关键词： 量子优化算法   图像处理   量子退火   量子近似优化算法  

摘要： 图像处理技术,作为计算机科学与人工智能领域的一个关键分支,其在现代社会各个层面的实际应用重要性日益凸显。然而,经典图像处理方法在应对复杂背景或噪声密集的图像时,常面临计算资源消耗大、易陷入局部最优解等问题。随着量子计算技术的迅猛发展,其在优化算法领域的独特优势为突破经典图像处理方法的瓶颈提供了新的可能。本研究聚焦于量子优化算法在图像分割与去噪任务中的应用,通过理论建模与实验验证,探索了量子退火和量子近似优化算法(QAOA)在图像处理中的潜力,旨在为复杂场景下的图像分割与去噪问题提供高效、鲁棒的解决方案。量子计算通过量子叠加、纠缠等特性,能够实现并行计算与全局优化,为解决这些问题提供了新思路。 本研究梳理了量子退火和QAOA算法的理论基础。量子退火基于绝热定理,通过量子隧穿效应寻找全局最优解,其核心是将问题转化为伊辛模型或二次无约束二进制优化(QUBO)形式。QAOA则通过交替施加代价哈密顿量与驱动哈密顿量构建参数化量子线路,利用量子叠加特性探索解空间,适用于NP-hard问题的近似求解。在量子图像处理领域,现有研究多聚焦于量子态的图像表示与基础操作,而针对优化算法与具体图像任务的结合仍处于探索阶段。 本研究结合量子优化算法的理论与图像处理的需求,重点实现了以下两个研究目标: (1)针对图像分割问题,将Graph Cuts算法与量子退火技术结合,提出了基于QUBO模型的量子图像分割方法。经典Graph Cuts算法通过最小化能量函数实现分割,但其在复杂场景下易受初始条件影响,分割精度受限。本研究通过将图像分割问题转化为最大流/最小割的QUBO优化问题,通过隧穿效应可避免陷入局部最优。最终通过量子比特与像素点的映射关系,将量子退火输出的最优比特状态转化为分割图像。通过实验分析对比,量子图像分割方法在精确度、召回率和交并比都优于经典Graph Cuts方法和模拟退火图像分割方法,有效优化了经典算法在复杂纹理中的过分割或欠分割问题。 (2)针对图像去噪问题,创新性地设计了量子马尔科夫随机场(QMRF)方法,将经典马尔科夫随机场(MRF)的概率模型转化为量子计算框架下的能量优化问题,利用量子比特的叠加态表征像素的多态性,并通过参数化量子线路设计来扩展搜索空间,避免了传统方法易陷入局部最优的问题;同时,量子比特间的纠缠机制增强了像素邻域间的空间依赖性,有助于保留结构信息,防止过度平滑导致的细节丢失。性能评估显示,相较于经典MRF,QMRF在视觉效果评估中展现出更佳的细节保留度和边界清晰度,直方图保持良好,量化指标分析也证实了其在复杂结构和高噪声环境下具有更高的鲁棒性和性能提升率,展示了量子计算在图像去噪中的潜力和优越性。 本研究不仅为量子优化算法在图像处理中的应用提供了理论与方法论支持,更揭示了量子计算在解决复杂优化问题上的独特优势。随着量子硬件的进一步发展,量子图像处理技术有望成为下一代智能图像分析的核心驱动力,为高精度、低延迟的图像处理需求提供全新解决方案。

关键词： 图像处理   自动对焦   清晰度评价函数   深度学习  

摘要： 清晰图像的边缘细节丰富、对比强烈,采集到清晰的图像是提高测量精度的关键因素,因此自动对焦技术是视觉测量系统中的一项关键技术。随着精密仪器逐步向着自动化、智能化的方向发展,人们对视觉测量系统也提出了更高的要求,进而涌现出了各种自动对焦技术。其中,基于图像处理的自动对焦法应用最为广泛,此方法不需要依赖额外的辅助设备便可完成对焦,符合视觉测量系统的小型化、智能化的发展趋势。基于图像处理的自动对焦法可分为对焦深度法(DFF)和离焦深度法(DFD)这两大类。本文以视觉位姿测量系统为实验与科研平台,对DFF、DFD两种方法进行了深度研究,主要成果包含以下三大部分: 1.提出了基于区域加权的图像清晰度评价算法 DFF方法中现有的清晰度评价函数只考虑了图像梯度的影响,忽略了图像内容也是影响清晰度评价函数性能的一个重要因素。当图像中具有多景深物体时,或者图像中内容稀疏区域较多时,评价函数会出现大幅波动,甚至会出现伪峰,进而导致图像清晰度评价函数性能较差。为解决上述问题,本文提出了基于区域加权的图像清晰度评价算法,与大部分清晰度评价函数相比,该算法清晰度比率最高可提升约2.7倍,灵敏度最高可提升约1.9倍,平缓区波动量可以减少为传统Laplacian评价函数的1/6,在图像内容复杂时的评价性能更加可靠,具有清晰度比率与灵敏度高、局部极值点少的优点。 2.提出了一种基于轻量化网络模型的离焦距离预测方法 常规的DFF方法会导致视觉测量系统连续取流的情况下会反复中断画面,进而会增加系统软件算法线程协调难度;另外,近年来无参考图像质量评价领域中深度学习技术成果突出,如果将对焦目标的离焦距离看作图像质量评价值,则可以通过深度学习的方式将其预测出来。因此本文极具创新以Shufflenetv2和MLP为基础构建了一个轻量化离焦距离预测网络SAF(Shufflenetv2-Autofocus);然后,构建了包含60000多张图像的被测目标数据集,使得该网络可以在GPU机上完成训练;随后,提出了两步对焦方法,即通过两次镜头调整完成对焦,并将此方法稳定运用在了嵌入式的视觉测量系统当中;最后,通过三组实验发现,此方法的对焦耗时仅为DFF方法的15%-24%,对焦稳定性相比DFF提升了约40%,原理上避免DFF方法由于局部极值点导致的对焦误差较大的问题,应用上也避免了DFF方法由于搜索策略引发的画面中断的现象。 3.提出了一种融合目标检测算法的自动对焦方法 现有的自动对焦方法只能通过图像取窗的方式对一个目标或一定区域对焦,这种方式往往需要人为操作,缺乏自适应性,一旦将目标分割在外,容易造成对焦不理想的结果;另外,近年来基于YOLO的目标检测算法应用非常广泛,尤其在光电测量领域,如果将YOLO目标检测算法与自动对焦融合起来,则可以大幅提升对焦效率和准确性。因此,本文提出了可以同时完成目标检测和离焦距离预测的多任务网络FOCUS＿YOLO。此网络中,本文改进了常规YOLO的头部结构、前处理方式、后处理方式、损失函数,使得目标的离焦距离通过一个输出通道与目标类别、预测框位置一同推理出来。FOCUS＿YOLO以视觉测量系统中的人工靶标标志为识别目标,采集数据集并在GPU上训练后,不仅维持了较高召回率,离焦距离预测误差也在极小范围内,具有良好的目标检测和离焦距离预测能力。并且,本文提出了基于FOCUS＿YOLO的自动对焦算法并成功应用在视觉测量系统中。数据层面上,此方法的对焦耗时可达0.1s,满足实时性;应用层面上,此方法可以在单帧图像中同时识别多个目标,而且每个目标均会直接获得一个预测离焦距离,方便对特定目标进行有选择性的对焦,完全避免了人为取窗的冗余操作和额外的图像处理耗时。因此,在视觉测量系统下,基于FOCUS＿YOLO自动对焦算法是一种极为有效的对焦方法,具有创新程度高、算法复杂度低、算法流程清晰程度高、自适应程度强的优点。

关键词： 红外弱小目标   脉冲神经网络   目标检测   深度学习   注意力机制  

摘要： 随着无人机和其他飞行器技术的快速发展，机载红外弱小目标检测成为重要研究领域。然而，由于目标距离远、体积微小或部分遮挡，传统方法在检测过程中面临巨大挑战。因此，提出更为精确的目标检测算法显得尤为重要。本文提出了一种融合脉冲和卷积技术的新型机载红外弱小目标检测模型，即脉冲增强的融合特征网络（SEFFN）模型。与以往的基于深度学习的红外弱小目标检测算法不同，该模型通过仿生的脉冲神经网络结构增强与弱小目标检测相关的特征表达，从而更精确地提取小目标区域。SEFFN主要包含4个关键模块：扩展金字塔卷积(DPC)、双路注意力融合(DAF)、多脉冲增强（MSE）和监督注意力（SAM）。这些模块共同作用，提高了对小目标区域的关注，同时在排除噪声干扰的前提下保留小目标的主要特征，显著提升了模型的检测性能。在两个数据集上的试验结果表明，与现有的模型驱动和数据驱动方法相比，SEFFN的表现更为出色，特别是在Sirst Aug数据集上，其F和mIoU分别达到85.74%和75.04%。这表明SEFFN在红外弱小目标检测任务中的有效性和优势。SEFFN适用于航空领域，能够部署在飞行器的边缘设备上，提高空中平台对远距离目标的检测能力，支持远程监控、反制敌方威胁等任务。

关键词： 低光照   图像增强   多尺度特征融合   深度学习   目标检测  

摘要： 针对夜间、恶劣天气或封闭等特殊场景下的低光照图像增强问题,本研究致力于解决由对比度低、细节模糊、色彩失真等引发的目标检测难题。在此类图像中,目标与背景界限模糊,边缘及纹理特征退化,噪声干扰严重,极大影响了光学目标探测的准确性。因此,面向低光照目标检测探索有效的图像增强策略显得尤为重要。现有方法虽能在一定程度上改善视觉效果,但常常会丢失物体的关键特征,如边缘、纹理等。尤为重要的是,当前图像增强技术所采用的常规损失函数未能区分不同像素的重要性,这限制了对细节信息的有效学习。为此,本研究从传统理论与深度学习算法两个角度深入探索低光照图像增强算法,旨在从复杂多变的低光照图像中恢复出光照充足、对比度鲜明、细节完整的图像,从而显著提升目标检测的质量。本文主要的研究内容如下: 1.提出一种非线性自适应暗部细节增强算法。首先,为不损失图像的色彩关系,将原始图像转换至HSV空间,并提取亮度分量V。针对低光照图像亮度不足且对比度较低的问题,改进伽马校正算法,实现自适应亮度调整,增强暗部细节特征。随后,结合低通滤波技术,提出亮度自适应对比度增强策略,对高频细节部分自适应增强,有效凸显暗部区域的纹理与边缘信息;最后,提出一种亮度引导的自适应图像融合算法,确保高光区域边缘细节的完整性,避免过曝现象。实验结果表明,该算法能够更好地契合低光照图像特性,不仅显著提升了亮度和对比度,使图像细节更加丰富,还强化了暗部细节表现,避免过曝。 2.提出一种零参考的双路径网络低光照图像增强算法。该算法利用无参考损失函数,将低光照图像增强任务转换为深度曲线估计问题,通过拟合三条高阶曲线,全面提升图像质量,包括亮度调整曲线、对比度增强曲线以及多尺度特征融合曲线。实验结果显示,该算法能够生成对比度鲜明、细节丰富的增强图像,有效区分出各像素的重要性,增强目标多尺度特征,进而优化目标检测效果。 3.提出一种多尺度特征增强的低光照图像增强算法。在整合现有的低光照图像增强先验知识的基础上,该算法将图像增强任务分解为对比学习、语义亮度一致性和特征保留三大约束条件,确保曝光、纹理及颜色的一致性。提出一种多尺度特征融合模块,实现图像的超分辨率和多曝光图像融合,旨在避免目标过曝,保证纹理和边缘信息,实现噪声去除的同时提升图像分辨率,从而,增强目标特征细节,提高低光照目标检测性能。实验证明,该算法不仅增强了图像的边缘细节,还显著增强了目标的多尺度特征,有力促进了低光照环境下的目标检测性能。

关键词： 绝缘子缺陷   目标检测   边缘计算   网络剪枝  

摘要： 随着社会电力需求的持续增长,电网设备的运行负荷不断加重,对其维护保障的要求也日益提高。绝缘子作为高压输电系统中的关键部件,其性能直接关系到电网的安全运行。然而,绝缘子长期暴露在复杂环境中,容易受到污染、老化及机械损伤等因素的影响,导致其产生缺陷,进而引发电网设备的安全隐患。传统的人工电力巡检方法在绝缘子缺陷检测任务时存在效率低、风险高、成本高的局限,而基于深度学习的目标检测方法尽管提升了检测精度,但仍存在绝缘子缺陷的漏检问题,同时目标检测模型的计算需求较高,难以满足边缘计算的应用要求。 针对此类问题的实际应用情况,本文将从提升目标检测模型检测精度、提高目标检测模型推理速度、降低目标检测模型计算资源占用三个方向展开研究,主要研究内容如下: （1）针对绝缘子缺陷目标在复杂背景下易被遮挡、目标尺寸较小且关键特征难以提取的问题,本文基于YOLOv8网络结构进行改进,提出了 YOLO-Adaption模型。针对原网络结构中C2f模块的局限性,提出使用自校准卷积SCConv替代C2f模块中Bottleneck结构的第二个卷积并构成SCC2f模块,有效增强对小目标关键特征的捕捉能力。在Head层Detect模块的基础上进行重新设计,对Detect引入Dyhead结构,将其重构为DyheadDetect模块。重构后的DyheadDetect模块能够通过动态调整不同位置特征通道的重要性。实验结果表明,YOLO-Adaption模型相比原模型mAP从94.7%提升至96.1%,不仅显著提高了检测精度,同时有效解决了漏检问题。 （2）针对模型参数冗余导致推理速度受限的问题,本文在对YOLO-Adaption模型进行三种不同优化的结构化网络剪枝实验后,提出了一种基于YOLO-Adaption模型的轻量化剪枝模型YOLO-SlimNet。该模型基于Slim通道剪枝策略,对YOLO-Adaption模型中BN层的缩放因子进行稀疏训练,并在稀疏化后根据不同的性能提升比去除冗余通道,最终通过模型微调恢复精度。该方法显著减少模型冗余参数的同时提高了模型检测速度,并有效解决了绝缘子检测任务中的误检问题。最后,通过实验表明,YOLO-SlimNet模型mAP为95.3%,单张推理时间为2.1ms,在最小限度降低模型精度的同时减少了其计算资源需求,适用于边缘设备的高效部署。 （3）为验证YOLO-SlimNet模型在实际应用中的性能,本文选择NVIDIAJetson Nano作为边缘部署平台。并针对模型在Jetson Nano平台推理时硬件利用率较低、计算资源受限的问题,采用TensorRT对模型进行推理框架优化,通过模型转换和量化技术,将模型从单精度浮点型转换为半精度浮点型,从而实现高效部署。通过在Jetson Nano平台上进行绝缘子缺陷目标检测实验,验证了量化后的YOLO-SlimNet模型相比量化前单张推理时间降低了 36%,实现了较高的检测精度与速度,并在不同环境下展现出良好的鲁棒性和泛化能力。

关键词： 目标检测   YOLOv11   车辆检测   注意力机制   轻量化网络  

摘要： 针对复杂交通场景下车辆检测存在的特征信息提取精度低、检测率低及误检漏检率高等问题，提出了一种基于改进YOLOv11的车辆检测模型FAE＿V11s。首先，引入BiFormer注意力机制，通过动态稀疏注意力权重分配，增强模型对复杂场景中车辆特征的聚焦能力。其次，引入MobileNetV3网络结构替换原骨干网络，对整体网络进行轻量化改进，有效降低模型的参数量和计算量。再者，设计一种新的改进特征金字塔结构，在P2层增加256×256尺寸的特征图输出，提升P2层特征图的语义质量与细节保留能力，实现更高效、精准的目标检测。最后，设计FPv2＿IoU损失函数，解决因惩罚因子而引发的锚框膨胀问题及训练样本分布不均衡的问题，进而有效加速模型收敛。在UA-DETRAC数据集和自建数据集的实验中，与YOLOv11n模型相比，FAE＿V11s参数量减少了约3.64%,mAP@0.5和mAP@0.50∶0.95分别提高了13.29和11.13个百分点，整体表现出良好的检测性能。

关键词： 光响应非均质性   源相机识别   核基网络   环形滤波   图像处理  

摘要： 光响应非均质性(Photo-Response Non-Uniformity, PRNU)噪声凭借其唯一性与长期稳定性，为数字图像溯源提供了可靠的物理指纹特征。然而，现有深度学习方法主要采用的固定卷积核结构难以自适应捕捉跨尺度特征依赖关系，导致PRNU特征与图像语义信息形成强耦合；同时，PRNU本质是存在于图像信息中的微弱噪声特征，极易受图像语义内容干扰，进一步加剧了特征分离难度。为此，本文构建了一个基于核基网络(KBNet)与环形滤波的级联式提取框架。第一阶段通过动态空域建模机制，将可学习核基参数与多轴特征融合机制结合，使KBNet自适应构建全局上下文感知与局部纹理敏感的混合特征场，实现亚像素级噪声残差的高精度解离；第二阶段基于频谱能量分析驱动的环形滤波策略，通过构建径向梯度约束函数选择性滤除与设备无关的低频干扰分量，进而完成指纹特征的频域正交化提纯。跨场景实验表明，该算法在DRESDEN数据集上Kappa指标达到0.845 2、AUC达到0.969 8,在DAXING数据集上Kappa指标达到0.814 0、AUC达到0.957 8,显著优于现有方法。