基于二阶广义全变差的多帧图像超分辨率重建

图像超分辨率重建是图像处理领域的重要问题.本文将二阶广义全变差用于基于正则化的多帧图像超分辨率重建问题,构建了基于二阶广义全变差正则项的图像超分辨率模型.为了更好地保持重建图像的边缘和细节,采用图像空域自适应正则化参数,并针对该重建模型的非光滑性,给出了基于半二次正则化和交替方向法的求解算法.实验结果表明该模型和数值算法能够较好地提高图像的分辨率,同时可以较好地保持图像的细节信息.     

变参式Tikhonov正则化图像复原算法

正则化方法是近年来流行的图像复原算法。研究了周期边界条件下Tikhonov正则化的预处理共轭梯度算法,提出了新的预处理矩阵和变化正则化参数的方法。正则化参数先取较大值,抑制复原图像中的噪声,得出收敛的结果来修正初始梯度;再取较小值,用来增强复原图像中的细节。对一组图像复原基准问题的实验结果表明,与当前流行的正则化图像复原算法比较,该算法的图像复原效果更佳。     

考虑亚像素配准误差的超分辨率图像复原

超分辨率图像复原作为第二代图像复原方向,已成为目前国际图像复原界的一个研究热点.一般来说,超分辨率图像复原是一个病态问题,可以结合图像的先验信息,使其成为良态的,这需要有效的规整化算法.但是,规整化参数的选择多数情况是通过经验确定的,且现有的一些计算规整化参数的方法又过于繁琐.本文讨论了亚像素配准误差引入的情况下噪声的统计模型,利用Miller规整的思想给出了简易可行的规整化参数计算方法.这种规整化参数计算方法能够自适应地根据配准误差和观测噪声局部调整由于配准误差导致的失真.仿真结果表明得到的规整化参数能使规整化算法有效收敛.     

基于Poisson-Markov场的超分辨力图像复原算法

图像的超分辨力复原和信噪比的提高是图像复原追求的目标.Poisson-ML图像复原方法(PML)具有很强的超分辨力复原能力,但在复原过程中会产生振荡条纹且对带噪较大的图像不能取得理想的复原效果.在Poisson和Markov分布假设的基础上,提出基于Poisson-Markov场的超分辨力图像复原算法及其正则化参数的自适应选择方法(MPML).实验表明,MPML算法不但具有很好的超分辨力复原能力,而且能有效减少和去除复原图像中的振荡条纹,对于带噪较大的图像也能取得理想的复原效果,因此其图像复原质量明显好于PML算法.正则化参数能被自动优化地选择且与图像复原的迭代运算同步进行.     

基于MAP及边缘保持的超分辨率图像复原

MAP方法是解决超分辨率图像复原问题中的一种常用算法,但通常的MAP超分辨率复原方法对于图像的边缘部分没有进行特殊处理,导致最终恢复出来的高分辨率图像的边缘过于平滑.提出了一种局部边缘自适应的先验概率算子,并将其应用于MAP超分辨率图像复原中.与传统方法相比,它具有更好的图像边缘保持能力,因此获得了更佳的视觉效果.     

抑制寄生波纹的超分辨率图像复原

分析了超分辨率图像复原中寄生波纹产生的原因及其对图像不同区域的影响情况,提出了一种能够抑制寄生波纹、自适应的正则化参数计算方法,并在此基础上构建了自适应的正则化函数,形成了一种抑制寄生波纹的新方法.实验结果表明,本文方法在抑制寄生波纹的效果上明显优于Lee方法.     

一种快速超分辨铜带表面缺陷图像复原方法

在铜带表面缺陷检测系统中,针对仅硬件改善缺 陷图像精细特征信息,受制造水平、成本等因素制 约以及传统超分辨复原方法实时性不强等问题,提出一种基于粗糙集(RS) 与纹理特征预分类的快速超分辨率(SR)图像复原方法。本文方法利用RS属性约简原理,选择并优化对弱纹理缺陷目标 描述性较好统计特 征参数,并在匹配搜索时根据纹理特征对样本库进行预搜索分类,然后在分类得到的纹理内 容相近的样本 子集中对输入的低分辨率(LR)样本块精确匹配搜索。理论和实验结果表明:本文方法应用 于铜带缺陷在线 检测系统中,可使缺陷区域的高频信息增强、边缘和细节更加清晰,且算法实时性较好,在 兼顾图像复原质量和运行效率上具有优越性和可行性;并可用于其它金属表面的图像复原。     

自适应约束下的双边全变差正则化超分辨率重建

在经典的双边全变差( BTV)超分辨率重建中,加权系数和正则化参数的恒定性导致重建结果边缘保持能力受限。为此,提出了一种自适应约束的BTV正则化先验模型。算法首先定义了图像的局部邻域残差均值以区分当前像素属于平坦区域还是边缘区域;然后针对加权系数的不变性导致边缘削弱的问题,利用边缘方向和垂直边缘方向扩散性的不同,设计自适应权重矩阵;最后根据代价函数的极值问题推导出迭代公式,从而进行图像的超分辨率重建,重建过程中采用自适应的方法确定正则化参数,以便求得代价函数的全局最优解,提高了算法的鲁棒性。实验结果表明：与双三次线性插值法和经典BTV算法相比,该算法取得了更好的视觉效果和更高的峰值信噪比,更多地保留了图像的边缘细节信息。     

自适应加权的总变分正则化图像超分辨率重建

在Farsiu提出的双边总变分正则化方法中,尺度加权系数和正则化参数为定值,在边缘、纹理区域,重建图像效果不理想。针对这个问题,提出了一种自适应加权正则化函数和正则化参数的重建算法,该方法利用图像局部结构信息控制权函数形状、带宽和正则化参数,使这些参数根据图像局部结构信息自适应地调整。对所提出的算法进行了仿真实验,实验结果表明,与传统的总变分重建方法相比较,该算法能更好地重建图像的纹理细节,重建图像的对比度高。     

一种邻域嵌入超分辨率算法北大核心CSCD

邻域嵌入算法是一种基于学习的超分辨率算法,但是存在图像特征计算复杂和分类搜索难度大的问题.本文提出了一种基于二阶梯度比例特征的邻域嵌入超分辨率算法,其图像特征简单,分类和搜索复杂度低,同时图像库存储量小,适合于硬件实现.实验结果表明,与传统超分辨率算法相比,本文算法重建的高分辨率图像具有更丰富的纹理和更锐利的边缘,具有更好的主客观质量.     

基于自适应阈值HMRF的红外超分辨率重建

在MAP超分辨率重建算法中,相较于Gauss-MRF先验模型,Huber-MRF先验模型具有更好的保持图像边缘和细节的能力,然而对Huber边缘惩罚函数的阈值选取一直没有更好的方式.在考虑红外图像细节纹理信息的基础上,利用图像灰度共生矩阵,把阈值参数与图像细节纹理信息联系起来,实现对边缘惩罚函数阈值的自适应选取,完成超分辨率图像重建.仿真实验证明,该算法获取的高分辨率红外图像具有更高的信噪比,而且更有效地保持了图像的高频信息.     

一种基于MAP的图像超分辨率重建算法

引入一种基于关键点滤波(Critical-Point Filters,CPF)的图像配准方法,并在最大后验概率(Maximum a Posteriori,MAP)框架下提出一种改进的集投影法(Projections onto ConvexSets,MAP/POCS)混合算法。算法把POCS的残差约束集合加入到基于CPF图像配准的MAP正则算法中,在每次迭代重建中对重建图像的像素点进行约束,充分利用这三种算法的优点。实验结果表明,相比于传统的重建方法,该算法能够更有效地表达视频中的非平移运动,超分辨图像主观质量有明显改善。     

一种新的正规自适应边缘保护的超分辨率算法

主要提出了一个新的正规自适应超分辨率算法.正规项只惩罚图像中可能包含有大量噪声的低频部分,同时保护图像中可能包含有锐利边缘的高频部分,其中,惩罚阈值自动地被一个线性函数决定.对于正规参数的选择,这里不采用固定的正规参数而是提出一个对数函数在每次迭代时自适应地选择正规参数.该算法经过仿真实验和真实的红外图像测试,实验结果显示该算法鲁棒性好,可以有效复原图像细节.     

采用自适应正则参数的超分辨率加权重建

采用L1(一阶)、L2(二阶)范数是当前较为流行的2种图像超分辨率重建算法。在对这2种算法的优缺点进行分析的基础上,提出了一种采用L1和L2范数混合加权的参数自适应双边全变差正则化重建算法,将正则化参数作为重建图像的一个函数。实验证明这种算法有很好的边缘保持和去除椒盐噪声的能力,重建图像的质量有显著提高。     

基于改进稀疏表示正则化的SR重建算法

基于视觉的无人机自主导航过程中,对航路点进行准确识别是引导无人机朝着航路点方向精确飞行的关键。然而,当无人机到达航路点识别距离后,由于机载图像传感器受天气因素及成像过程中的脱焦、衍射等现象影响,常导致获取到的航拍图像模糊、空间分辨率较低,从而直接影响了后续航路点识别的精度。针对这一问题,提出了一种改进稀疏表示正则化的航拍图像超分辨率重建算法。首先,基于稀疏表示正则化框架,利用自回归和非局部相似约束构建目标函数的正则化项;其次,根据图像局部方差能有效区分图像的边缘区域和平滑区域这一特性,自适应地选取正则化参数得到超分辨率重建模型中的目标函数;最后,使用MM (Majorization-Minorization) 算法求解目标函数的凸优化问题,得到重建后的高分辨率图像。实验结果表明:与传统的正则化SR重建算法相比,文中算法能够有效的提高航拍图像的空间分辨率,使得重建后的图像包含了更多的特征细节信息,这为航路点识别提供了帮助。     

一种基于自适应正则化的图像超分辨率重建模型

为了解决图像超分辨率重建中稀疏系数解的不精确问题,提出了一种自适应正则化级联稀疏矩阵的超分辨率重建算法。根据图像自身的特性,采用自适应正则化项对图像局部进行处理,实现图像的局部约束,构建基于自适应正则化的稀疏矩阵函数。另外,为了提高图像的可清晰性,采用基于全局约束的退化模型改进处理结构。测试结果表明,与其他常用算法相比,提出的自适应正则化的图像超分辨率重建算法能够构建更清晰的超分辨率图像。     

基于正则化稀疏表示的图像超分辨率算法

为了从单幅低分辨率(LR)图像恢复出高分辨率(H R)图像,提出了一种应用正则化稀疏表示和基于机器学习 的超分辨率(SR)图像恢复算法。构造了一种基于稀疏表示的SR凸变模型,为了提高 恢复效果,针对模型 提出了两种稀疏正则化约束条件,一是将分类效果更好的图表拉普拉斯作为正则化约束条件 ,从而找到与 输入LR图像块在结构上最接近的学习样本;另一种是针对冗余的学习样本进行约 束,保证了图像边 缘的锐利。将输入的每一块LR图像应用正则化稀疏表示,经过学习得到与之对应的HR图像块 , 最终得到整幅HR图像。试验结果表明,算法恢复出的HR图像峰值信噪比(PSNR )值较双三次插值算法最高提升约2dB,主观目视清晰、边缘锐利。