计算机辅助设计与图形学学报杂志

计算机辅助设计与图形学学报杂志2020年第1期

• 保持特征的三角网格曲面去噪技术综述与展望

  李智琦, 毛心怡, 汪俊, 魏明强, 郭延文

  三角网格曲面去噪是计算机图形学领域一个经典问题,近年来不断涌现出各种新的去噪方法.该文主要关注保持特征的三角网格曲面去噪技术,总结了三角网格的几何表示以及一系列特征结构,依据算法类型将现有去噪技术分为优化法、滤波法、数据驱动法3类.针对不同的去噪模型和所利用的网格属性,对各分类下的去噪方法进行分析、讨论;简述了4类常用评估准则,从尖锐特征保持能力、体积保持、异常值去除能力、有无顶点漂移现象、有无面片翻转现象5个方面展示不同算法的优缺点;并根据这些算法存在的共性问题提出三角网格曲面去噪技术发展方向.

• 利用对抗网络改进多标记图像分类

  李志欣, 周韬, 张灿龙, 马慧芳, 赵卫中

  为了更有效地对多标记图像进行分类,提出一个改进的卷积神经网络模型,通过融合多层次特征并利用空间金字塔池化来学习多标记图像中的多尺度特征,同时设计对抗网络生成新的样本辅助模型训练.首先,对传统卷积神经网络模型进行改进,利用空间金字塔池化层替换网络的最后一层,并将在ImageNet上预先训练好的参数传递给该模型;然后,通过将深层特征和浅层特征进行融合,使得模型对不同尺度的物体具有更好的识别能力;最后,设计了一个对抗网络生成带遮挡的样本,使模型对遮挡物体的识别也具有良好的鲁棒性.实验测试在2个基准数据集上进行,文中模型在Corel5K数据集上的平均查准率和平均查全率分别为0.457和0.427,mAP值达到0.442,而在PASCAL VOC 2012数据集上的mAP值则达到0.85.实验结果表明,与当前国际先进的模型相比,该模型具有更好的有效性和更强的鲁棒性.

• 基于层级注意力模型的视频序列表情识别

  王晓华, 潘丽娟, 彭穆子, 胡敏, 金春花, 任福继

  长短期记忆网络(LSTM)广泛应用于视频序列的人脸表情识别,针对单层LSTM表达能力有限,在解决复杂问题时其泛化能力易受制约的不足,提出一种层级注意力模型:使用堆叠LSTM学习时间序列数据的分层表示,利用自注意力机制构建差异化的层级关系,并通过构造惩罚项,进一步结合损失函数优化网络结构,提升网络性能.在CK+和MMI数据集上的实验结果表明,由于构建了良好的层次级别特征,时间序列上的每一步都从更感兴趣的特征层级上挑选信息,相较于普通的单层LSTM,层级注意力模型能够更加有效地表达视频序列的情感信息.

• 基于低秩稀疏分解优化的图像标签完备

  孟磊, 张素兰, 胡立华, 张继福

  大量上传的网络图像因用户语义标注的随意性,造成了图像标签的不完备,大大降低了图像检索的效率.低秩稀疏是一种有效降低数据噪声的方法.为提高图像语义标签完备的准确度,提出一种基于低秩稀疏分解优化(LRSDO)的图像标签完备方法.首先结合待完备图像的视觉特征和语义搜索其近邻图像集;然后通过低秩稀疏分解模型获得其视觉特征与语义之间的映射关系,并以此预测该图像的候选标签;最后使用面向个体的标签共现频率方法对候选标签进行去噪优化,进而实现对其更加准确的自动图像标签完备.在基准数据集Corel5K和真实数据集Flickr30Concepts上进行了实验,结果表明,该方法在图像标签完备的平均准确率,平均召回率和覆盖率上均表现出更优的性能.

• 基于卷积神经网络的高效精准立体匹配算法

  张文, 邵小桃, 杨维, 郭鸣坤, 景年昭

  针对基于卷积神经网络的立体匹配算法普遍存在参数量巨大、精度不足等问题,提出一种基于卷积神经网络的高效精准立体匹配算法.首先设计了一个融合多尺寸上下文信息的特征提取网络,提高不适定区域(Ill-posed regions)的匹配精度;其次,改进现有的相似度计算步骤,在保证匹配精度的同时,大量减少了网络的参数量;最后,提出一种轻量级的基于注意力机制的视差精修算法,从通道与空间维度上关注并修改初始视差图错误的像素点.与GC-Net在标准数据集Sceneflow上的对比实验表明,该算法在参数量减少14%的同时,匹配精度提高超过了50%.

• 基于类解混的高光谱和多光谱图像融合算法

  方帅, 朱向东, 曹风云

  基于解混合的图像融合算法存在的2个问题:(1)用低分辨率高光谱图像(low-resolution hyperspectral image,LR-HSI)的光谱特征重建高分辨率高光谱图像(high-resolution hyperspectral image,HR-HSI),而LR-HSI的空间降质会导致光谱的精度损失;(2)基于非负矩阵解混的算法由于目标函数非凸性,其求解对初始值敏感,导致端元和丰度值不稳定.为解决此问题,提出基于类解混的高光谱图像融合算法.首先,利用模糊c均值算法对图像聚类,以距离聚类中心最近的像素代替解混端元,避开了直接解混导致的解不稳定问题.其次,为每类地物分别学习基于广义回归神经网络(general regression neural network,GRNN)的相同场景HR-HSI和LR-HSI在光谱域的非线性映射关系,弥补由于空间降质导致的端元光谱精度损失.文中借鉴解混合思想,由低分辨率高光谱图像的端元重建高分辨率高光谱图像的端元,将其与高分辨率多光谱图像(high-resolution multispectral image,HR-MSI)的稀疏系数结合得到HR-HSI.在4组数据集上验证本算法性能,与多种融合算法比较.实验表明,Salinas数据的实验结果在SAM,RMSE和ERGAS指标与次优的方法相比,它们的数值分别降低了5.5%,5.5%和1.6%;在Cuprite数据上数值降低了1.3%,3.9%和3.8%;在Indian Pines数据上数值分别降低了1.7%,4.0%和3.9%;在Pavia Center数据上,采用双三次插值时在SAM和ERGAS指标上与次优的方法相比数值分别降低了2.9%和8.5%;采用双线性插值时数值分别降低了3.5%和3.4%.所以,文中算法在有效地提升空间分辨率的同时,很好地保持了光谱信息.

• 基于频域多尺度分析的显著性检测

  吴青龙, 余映, 杨鉴, 邵凯旋, 康迂星

  针对现有显著性检测方法得到的显著区域不完整以及缺乏生物学依据的不足,提出一种基于频域多尺度分析的图像显著性检测方法.首先利用小波变换将输入图像的离散余弦变换(DCT)系数的幅度谱进行多尺度分解,计算得到多尺度下的空间域视觉显著图,然后依据显著性评价函数选出较优显著图,最后以自适应权重合成输入场景的视觉显著图.对不同类型数据集进行实验,包括心理物理学模板数据集、人眼注视轨迹数据集及显著目标分割数据集(包括ASD和ECSSD数据集),该方法对于多类型数据集在P-R曲线、ROC曲线及AUC指标等客观评价标准上均取得较高精确度,且在计算速度统计中计算较快,表明该方法优于其他经典的显著性检测方法.

• 椭圆窗口和参数自适应的非局部均值算法

  萧澍, 胡靖, 王彦芳

  对于传统的非局部均值(NLM)算法,方形搜索窗口会将大量低相似度的图像块引入去噪图像的加权平均计算过程中,导致去噪图像的细节轮廓变得模糊.针对此问题,提出了利用控制核函数来获取椭圆窗口和图像块参数的自适应NLM算法.首先,根据图像的局部梯度信息和结构张量获得可描述图像局部边缘结构的椭圆方程,并由此确定搜索窗口的形状,从而将搜索窗口的搜索范围限制在与图像局部结构相一致的区域内;然后采用控制核函数获得和搜索窗口形状一致的椭圆形图像块,并结合平滑参数自适应的思想进一步增强算法效果.通过在不同噪声等级的经典灰度图中进行实验,实验结果表明,该算法相比于传统NLM算法和参数自适应的NLM算法,在客观的图像评价指标上,有着更高的PSNR和SSIM值;而在主观视觉上,随着噪声等级的提升,该算法在抑制噪声的同时,能够更好地保留住图像的高频纹理信息.

• CNN和三维Gabor滤波器的高光谱图像分类

  魏祥坡, 余旭初, 谭熊, 刘冰, 职露

  卷积神经网络(CNN)具有强大的特征提取能力,能够有效地提高高光谱图像的分类精度.然而CNN模型训练需要大量的训练样本参与,以防止过拟合,Gabor滤波器以非监督的方式提取图像的边缘和纹理等空间信息,能够减轻CNN模型对训练样本的依赖度及特征提取的压力.为了充分利用CNN和Gabor滤波器的优势,提出了一种双通道CNN和三维Gabor滤波器相结合的高光谱图像分类方法Gabor-DC-CNN.首先利用二维卷积神经网络(2D-CNN)模型处理原始高光谱图像数据,提取图像的深层空间特征;同时利用一维卷积神经网络(1D-CNN)模型处理三维Gabor特征数据,进一步提取图像的深层光谱-纹理特征.连接2个CNN模型的全连接层实现特征融合,并将融合特征输入到分类层中完成分类.实验结果表明,该方法能够有效地提高分类精度,在Indian Pines,Pavia University和Kennedy Space Center 3组数据上分别达到98.95%,99.56%和99.67%.

• 基于时间一致性局部颜色特征的无纹理3D物体实时跟踪

  黄鸿, 钟凡, 秦学英

  针对无纹理3D物体跟踪算法在复杂背景和运动模糊的情况下容易跟踪失败、跟踪速度难以达到强实时等问题,提出一种基于时间一致性局部颜色特征的3D物体实时跟踪算法.首先在物体3D模型投影轮廓法向搜索线上计算像素颜色的加权均值作为局部颜色特征,增强颜色特征在复杂环境中的表征能力,并对局部颜色特征进行时间一致性更新,剔除前景背景颜色相似的局部颜色特征,以避免相似前景背景颜色导致的跟踪失败;然后定义基于局部颜色特征的能量函数,并推导该能量函数的解析导函数;最后改进了优化物体姿态的高斯牛顿法,通过添加阻尼参数防止姿态优化陷入局部极值,提高姿态估计精度和跟踪速度.实验使用7组测试视频验证文中算法,结果表明,该算法能更有效地克服复杂背景和运动模糊的干扰,在未使用并行计算的前提下可实现强实时跟踪.

• 融入IBN-NET的轻量网络在金属圆柱工件缺陷识别中的应用

  罗钧, 曾伟, 龚燕峰, 侍宝玉

  金属圆柱工件的缺陷特征容易受到环境光影响,而使用传统卷积神经网络检测金属圆柱工件缺陷,存在网络参数多,运算量大和泛化能力低等问题,难以满足工业现场检测的实时性和高精度要求.针对这些问题,提出一种融入实例-批归一化网络(IBN-NET)的轻量网络模型.在轻量卷积神经网络SqueezeNext的基础上,加入增强泛化能力的IBN-NET,将浅层卷积层后的批标准化(BN)用一定比例的实例标准化(IN)替代,形成网络模型的基础模块;通过组合基础模块,形成改进的网络模型.实验采用具有5类金属圆柱工件缺陷的图像进行对比测试,结果表明,融入IBN-NET的改进网络模型拥有更高的泛化能力,在GTX1080显卡上,改进网络模型仅需0.58 M参数量和5.54 ms的识别时间就能达到95.8%的识别精度.

• 适合长时跟踪的自适应相关滤波算法

  肖逸清, 葛洪伟

  针对在长时跟踪中,快速运动、遮挡等复杂情况很容易引起模板漂移,导致跟踪失败的问题,提出一种适合长时跟踪的自适应相关滤波算法.首先融合HOG特征、CN特征和灰度特征,在增强特征判别力的同时,结合EdgeBoxes生成检测建议并找到最优建议,实现跟踪器尺度与纵横比的自适应;然后利用高置信度跟踪结果来避免模板被破坏,将目标移动速度与边缘组数结合起来形成一种新的自适应更新率,并对每一帧目标框的尺度进行校正;最后在跟踪失败的情况下,应用增量学习检测器以滑动窗口的方式恢复目标位置.在标准测试集上与基于相关滤波的7种算法进行对比,实验表明,该算法在精确度和成功率上均取得较优效果.

• 图像特征保持的圆点绘制方法

  余丽娟, 曹娟, 陈中贵

  图像圆点绘制问题指用圆点去逼近图像得到近似马赛克填充的效果.点画是在世界范围内流行的艺术形式,图像圆点绘制算法就是受艺术家创作的点画作品启发而提出的一种非真实感渲染算法.首先对图像进行分割,提取分割后图像的轮廓边界线并获取原始图像的特征线,生成图像上的方向场,使得图像的每个像素点位置都存在一个方向值;之后设计密度函数,刻画待摆放的圆点半径大小随着图像梯度的变化;最后结合方向场和密度函数根据一定的规则开始圆点的摆放直至铺满图像区域.此外,后续的补洞优化使得画面更加饱满.采用上述算法在大量图片上进行实验的结果表明,图像圆点绘制算法能够生成与图像特征和颜色相适应的圆点逼近结果,圆点的排列与原图片的特征保持了高度的一致,而且画面整体颜色与原图像十分接近.

• 基于曲率单调变化的空间非均匀三次B样条曲线的构造方法

  王爱增, 何川, 赵罡

  B样条曲线在目前CAD系统中得到广泛应用,针对B样条曲线的光顺问题,给出并证明了具有曲率单调变化的非均匀三次B样条曲线的构造方法.首先通过给定非均匀三次B样条曲线的中间控制边矢量及相关初始条件,然后计算初始和结尾控制边矢量,由此得到的非均匀三次B样条曲线具有单调变化的曲率.实验在Windows系统下基于VC++语言实现,相关实例验证了该构造方法的有效性及实用性.

• 面向三维模型分割的边界感知点云神经网络

  关柏良, 周凡, 林淑金, 罗笑南

  为了能够更好地应用深度神经网络学习三维模型的空间特征,获得更好的三维模型分割效果,提出面向三维模型分割的边界感知点云神经网络.首先,采用边界感知的网格点云化方法,将网格分割问题转化成点云标记问题;然后,利用数据切片方法对转化而来的点云数据进行重采样;最后,利用不同大小卷积核的滤波器提取点云数据的空间特征,并将点云标记的结果对应到原网格模型,得到三维模型分割的结果.在ShapeNetCore数据库上的实验结果表明,该方法不仅能够明显地提高分割的准确率,而且具有边界感知的特性,能够有效地避免过分割现象.

• 孔隙表征参数驱动的TPMS多孔结构建模

  雷鸿源, 李静蓉, 徐志佳, 王清辉

  为了设计符合工程设计参数要求的多孔结构模型,提出一种孔隙表征参数驱动的多孔结构建模思路,并以增材制造制备成形.首先,针对三周期极小化曲面(TPMS)的4种常用类型(P/D/G/I-WP),研究了TPMS数学参数对各类孔隙表征参数(孔隙率、比表面积和孔径大小)的影响,并建立了相关参数之间的映射关系模型;接着,提出了若干基于孔隙表征参数的TPMS多孔结构设计方法,包括单设计参数法、多设计参数法、嵌套设计法;最后,给出了相关的工程应用案例并进行Micro-CT测试实验.实验结果表明,所设计模型的孔隙表征参数可控,增材制造成形的模型样件受工艺影响,其精度存在一定偏差.

• 二阶段端到端的图像去雾生成网络

  邢晓敏, 刘威

  单幅雾天图像的恢复是计算机视觉领域的一个基础问题,现有的方法主要包括基于先验信息的去雾方法和基于学习的去雾方法.然而,在实践中,前者具有很强的假设先验,导致该类方法的应用场景具有一定的局限性;后者在获取大量的配对数据上很困难.针对这2类问题,提出一种基于非配对数据训练的二阶段端到端的自适应去雾生成网络,其基于循环生成式对抗网络框架,不同的是,在训练的过程中,提出一种二阶段映射策略.首先通过一级映射网络得到去雾结果;然后将该结果作为二级映射网络的输入,进一步提高去雾效果.另外,提出一种循环增强损失函数,并引入了先验信息约束生成器之间的映射关系.采用室内外多场景下的仿真雾图和真实雾图作为测试数据,通过全参考和无参考图像质量评价指标进行对比分析;实验结果表明,该方法不仅能够更好地适应处理各类雾天场景,有效地提高图像的峰值信噪比和结构相似度,且较好地复原了退化场景的边缘信息和色彩信息.