", Entropy, vol. 20, no. 3, p.210, 2018. Matlab代码！

基于对小波去噪以及多尺度变换图像去噪问题的理解，提出了对多尺度变换图像去噪方法的一些展望。