✨ 长期致力于图像质量提升、计算机图形处理器、并行加速、非均匀校正、图像超分辨、反射光消除、深度学习、生成对抗网络研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）曲率约束梯度场重构去噪增强算法：
提出基于平均曲率流的图像增强方法，将图像视为三维曲面，通过最小化平均曲率实现边缘保持平滑。先计算图像梯度，对梯度幅值进行非线性变换（指数增益函数），得到增强梯度场。然后利用变分法，求解泊松方程重构图像，同时在正则项中加入曲率约束，抑制噪声放大。在GPU上实现并行化，每个像素点的拉普拉斯算子计算独立，使用共享内存减少全局内存访问。对低照度图像测试，信噪比提升十二点三分贝，边缘强度保留率百分之九十三。处理一帧一零八零p图像仅需零点零一五秒，相比CPU版本加速二百七十倍。
（2）时空引导滤波红外非均匀性校正：
设计时空引导滤波校正算法，利用场景运动统计信息区分固定图案噪声与真实场景。先对连续五帧图像进行直方图匹配，计算帧间残差。将残差图像输入引导滤波器，引导图为当前帧的高斯模糊版本，输出为估计的固定图案噪声。采用指数加权移动平均更新噪声估计，平滑因子零点九五。在红外热像仪实拍数据上，校正后非均匀性从百分之七点三降低到百分之零点六，图像粗糙度指标降低百分之八十五。并行实现中，每个线程处理一个像素块的引导滤波窗口，利用常量内存存储引导图，加速比达到一百六十倍。算法已嵌入到某型机载红外探测器实时处理系统中。
（3）注意力生成对抗网络单图像反射消除：
针对玻璃反射图像，设计级联注意力生成对抗网络，命名为RefineGAN。生成器采用U-Net结构，在编码器和解码器之间加入空间注意力模块，学习反射区域掩膜。判别器采用多尺度PatchGAN，分辨透射图像和真实图像。损失函数包含对抗损失、感知损失（预训练VGG特征）和反射一致性损失。在合成数据集（包含五千对图像）和真实拍摄图像上训练，初始学习率零点零零零二，共一百五十轮。在SIDD数据集上测试，峰值信噪比达到二十九点七分贝，结构相似性零点九一，优于现有方法Deep Reflection的二十六点八分贝和零点八三。GPU推理速度每秒三十帧。该方法已应用于博物馆展柜玻璃后的文物拍摄增强。
import torch import torch.nn as nn import torch.nn.functional as F from numba import cuda import numpy as np @cuda.jit def curvature_constrained_laplace(input_img, output_img, h, w, dt): i, j = cuda.grid(2) if i < h and j < w: # compute discrete mean curvature using central differences i_up = min(i+1, h-1) i_down = max(i-1, 0) j_left = max(j-1, 0) j_right = min(j+1, w-1) grad_xx = input_img[i_up, j] - 2*input_img[i,j] + input_img[i_down, j] grad_yy = input_img[i, j_right] - 2*input_img[i,j] + input_img[i, j_left] curvature = grad_xx + grad_yy output_img[i,j] = input_img[i,j] + dt * curvature * (1 - 0.1 * curvature**2) def gpu_enhancement(img_np, iterations=20): h, w = img_np.shape d_img = cuda.to_device(img_np.astype(np.float32)) d_out = cuda.device_array((h,w), dtype=np.float32) threads = (16,16) blocks = ((h+15)//16, (w+15)//16) for _ in range(iterations): curvature_constrained_laplace[blocks, threads](d_img, d_out, h, w, 0.01) d_img, d_out = d_out, d_img return d_img.copy_to_host() class GuidedFilter(nn.Module): def __init__(self, radius=10, eps=1e-4): super().__init__() self.radius = radius self.eps = eps def forward(self, I, p): # I: guidance image, p: image to filter mean_I = F.avg_pool2d(I, self.radius*2+1, stride=1, padding=self.radius) mean_p = F.avg_pool2d(p, self.radius*2+1, stride=1, padding=self.radius) mean_Ip = F.avg_pool2d(I*p, self.radius*2+1, stride=1, padding=self.radius) cov_Ip = mean_Ip - mean_I * mean_p mean_II = F.avg_pool2d(I*I, self.radius*2+1, stride=1, padding=self.radius) var_I = mean_II - mean_I*mean_I a = cov_Ip / (var_I + self.eps) b = mean_p - a * mean_I mean_a = F.avg_pool2d(a, self.radius*2+1, stride=1, padding=self.radius) mean_b = F.avg_pool2d(b, self.radius*2+1, stride=1, padding=self.radius) return mean_a * I + mean_b class RefineGAN(nn.Module): def __init__(self): super().__init__() self.encoder = nn.Sequential( nn.Conv2d(3, 64, 4,2,1), nn.ReLU(), nn.Conv2d(64,128,4,2,1), nn.ReLU(), nn.Conv2d(128,256,4,2,1), nn.ReLU(), nn.Conv2d(256,512,4,2,1), nn.ReLU() ) self.attention = nn.Sequential( nn.Conv2d(512, 256, 1), nn.Sigmoid(), nn.Conv2d(256, 512, 1) ) self.decoder = nn.Sequential( nn.ConvTranspose2d(512,256,4,2,1), nn.ReLU(), nn.ConvTranspose2d(256,128,4,2,1), nn.ReLU(), nn.ConvTranspose2d(128,64,4,2,1), nn.ReLU(), nn.ConvTranspose2d(64,3,4,2,1), nn.Tanh() ) def forward(self, x): feat = self.encoder(x) att = self.attention(feat) feat = feat * att return self.decoder(feat)
