基于自适应多字典学习的单幅图像超分辨率算法

自适应字典学习利用图像结构自相似性,将图像自身作为训练样本,通过字典学习使图像中的相似块在字典下具有稀疏表示形式.本文将全局字典学习中利用图像库获取附加信息的思想融入到自适应字典学习的过程中,提出了一种基于自适应多字典学习的单幅图像超分辨率算法,从低分辨率图像自身与图像库同时获取附加信息.该算法对低分辨率图像金字塔结构中的图像块进行聚类,在聚类结果的引导下将图像库中的图像块进行分类,利用各类中的样本分别构建针对各类的多个字典,从而确定表达重建图像块的最优字典.实验表明,与ScSR、SISR、NLIBP、CSSS以及mSSIM等算法相比,本文算法具有更好的超分重建效果.     

基于几何字典学习和耦合约束的超分辨率重建

传统的基于稀疏表示的超分辨率重建算法对所有图像块,应用单一冗余字典表示而不能反映不同几何结构类型图像块间的区别。针对这一问题,本文探索图像局部几何结构特性,提出一种基于结构特性聚类的几何字典学习和耦合约束的超分辨率重建方法。该方法首先对训练样本图像块进行几何特性聚类,然后应用K-SVD算法为每个聚类块联合训练得到高低分辨率字典。此外,在重建过程中引入局部可控核回归和非局部相似性耦合约束,以提高重建图像质量。实验结果表明,与单一字典超分辨率算法相比,本文方法重建图像边缘和细节部分明显改善,评价参数较大提高。     

基于稀疏编码的红外显著区域超分重建算法

由于红外光学衍射限和红外探测器的局限,得到的红外图像噪声相对偏大,分辨率偏低。对红外图像进行超分辨率重建可以提高图像分辨率,但同时又会增强背景噪声。针对此问题,提出了基于稀疏编码的红外显著区域超分重建算法,将超分重建和显著度检测相结合,可以提高目标分辨率并降低背景噪声。首先采用双层卷积提取图像特征,并自适应选择图像信息熵较大的图像块用于训练联合字典。然后利用稀疏特征计算显著度获取显著区域,再将显著区域用训练好的字典进行超分辨重建,与目标无关的背景区域采用高斯滤波。实验结果显示改进的重建算法在同等条件下重建效果优于重建模型ScSR和SRCNN,图像信噪比提高3～4倍。     

基于针对性字典的压缩图像稀疏超分辨率重建

为了有效地重建压缩低分辨率图像,提出一种基于针对性字典的压缩图像稀疏超分辨率重建算法.首先,根据压缩低分辨率图像的形成特点,对训练库图像进行针对性的下采样压缩编码处理,进行超完备字典的训练;然后,通过训练所得的针对性字典对压缩低分辨率图像进行稀疏表示的超分辨率重建.为进一步恢复图像的高频信息,进行了针对性残差字典训练,并对图像进行高频信息补偿,得到稀疏重建后的图像主观效果更加突出,客观评价参数也得到较大提升.实验结果表明,该算法对压缩图像的超分辨率重建更具针对性,具有良好鲁棒性和高效性.     

基于自适应对偶字典的磁共振图像的超分辨率重建

为了提高磁共振成像的图像质量,提出了一种基于自适应对偶字典的超分辨率去噪重建方法,在超分辨率重建过程中引入去噪功能,使得改善图像分辨率的同时能够有效地滤除图像中的噪声,实现了超分辨率重建和去噪技术的有机结合。该方法利用聚类—PCA算法提取图像的主要特征来构造主特征字典,采用训练方法设计出表达图像细节信息的自学习字典,两者结合构成的自适应对偶字典具有良好的稀疏度和自适应性。实验表明,与其他超分辨率算法相比,该方法超分辨率重建效果显著,峰值信噪比和平均结构相似度均有所提高。     

自适应聚类的全耦合稀疏学习算法

在图像处理领域,基于稀疏表示理论的图像超分辨力算法、高低分辨力字典与稀疏编码之间的映射关系是其中的2个关键环节。由于丰富多样的图像类型,单一字典并不能很好地表示图像。而在稀疏编码之间的映射关系上,严格相等的约束关系也限制了图像重建的效果。针对上述两个方面,采用包容性更强的多个字典与约束条件更为宽松的全耦合稀疏关系进行图像的超分辨力重建。在图像非局部自相似性的基础上,进行多次自适应聚类;挑选出最优的聚类,通过全耦合稀疏学习的图像超分辨力算法,得到多个字典;最后,对输入的低分辨力图像进行分类重建,得到高分辨力图片。实验结果表明,在图像Leaves,Barbara,Room上,本文的聚类算法比原全耦合稀疏学习算法在峰值信噪比(PSNR)上分别提升了0.51 dB,0.21 dB,0.15 dB。     

基于稀疏K-SVD的单幅图像超分辨率重建算法

图像的超分辨率重建技术可以提升图像质量,改善图像视觉效果,在现实中具有很高的实用价值。针对基于K-SVD的超分辨率重建算法的不足,本文提出一种基于稀疏K-SVD的单幅图像超分辨率重建算法。首先,采用稀疏K-SVD方法进行训练获得高低分辨率字典对,以待重建的低分辨率图像及其降采样作为字典训练的样本,提高了字典和待重建的低分辨率图像的相关性;然后,采用逐级放大的思想进行重建;最后,利用非局部均值的方法,进一步提高重建效果。实验表明,与基于K-SVD的超分辨率重建算法相比,本文算法重建图像的峰值信噪比平均提高了0.6dB左右。重建图像在视觉效果上,也有一定程度的提升。     

Adaptive Sparse Constraint Image Super-Resolution Reconstruction Method

简要介绍了基于稀疏字典约束的超分辨力重建算法,提出了具有低复杂度的基于K均值聚类的自适应稀疏约束图像超分辨力重建算法.所提算法从两个方面降低其计算复杂度:分类训练字典,对图像块归类重建,降低每个图像块所用字典的大小;对图像块的特征进行分析,自适应地选择重建方法.实验结果表明,提出的快速重建方法在重建质量与原算法相当的前提下,可以较大程度地降低重建时间.     

自适应半耦合稀疏字典学习算法

为实现图像超分辨力重建,提出了一个自适应半耦合稀疏字典学习算法。由于耦合字典学习算法中存在稀疏编码约束条件太过严苛的缺点,本文采用半耦合的字典学习算法。根据在半耦合的字典学习算法中全局字典表达的局限性,分析和采用了多字典训练算法及相应的重建方法。提出了基于自适应图像块聚类算法的半耦合稀疏字典学习算法。仿真实验结果显示,新算法重建得到的Butterfly,Cameraman,Foreman,Plants,Hat和Lena等图像的峰值信噪比(PSNR)分别比用基于K-means聚类算法的半耦合稀疏字典学习算法得到的重建图像高出0.18 dB,0.16 dB,0.52 dB,0.21 dB,0.23 dB和0.14 dB。该算法可以得到更好的图像重建效果。     

一种自学习的新型单幅图像超分辨率高质量重建算法

经典的基于稀疏表示和字典学习的超分辨率算法在图像重建质量和计算复杂度上都具备较好的表现。然而,基于外部样本训练得到的字典和待重建图像缺少相关性,会伴随算法鲁棒性较差的问题。为克服这一缺点,提出了一种基于自学习的新型单幅图像超分辨率高质量重建算法。该算法无需引入外部训练图像,即完全通过待重建图像自身构建的样本进行字典学习和图像重建;这一机制增强了训练字典与待重建图像的相关性。具体而言,在字典训练阶段,针对输入的待重建图像,基于二维经验模态分解进行高频修复预处理,以增强样本源的高频特征;随后构建训练样本集,使用K-奇异值分解算法获得自学习主字典和自学习残差字典,构成双字典。在图像重建阶段,将双字典结构与自学习相结合,先通过主字典实现主高频恢复,再进一步通过残差字典恢复图像的残差高频信息。实验结果表明,所提算法在重建图像的主观视觉效果以及专业质量评价指标上,相对于传统插值算法及经典的字典学习算法具有显著优势。     

基于广义低秩矩阵分解的分离字典训练及其快速重建算法

针对传统压缩感知重建算法存在重建质量偏低、重建时间偏长等问题,本文提出了一种基于分离字典训练的快速重建算法.首先选取某类图像作为训练集,建立其广义低秩矩阵分解模型;其次采用交替方向乘子法求解该模型,训练出一组分离字典;最后将该分离字典用于图像重建中,通过简单的线性运算实现图像的快速重建.实验结果表明,本文算法相比于传统的重建算法,针对训练集同类图像,具有十分显著的重建性能,对于其他不同类型的图像,依然有不错的重建质量,极大地降低了重建时间.     

基于改进K-SVD字典学习的超分辨率图像重构

 针对已有算法中字典训练的时间消耗巨大的问题,提出了一种改进的基于字典学习的超分辨率图像重构算法.本文将K-SVD字典算法和高低分辨率联合生成的思想结合起来,形成新的字典训练方法,并将由该算法生成的高低分辨率字典应用于基于稀疏表示的超分辨率重构.重构仿真实验证明算法不仅有效降低了字典训练所消耗的时间,而且能够改善重构高分辨图像的质量.     

基于低秩特征脸与协同表示的人脸识别算法

在人脸识别中,人脸图像往往受到表情、光照、遮挡、姿态变化的影响,对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像,再分别对训练样本与误差图像提取特征构造特征字典,计算测试样本图像特征字典下的协同表示系数,最后通过重构误差进行分类。通过AR和ORL人脸库进行实验,结果表明,本文提出的人脸识别算法的识别率、识别速率得到有效提高。     

基于块稀疏的电阻抗成像算法

该文提出一种基于自适应块稀疏字典学习的电阻抗图像重建算法,构建了分块稀疏字典,较好地保留了重建图像的细节信息;同时,将字典学习与图像重建交替进行,并将迭代重建的中间结果作为稀疏字典的训练样本,有效提高了字典学习效果。数值仿真与实验重建结果表明,新方法对电阻抗成像系统测量噪声具有较好的鲁棒性,能准确重构电导率分布图像,特别是对突变细节的准确恢复。     

自适应稀疏约束图像超分辨力重建方法

简要介绍了基于稀疏字典约束的超分辨力重建算法,提出了具有低复杂度的基于K均值聚类的自适应稀疏约束图像超分辨力重建算法。所提算法从两个方面降低其计算复杂度:分类训练字典,对图像块归类重建,降低每个图像块所用字典的大小;对图像块的特征进行分析,自适应地选择重建方法。实验结果表明,提出的快速重建方法在重建质量与原算法相当的前提下,可以较大程度地降低重建时间。     

基于图像块分类稀疏表示的超分辨率重构算法

 目前基于图像块稀疏表示的超分辨率重构算法对所有图像块都用同一字典表示,不能反映不同类型图像块间的差别.针对这一缺点,本文提出基于图像块分类稀疏表示的方法.该方法先利用图像局部特征将图像块分为平滑、边缘和不规则结构三种类型,其中边缘块细分为多个方向.然后利用稀疏表示方法对边缘和不规则结构块分别训练各自对应的低分辨率和高分辨率字典.重构时对平滑块利用简单双三次插值方法,边缘和不规则结构块由其对应的高、低分辨率字典通过正交匹配追踪算法重构.实验结果表明,与单字典稀疏表示算法相比,本文算法对图像边缘部分重构质量明显改善,同时重构速度显著提高.     

基于非局部自相似图像块字典学习的伪CT图像预测

随着PET/CT技术的日益发展,其被广泛应用于现代放射治疗。但在采集数据过程中,对人体放射时间较长,辐射当量较大,增加了患者的痛苦,因此人们希望减少CT扫描中X射线的辐射。为解决这一问题,本文提出基于非局部自相似图像块字典学习的伪CT图像预测方法。首先,对训练CT与MRI图像进行图像分块,通过块匹配算法聚类CT图像块,并提取CT与MRI图像块的多尺度特征。其次,通过字典学习,获得MRI图像与CT图像的映射关系矩阵,并对CT图像块进行预测。最后,通过重构算法,从目标MRI图像中得到预测CT图像。仿真实验证明了提出算法相对基于图谱集算法的有效性,以及在现代放射治疗中利用MRI图像替代CT图像的应用前景。      

基于双向主成分分析和压缩感知的人脸识别算法

提出了一种双向主成分分析(BD-PCA)与基于光滑l₀范数(SL0)相结合的人脸识别算法(BP-SL0)。首先利用BD-PCA对所有的训练图像降维,然后将降维后的人脸图像按列拉伸成一个向量,并将其组成字典矩阵,同时对待测试图像进行相同处理,最终通过SL0算法求解优化问题。实验结果表明,该算法获得了较高的识别率和重建效果,且效果优于单独使用BD-PCA和SL0算法。