基于低秩矩阵和字典学习的图像超分辨率重建

基于稀疏表示和字典学习的超分辨率重建算法没有对图像进行分解,直接将整幅图像的信息都进行了学习重建.由低秩矩阵理论知,可将图像分解成低秩部分和稀疏部分.根据图像各部分信息的特征分别用不同的方法进行超分辨率重建,将能更加有效地利用图像的特征.据此提出了一种基于低秩矩阵和字典学习的超分辨率重建方法.该方法首先通过对图像进行低秩分解得到图像的低秩部分和稀疏部分,图像的低秩部分保留了图像的大部分信息.算法只对图像的低秩部分通过字典学习的方法进行超分辨率重建,图像的稀疏部分则不参与学习重建,而是采用双三线性插值的方法进行重建.实验分析表明,图像的重建质量有所提升,同时减少了一定的重建时间,提升了算法的运行速度.与现有算法比较,在视觉效果、峰值信噪比、算法运行速度等方面均获得了更好的结果.     

基于低秩矩阵恢复和联合学习的图像超分辨率重建

文中提出一种新的基于低秩矩阵恢复和联合学习的单帧图像超分辨率重建方法.首先根据相似性将训练样本块分成若干个子集合,使用低秩矩阵恢复方法学习每个子集合的潜在结构.然后使用联合学习方法同时训练出两个投影矩阵,将原始高、低分辨率图像块特征的低秩分量映射到一个统一空间中,最后在该统一空间中完成基于邻域嵌入的图像超分辨率重建.实验结果显示文中方法在数量指标和视觉效果上都优于目前几种典型的图像超分辨率重建方法.     

基于矩阵相似度的最佳样本块匹配算法及其在图像修复中的应用

在基于纹理合成的图像修复算法中,最佳样本块匹配算法存在匹配精度不高和时间复杂度高等问题。针对上述问题,首先构造了块匹配算法,采用矩阵相似度来计算模板块与样本块之间的匹配度,以相对较粗的粒度初步选出最佳样本块的候选集。然后,又构造了像素点匹配算法,采用模板块与候选最佳样本块之间的误差矩阵的内积来计算对应像素点之间的匹配度,以更细的粒度来确定最终的最佳样本块。块匹配算法降低了时间复杂度,像素点匹配算法提高了匹配精度,因此,在此基础上构造的基于相似矩阵的最佳样本块匹配算法能够在不增加时间复杂度的情况下提高算法的匹配精度。实例验证结果表明,与当前基于纹理的图像修复算法相比,该算法的匹配精度提高,时间复杂度降低。     

求解低秩矩阵融合高动态范围图像

目的 利用低秩矩阵恢复方法可从稀疏噪声污染的数据矩阵中提取出对齐且线性相关低秩图像的优点,提出一种新的基于低秩矩阵恢复理论的多曝光高动态范围（HDR）图像融合的方法,以提高HDR图像融合技术的抗噪声与去伪影的性能。方法 以部分奇异值（PSSV）作为优化目标函数,可构建通用的多曝光低动态范围（LDR）图像序列的HDR图像融合低秩数学模型。然后利用精确增广拉格朗日乘子法,求解输入的多曝光LDR图像序列的低秩矩阵,并借助交替方向乘子法对求解算法进行优化,对不同的奇异值设置自适应的惩罚因子,使得最优解尽量集中在最大奇异值的空间,从而得到对齐无噪声的场景完整光照信息,即HDR图像。结果 本文求解方法具有较好的收敛性,抗噪性能优于鲁棒主成分分析（RPCA）与PSSV方法,且能适用于多曝光LDR图像数据集较少的场合。通过对经典的Memorial Church与Arch多曝光LDR图像序列的HDR图像融合仿真结果表明,本文方法对噪声与伪影的抑制效果较为明显,图像细节丰富,基于感知一致性（PU）映射的峰值信噪比（PSNR）与结构相似度（SSIM）指标均优于对比方法：对于无噪声的Memorial Church图像序列,RPCA方法的PSNR、SSIM值分别为28.117 dB与0.935,而PSSV方法的分别为30.557 dB与0.959,本文方法的分别为32.550 dB与0.968。当为该图像序列添加均匀噪声后,RPCA方法的PSNR、SSIM值为28.115 dB与0.935,而PSSV方法的分别为30.579 dB与0.959,本文方法的为32.562 dB与0.967。结论 本文方法将多曝光HDR图像融合问题与低秩最优化理论结合,不仅可以在较少的数据量情况下以较低重构误差获取到HDR图像,还能有效去除动态场景伪影与噪声的干扰,提高融合图像的质量,具有更好的鲁棒性,适用于需要记录场景真实光线变化的场合。     

基于WSSD的不规则图像块快速匹配

传统的图像块匹配加速算法都要求待匹配的图像块具有预先定义好的形状。但有时候由于数据损坏、丢失等原因,待匹配块的形状是不规则的（如图像修复）。针对这种情况,提出了一种无损精度的不规则块匹配加速算法,将不规则块匹配扩展为一求最小加权平方差和（WSSD）的问题,块的形状间接地通过每个像素的权重来控制,这使得图像块都能被统一地当成矩形块。为了进行加速,提出了用快速傅里叶变换（FFT）计算WSSD的方法。并利用待匹配块及其权重在傅里叶变换过程中需大面积补零的特殊性改进了FFT算法,在不损失精度的前提下,进一步降低了其复杂度。最后以图像修复为例,说明WSSD是比SSD更一般的图像块相似度,并为各种图像块匹配的应用提供了一种统一的处理框架。     

基于非局部自相似性和低秩矩阵逼近的补全算法

针对传统矩阵补全算法在图像重建方面的不足,提出了一种基于非局部自相似性和低秩矩阵逼近(NL-LRMA)的补全算法.首先,通过相似性度量找到图像中局部块所对应的非局部相似块,并将相应灰度信息进行向量化,从而构建出非局部相似块矩阵;然后,针对所得相似矩阵的低秩性,对其进行低秩补全操作(LRMA);最后,对补全结果进行重新组...     

基于非局部低秩矩阵重建的图像插值

传统图像插值方法往往只考虑了图像局部相邻像素之间的关系进行插值,而忽略了图像中广泛存在的非局部自相似性。为了充分利用图像中的这种非局部自相似性以提高插值图像质量,本文提出了基于图像非局部低秩重建模型的图像插值方法,为低秩重建模型提出了一种基于分解为子问题交替迭代求解的高效求解算法。提出的算法能获得更高的主观与客观重建图像质量,实验表明,相对于Bicubic、SAI等图像插值方法能取得平均1.37dB和0.77dB的PSNR增益。     

基于非局部自相似性和低秩矩阵逼近的补全算法

针对传统矩阵补全算法在图像重建方面的不足,提出了一种基于非局部自相似性和低秩矩阵逼近（NL-LRMA）的补全算法。首先,通过相似性度量找到图像中局部块所对应的非局部相似块,并将相应灰度信息进行向量化,从而构建出非局部相似块矩阵;然后,针对所得相似矩阵的低秩性,对其进行低秩补全操作（LRMA）;最后,对补全结果进行重新组合,以达到恢复原始图像的目的。在灰度图像以及RGB图像上进行重建实验,结果表明：在经典数据集上,NL-LRMA算法要比原LRMA算法在平均峰值信噪比（PSNR）上高出4~7 dB;同时,新算法在视觉效果与PSNR值方面也明显优于迭代重加权核范数（IRNN）、加权核范数（WNNM）、LRMA等传统算法。总之,所提算法对传统算法在自然图像重建方面的不足进行了有效弥补,从而为图像重建提供了一种行之有效的解决方案。     

一种简单的块匹配图像修复算法

图像修复是对图像的破损区域的复原,实现对图像的小区域的重建.对图像修复的主要方法有两类:一种是基于偏微分方程(PDE)的修复方法,另外一种为基于纹理合成的修复算法.大多数现有图像修复算法都非常复杂,修复速度慢.基于纹理合成算法主要是搜索的范围太大导致效率低,为了在修复效果和效率之间取得折中,文中提出了一种简单的基于块匹配修复算法,应用不同的修复模板,根据图像的空间连续性,缩小了匹配块的搜索范围,大大提高了修复效率.该算法实现简单,修复速度快,对空间较连续的图像修复效果较好.     

结合非局部低秩先验的图像超分辨重建概率模型

现今图像成像技术日益普及,但受成像设备、成像环境以及在获取图像过程中外界噪声等因素的相互制约,在实际应用中很多图像成像分辨率较低,带来诸多问题.为此,提出一种有效的基于最大后验概率和非局部低秩先验的图像超分辨重建模型.首先,该模型采用连续图像序列作为数据输入,利用单幅图像内与连续图像间的相似性作为先验知识,提升相似图像块匹配度,消除图像细节丢失现象.然后,以最大后验概率框架建模,使用高斯分布和吉布斯分布拟合模型参数,提升模型泛化能力.通过相似块的奇异值估计待求块的奇异值,采用低秩截断抑制重建过程中引入的噪声.最后,利用图像的非局部自相似性和低秩性质,以非局部低秩约束正则化图像重建过程,添加图像的局部和全局信息来提升重建效果.在标准光流数据集、纽约大学和山东省千佛山医院提供的数据集上的实验结果表明,文中基于最大后验和非局部低秩先验的模型与传统插值算法、基于重建的优秀算法相比,在5组仿真实验中,其平均峰值信噪比提升6.3 dB,在保持图像纹理特征和恢复图像细节方面可取得更好的重建性能.     

一种基于Laplacian矩阵的图像匹配算法

文章提出了一种基于Laplacian矩阵的图像特征匹配算法。首先分别构造两幅图像特征点集的Laplacian矩阵,并对这两个矩阵进行奇异值分解(SVD),然后利用分解的结果构造出一个反应特征点之间匹配程度的关系矩阵,最后根据关系矩阵实现两幅图像的特征点匹配。大量实验结果表明,该文所提出的算法具有较高的匹配精度。     

基于MAP框架的图像序列超分辨率和模板匹配

许多图像序列处理系统的最终目的是自动或半自动地提取图像序列中的信息．为了得到被拍摄物体更清晰的影像,需要利用超分辨率技术提高分辨率．为了分析图像中的信息,常常需要利用模板匹配．以往这两个问题是分开求解的．该文提出在统一的基于最大后验概率估计的算法框架下同时求解图像序列超分辨率和模板匹配问题．算法框架具有以下两个特点：首先,在超分辨率中引入了模板库中的先验知识,提高了超分辨率的恢复效果．其次,在模板匹配中更充分地利用了图像序列中的信息,提高了模板匹配的准确性．文章的最后给出了算法在车牌识别中的实验结果．     

基于改进的图像局部区域相似度学习架构的图像特征匹配技术研究

该文在AdaBoost算法的基础上提出了一种图像局部区域相似度的学习架构,利用该架构训练图像局部特征来获得低维数、独特的特征描述子,以实现对图像局部区域高精度地匹配.所提学习架构通过学习图像局部区域相似性得到一组非线性弱学习器对图像局部特征进行描述;同时,在响应函数组合形式和弱学习器权重优化配置方面,针对浮点描述子和二值描述子分别提出了新的补丁相似性度量函数作为目标函数的核函数,提高了图像特征相似性匹配效果.该学习架构不会受限于任何预定义的图像特征信息采集模式,能产生基于灰度信息或方向梯度信息的特征描述子.实验结果表明采用这种学习架构获得的特征描述子,在所有对比描述子中图像局部匹配查准率是最好的.所提学习框架能有效地配置优化描述子弱学习器,能提高图像特征描述子对图像尺度和视角变化的鲁棒性.     

基于小波变换和迭代反向投影的超分辨率算法

针对单帧图像的超分辨率的重建问题,在分析基于小波域及空间域相关算法的基础上,提出了一种基于小波变换和迭代反向投影的超分辨率重建算法。该算法结合了小波域和空间域算法的优势,在小波域通过小波变换对图像进行分解,再利用迭代反向投影方法使重构误差最小化,在小波域和空间域均采用简单插值方法来降低计算复杂度。实验数据表明,该算法与现有其他算法相比,得到的峰值信噪比较高,且运算复杂度较低,对图像的重建质量有明显改善。     

基于求解泊松方程和梯度的图像修复的研究

提出了一种基于梯度的新的图像修复算法从图片或照片上面去除有影响的物体。文中的方法是分两个阶段来重建移除的区域：移除区域的梯度通过填充算法来填充;通过解泊松方程在梯度映射下来重构图像。在填充梯度的方法中提出了一个新的补丁匹配标准。在这个标准中,同时用到梯度和颜色信息,所以,有一个好的图像修复结果。文中用一些修复例子和结果进行比较,来演示本方法的优越性。     

基于求解泊松方程和梯度的图像修复的研究

提出了一种基于梯度的新的图像修复算法从图片或照片上面去除有影响的物体.文中的方法是分两个阶段来重建移除的区域:移除区域的梯度通过填充算法来填充;通过解泊松方程在梯度映射下来重构图像.在填充梯度的方法中提出了一个新的补丁匹配标准.在这个标准中,同时用到梯度和颜色信息,所以,有一个好的图像修复结果.文中用一些修复例子和结果进行比较,来演示本方法的优越性.     

基于改进粒子滤波算法的视频超分辨率重建

视频超分辨率重建的一个必要步骤是视频运动估计,相对其他图像匹配算法,基于特征点的视频匹配算法具有更高的鲁棒性,但精确度受特征点的定位、选取和匹配误差的影响较大。为此,提出将粒子滤波应用到视频超分辨率的运动估计问题中,用粒子滤波算法来修正匹配误差,并针对粒子滤波中的粒子匮乏问题改进基本粒子滤波算法。实验结果表明,该算法比其他经典滤波算法估计精度有了较大提高,且在超分辨率重建中能更精确地进行运动估计,匹配精度和稳定性能都有所改善。     

基于字典学习与结构自相似性的码本映射超分辨率算法

图像的空间分辨率受成像环境、硬件制造水平和成本等多方面因素的影响,存在一定的局限性.为了提高图像的空间分辨率,提出一种基于字典学习与结构自相似性的码本映射超分辨率算法.首先利用训练集构建与图像高低频分量对应的高低频码本,将高低频码本作为训练样本获取高低频字典;然后在初始重建图像中搜索目标图像块的相似图像块,利用相似图像块构建非局部约束项;最后通过求解含有非局部约束项的l0范数最小化问题获取目标图像块的稀疏表示系数,并利用高低频字典重建高分辨率图像块.该算法利用高低频字典表示目标图像块,而不是直接采用高低频码本,提高了算法的运算效率;利用相似图像块构建正则化约束项,提高了重建图像的质量.实验结果表明,与LLE,Sc SR和NARM等算法相比,文中算法取得的超分辨率重建效果更好.