基于自适应双边全变差的图像超分辨率重建

超分辨率图像重建技术就是通过融合多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像(或视频序列)来重建一幅高质量高分辨率图像.MAP估计算法是一种广泛使用的统计重建方法.针对标准的MAP算法引入了自适应概念,引入了图像自适应加权系数矩阵;据此给出一种基于自适应双边全变差的图像超分辨率重建算法,该方法不仅能在图像超分辨率重建过程中抑制噪声,而且能锐化图像中的边缘信息;建立了自适应重建模型并用梯度下降法推导出迭代计算公式.实验表明,该算法在收敛性和精确性上都达到了较好的效果.     

基于MAP框架的时空联合自适应视频序列超分辨率重建

超分辨率重建在视频监控、高清晰度电视、遥感图像、医学图像处理等领域具有广阔的应用前景. 最大后验估计(maximum a posteriori, MAP)法是普遍采用的一种超分辨率重建方法. 针对传统MAP法存在的局限性, 本文提出了一种基于MAP框架的时空联合自适应视频序列超分辨率重建算法. 时空联合自适应机制的引入使得算法在保持边缘的同时可减小错误运动估计矢量对重建图像质量的影响. 实验结果表明, 算法具有重建质量好、边缘保持能力强、收敛速度快等特点.     

基于边缘优化的 POCS 改进算法

为了从低分辨率图像中获取高分辨率信息,通常情况下采用图像超分辨率技术来获得高分辨率图像。在研究基于重建超分辨率凸集投影算法（POCS）的基础上,分析 POCS 算法的原理流程及其优缺点,提出一种对该算法加入边缘优化因子的算法思想,使用“三次样条”插值算法、中值滤波的处理对算法进行改进。利用 MatLab 进行算法仿真试验,试验结果表明改进算法在超分辨率重建中对图像改善效果明显,具有可行性。     

基于多种正则化的改进超分辨率重建算法

为了解决超分辨率图像重建过程中无法同时降低平滑区域噪声和保持图像细节的问题,结合改进的非局部变分（NLTV）和全变分（TV）正则项方法提出一种新的超分辨率重建算法。首先,根据图像重尾分布特性,结合高斯分布、拉普拉斯分布及柯西分布改进了传统NLTV正则项系数,提出了改进的ANLTV正则项。然后利用ANLTV正则项基于分裂Bregman算法重建了初始的高分辨率图像。最后结合TV正则项对重建的高分辨率图像进行去模糊操作,进而得到最终的超分辨率图像重建结果。为验证所提算法的性能,分别利用该算法与传统的TV和NLTV算法进行超分辨率图像重建并对比。实验结果表明,所提出的方法相比于传统的TV和NLTV重建算法,其峰值信噪比、信噪比和结构相似度均有所提高,能够同时满足超分辨率图像重建过程中抑制噪声和保持边缘细节的需求。     

基于非线性最小二乘的图像自适应SR重建以及运动估计

图像超分辨率（SR）重建是利用数字信号处理技术由一系列低分辨率观测图像得到高分辨率图像。为了扩展SR技术的应用范围,提出了一种同时进行图像超分辨率重建和全局运动估计的方法。该方法首先基于最大后验概率(MAP)给出了图像SR重建和运动估计框架,该框架不仅考虑了前后两次迭代所得的HR图像差值对最终重建图像的影响,而且引入了不同LR图像对重建图像的重要性权值,使得算法具有自适应性;然后将总体框架转换为图像SR重建模型和运动估计模型;最后基于非线性最小二乘法对模型进行优化求解,得出了SR重建图像及其全局运动域。实验表明,该方法不仅图像重建效果良好,并有着良好的收敛性。     

基于图像块分类的图像超分辨率重建

针对当前图像超分辨率重建算法中存在的字典单一而导致重建图像质量不佳的问题，提出一种将图像块分类与图像卡通纹理分解相结合的单幅图像超分辨率重建算法。首先，将图像分块，并将图像块分为边缘类、纹理类和平滑类三类，其中纹理类用形态成分分析（MCA）算法分解为卡通部分和纹理部分；然后，对边缘类、卡通部分和纹理部分分别训练高低分辨率字典；最后，求解稀疏系数并与高分辨率字典重建图像块。仿真结果显示，与基于稀疏表示的超分辨率重建（SCSR）算法和单幅图像超分辨率重建（SISR）算法相比，所提算法的峰值信噪比（PNSR）值分别提高了0.26 dB和0.14 dB，表明该算法的重建效果更好，重建图像纹理细节更丰富。     

压缩视频的正则化投影超分辨率重建

压缩视频超分辨率（SR）技术利用压缩后的低分辨率（LR）图像序列来重建高分辨率（HR）图像的技术,是当前视频超分辨率技术研究的热点。在正则化理论和凸集投影理论的基础上,利用比特流中的量化信息,提出了一种正则化投影超分辨率重建算法;通过正则化代价函数引入图像序列的时间域和空间域的先验信息,使用迭代梯度下降算法对正则化代价函数求解得到重建图像,最后利用凸集投影算法对求得的估计图像进行DCT域投影重建。仿真实验结果表明,该自适应算法较传统算法,其重建图像的主、客观质量有一定的提高,适合压缩图像的应用。     

图像超分辨率深度学习研究及应用进展

图像超分辨率重建是用低分辨率图像重建出对应的高分辨率图像的过程。目前,图像超分辨率技术已经成功应用于计算机视觉和图像处理领域。近年来,由于深度学习具有能够从大量数据中自动学习特征的能力,因此被广泛应用于图像超分辨率领域中。介绍了图像超分辨重建的背景,详细总结了用于图像超分辨率的深度学习模型,阐述了图像超分辨率技术在卫星遥感图像、医学影像、视频监控、工业检测任务方面的应用。总结了图像超分辨算法的当前研究现状以及未来发展方向。     

自适应IQA阈值序列图像NLM超分辨重建方法

序列图像超分辨率（super resolution,SR）算法可以利用多帧低分辨率图像之间的互补信息重建出一张高分辨率结果。传统非局部均值（non-local means,NLM）超分辨率重建方法的迭代次数选取和最佳SR重建结果筛选过程高度依赖使用者经验值和主观评价,这极大地增加了算法复杂度,降低了算法的鲁棒性。为了解决这两个问题,提出一种基于图像质量评价（image quality assessment,IQA）自适应阈值的NLM超分辨重建算法。通过设计一种SR重建结果质量评价指标,将该指标引入到NLM重建算法中：一方面作为阈值,用以确定算法迭代收敛条件;另一方面作为评价标准,用以筛选多个输出结果中重建效果最佳的高分辨率图像。实验结果表明,提出的算法能在有效保证鲁棒性的同时,极大地提升NLM超分辨率重建算法的运算效率。     

基于凸集投影（POCS）的车牌图像超分辨率重建研究

针对车牌识别中所拍摄的图像序列存在分辨率较低的问题,提出了利用图像间的互补信息来重建一幅高分辨率图像的方法,以便于车牌图像的识别。通过迭代求解法和高斯金字塔模型,快速精确地估计得到配准参数,采用凸集投影（POCS）算法对图像序列进行了超分辨率重建。实验表明算法具有亚像素级的配准精度和较强的稳健性,重建图像取得了良好的视觉效果。     

基于多级Transformer的超大倍率重建网络:参考图像超分辨率

超分辨率（SR）是指从一个低分辨率图像,重建其对应的高分辨率副本。针对SR在超大倍率（8×、16×）重建不够精确的问题,本文提出多级Transformer的超大倍率重建网络（MTLF）。MTLF对多个Transformer进行多级堆叠以处理不同倍率的特征,并且利用修正注意力模块改进由Transformer得到的注意力权重,从而合成更精细的纹理。最后将所有倍率的特征融合成超大尺度下的SR图像。实验结果表明MTLF优于目前最好的方法（包括单图像超分辨率和基于Ref的超分辨率方法）。特别地,MTLF在极限倍率（32×）下也取得不错的效果。     

基于光流法的迭代反投影超分辨率重构算法

为了提高重构图像或者视频的分辨率．提出把新型的基于光流法的图像配准算法应用于迭代反投影（IBP）超分辨率算法中。在所提出的方法中．基于光流法的图像配准算法用来提高图像配准的准确性。首先,为了得到像素级别的运动矢量．基于光流法的图像配准算法被用于估计图像间的运动矢量。以得到更加准确的运动矢量矩阵。接着,利用所获得的运动矢量矩阵结合迭代反投影算法重构高分辨率的图像。同时．由于基于光流法的图像配准能够很好地估计视频图像间的运动．所提出的方法同样适用于视频图像的超分辨。实验结果表明．提出的方法对于图像或者视频的超分辨率效果．在主观效果和客观评价上都有一定的提升。     

基于频域、时域相结合的自适应图像超分辨率重建

基于最大后验概率(MAP)的超分辨率(SR)重建的研究重点是规则化项的选择,且其大都在频域中实现,为此提出一种基于频域、时域相结合的图像SR重建方法.首先,根据不同图像的特点,定义了频域规则化项(FR)和时域规则化项(TR);然后,给出了图像重建模型,引入频域、时域自适应权值来加强算法的自适应性;最后,运用共轭梯度法推导出重建迭代计算公式.实验表明,所提出的算法具有良好的收敛性和精确性.     

基于独立分量分析的人脸超分辨率重建

提出一种基于独立分量分析(ICA)的人脸超分辨率重建算法。该算法利用ICA从高分辨率训练图像中提取出独立分量,并对ICA系数进行先验估计。对于给定的低分辨率图像,结合最大后验概率估计求出ICA系数,进行ICA反变换得到高分辨率图像的近似估计,并利用局部结构张量对图像进行精化处理得到重建图像。仿真结果表明,该算法在实现人脸超分辨率重建的同时保持了人脸整体结构特征,且对光照、表情、姿态等具有一定的鲁棒性,将重建结果用于人脸辨识,有效提高了辨识效率。     

A high quality single-image super-resolution algorithm based on linear Bayesian MAP estimation with sparsity prior

This paper proposes a novel single-image super-resolution algorithm based on linear Bayesian maximum a posteriori (MAP) estimation and sparse representation. Starting from constructing several probability distribution priors in representation vector, we develop a linear Bayesian MAP estimator to acquire the most probable high-resolution (HR) image behind the low-resolution (LR) observation. Our new algorithm involves three main steps: (1) obtaining an initial estimate of the HR image via bi-cubic interpolation algorithm, (2) performing sparse coding on the initial estimate to get the representation vector and its support, (3) using the MAP estimator to restore the desired representation vector and then reconstructing the HR output. Simulated results show that the proposed method can achieve a more competitive performance both in subjective visual quality and in peak-signal-to-noise ratio (PSNR) and structural similarity (SSIM) measures, compared with other state-of-the-art super-resolution methods.     

基于半耦合稀疏表达的极低分辨率人脸识别

现有基于学习的人脸超分辨率算法假设高低分辨率特征具有流形一致性（耦合字典学习）,然而低分辨率图像的降质过程使得高低分辨率特征产生了“一对多”的映射关系偏差,减少了极低分辨率图像特征的判决信息,降低了超分辨率重建图像的识别率。针对这一问题,引入了半耦合稀疏字典学习模型,松弛高低分辨率流形一致性假设,同时学习稀疏表达字典和稀疏表达系数之间的映射函数,提升高低分辨率判决特征的一致性,在此基础上,引入协同分类模型,实现半耦合特征的高效分类。实验表明：相比于传统稀疏表达分类算法,算法不仅提高了识别率,并且还大幅度降低了时间开销,验证了半耦合稀疏学习字典在人脸识别中的有效性。     

基于轻量密集神经网络的医学图像超分辨率重建算法

医学图像的清晰与否直接影响临床诊断。由于成像设备与环境因素的限制,往往不能直接获得高分辨率的图像,且大多数智能终端的硬件并不适合运行大规模深度神经网络模型,因此提出一种拥有较少的层和参数的轻量密集神经网络模型。首先,网络中使用密集块和跳层结构进行全局和局部图像特征学习,并将更多特征信息传入激活函数,从而使网络中浅层低级的图像特征更容易传播到高层,由此提高医学图像超分辨率重建的质量;然后,采用分阶段方法训练网络,并以双任务损失加强网络学习中的监督指导,从而解决高倍图像超分辨率重建导致的网络训练难度增加的问题。实验结果表明,与最近邻（NN）插值、双线性插值、双立方插值、基于卷积神经网络（CNN）的算法以及基于残差神经网络的算法相比,所提模型能更好地重建出医学图像的纹理细节,获得更高的峰值信噪比（PSNR）和结构相似性（SSIM）,在训练速度和硬件消耗方面均取得了良好的效果,具有较高的实用价值。     

超分辨率图像重建方法综述

由于广泛的实用价值与理论价值,超分辨率图像重建(Super-resolution image reconstruction, SRIR 或 SR)技术成为计算机视觉与图像处理领域的一个研究热点, 引起了研究者的广泛关注. 本文 将超分辨率图像重建问题按照不同的输入输出情况进行系统分类, 将超分辨率问题分为基于重建的超分辨率、视频超分辨率、 单帧图像超分辨率三大类. 对于其中每一大类问题, 分别全面综述了该问题的发展历史、常用算法的分类及当前的最新研究成果等 各种相关问题, 并对不同算法的特点进行了比较分析. 本文随后讨论了各不同类别超分辨率算法的互相融合和图像视频质量评价的方法, 最后给出了对这一领域未来发展的思考与展望.