基于矢量量化的模糊参数辨识及分辨率增强方法

在实际的图像复原中通常需要预先估计模糊函数。该文将Nakagaki等人提出的基于矢量量化的模糊参数辨识算法进行改进,利用Sobel 算子形成特征矢量,避免了LOG滤波器参数的选择,增强了算法对辨识不同类型图像的模糊函数的鲁棒性,并利用DCT对特征矢量降维,减小了计算量。同时将其应用于超分辨率图像复原中,辨识出多幅低分辨率图像的模糊函数,然后融合具有不同模糊函数和信噪比的低分辨率图像,实现了盲超分辨率图像复原。仿真结果表明了改进算法的有效性和可行性。     

联合运动估计与基于模式的超分辨率图像重构

超分辨率图像重构是利用关于同一场景的多帧低分辨率图像重构出一幅具有更高分辨率图像的过程.已有的超分辨率图像重构算法对于人工模拟所得到的低分辨率图像序列具有很好的效果,但对于拍摄到的真实低分辨率图像序列而言,重构后的图像往往比较模糊,有时甚至仍然无法分辨.为此,本文提出了一个联合运动估计与基于模式的超分辨率图像重构算法.实验结果表明,该算法能够得到优于常规算法的高分辨率图像.     

基于超分辨率角点检测算法的双目相机高精度标定方法

双目相机标定是研究立体视觉的基础工作，标定的精度是视觉测量精度的关键。图像角点提取是相机标定的基础，但在现实应用场景中，外界影响使获取的图像不清晰，导致检测到的角点精度低，从而影响标定的精度。因此，提出一种基于超分辨率亚像素角点检测的端到端算法，从特征级解决低质量角点检测问题。首先，应用盲超分部分估计低分辨率图像模糊核，融合低分辨率图像特征重建出高分辨率图；然后，在此基础上得到角点亚像素位置；最后对双目相机进行高精度标定，并用测距实验对其进行检验。实验结果表明，所提基于超分辨的亚像素角点检测方法在真实场景下具有优越性。     

数字域斜模态时间延迟积分技术

为了实现遥感图像超分辨目的,提出数字域斜模态时间延迟积分(Digital Domain Tilting Model Time Delayed and Integration,DT-TDI)技术。对技术过程所涉及的数字域TDI技术、倾斜采样成像理论、数字域斜模态TDI技术等分别进行分析与研究。首先,构建通用的数字域TDI模型。之后,利用倾斜采样成像思想,构建适用于不同倾斜角度下的DT-TDI模型。然后,以45°倾角对模型进行实验验证,获取该角度一定姿轨条件下的序列低分辨率图像。最后,通过超分辨算法对具有亚像素位移的低分辨率图像序列进行超分辨重构,获取高分辨率图像。实验结果表明,DT-TDI技术可在不同倾斜模态下进行稳定成像,45°倾角时获取的低分辨率图像亚像素位移误差约15%,基本满足超分辨重构需求。重构后图像分辨率明显提升。     

毫米波辐射图像的运动模糊参数辨识

针对平面扫描毫米波辐射成像系统和被成像场景之间的运动模糊问题,提出了一种基于Radon变换和微分自相关运算的运动模糊参数辨识方法.首先对原始运动模糊图像两次傅立叶同态变换谱的二值化图像进行Radon变换以估计运动模糊方向,然后在此方向上利用运动模糊图像的微分自相关运算得到运动模糊长度,最后以运动模糊方向和运动模糊长度为参数结合维纳滤波算法对运动模糊图像进行恢复,并引入基于图像灰度梯度向量模方和的运动模糊图像清晰度评价函数,实现对原始运动模糊图像及恢复图像质量的评估,从而达到衡量本文算法辨识精度的目的.实验结果表明,该算法能够准确辨识毫米波辐射图像的运动模糊参数,并具有良好的抗噪声干扰性能及稳定性.     

基于广义高斯分布的图像盲检测算法

图像拼接是图像篡改机制中简单并常用的方法之一.本文基于自然图像小波子带系数的统计分布符合广义高斯分布的假设,提出了一种拼接图像检测算法.提取小波细节子带系数对应的广义高斯分布模型参数以及模型预测误差为特征向量,采用支持向量机实现了对自然图像和拼接图像的有效分类.实验结果表明本文算法达到了平均88.76%的准确率,性能优于使用Hsu提出的基于相机响应函数的拼接图像检测算法.     

一种改进的超分辨率算法

利用多帧低分辨率图像重建一幅高分辨率图像成为迫切需要解决的难题,传统基于插值的超分辨率算法的发展受到了限制。本文基于重建方法,根据低分辨率图像帧间运动参数,提出了合理的权重分配算法。实验结果表明,图像超分辨率重建取得了良好效果。     

机器视觉在激光图像拼接中的应用

为高效、有效拼接低分辨率激光图像,提出基于机器视觉技术的低分辨率激光图像拼接方法。先采用机器视觉技术获取低分辨率激光图像特征亚像素,根据特征亚像素对低分辨率激光图像进行分割,判断低分辨率激光图像中前景特征位置;通过基于区域分块与SIFT特征的低分辨率激光图像拼接算法,根据归一化互相关系数分割需拼接图像间的相似范围,使用SIFT算法在重叠范围中搜索用来匹配的特征点并实现快速精确配准,实现低分辨率激光图像间无缝拼接。研究结果显示：所提方法拼接后,图像不存在明显的接缝;拼接过程中图像特征匹配速度极快,特征匹配耗时低于400 ms;特征匹配正确率高99%;拼接结果与实际图像间均方根误差较小,可在短时间内有效拼接低分辨率激光图像。     

多线阵CCD亚像元成像超分辨率重构技术研究

为实现以多片线阵CCD亚像元成像为基础,提出一种超分辨率重构算法。首先,在高分辨率网格上建立插值模型;然后,辨识插值重构图像在线阵列方向和扫描方向的模糊核,得到整幅图像的模糊核;最后,采用带有Neumman边界条件(BCs)的梯度平滑Richard-Lucy(GSRL)滤波复原算法去除模糊,抑制了振铃效应。实验结果表明,用本文算法重构超分辨率图像的灰度平均梯度(GMG)值较双线性插值法提高了7.63,主观目视清晰、细节丰富;可以实现对多片线阵CCD亚像元成像的超分辨率重构,获取更高的系统分辨率。     

一种改进的POCS算法的超分辨率图像重建

图像超分辨率是指从一组模糊的低分辨率图像重建一帧清晰的高分辨率图像的过程.从经典的基于凸集投影POCS（projection onto convex set）的超分辨率图像重建算法出发,分析重建后高分辨率图像边缘模糊的成因,提出了一种基于保留边缘信息的POCS超分辨率图像重建算法.实验结果表明该方法能够明显地提高重建图像的质量.     

基于边缘保持的POCS超分辨率图像重建

针对常规的POCS超分辨率图像重构算法导致的边缘模糊问题,文章分析重建后高分辨率图像边缘模糊形成的原因,提出了基于边缘保持的插值算法,用基于梯度的插值算法来获取POCS的初始值,实验结果表明,该方法能够明显地提高重建图像的边缘质量。     

基于卷积稀疏自编码的图像超分辨率重建

针对卷积稀疏编码算法中特征映射的准确性的问题,为了进一步提高图像超分辨率重建的的质量,文中提出一种基于卷积稀疏自编码的图像超分辨率重建算法。该算法首先在预训练阶段利用稀疏自编码器对输入高低分辨率图像分别进行训练,得到对应的图像稀疏特征表示;然后再由卷积神经网络根据得到的稀疏系数共同训练相应的滤波器及特征映射函数并更新到最优解;最后由高分辨率滤波器和对应的稀疏表示系数卷积求和,得到高分辨率重建图像估计。实验结果显示,改进算法的峰值信噪比（PSNR）结果较卷积稀疏编码算法提高了近0.1 dB,有效提高了重建图像的质量。     

基于门控卷积神经网络的图像超分辨重建算法北大核心CSCD

近年来,卷积神经网络被广泛应用于图像超分辨率领域。针对基于卷积神经网络的超分辨率算法存在图像特征提取不充分,参数量大和训练难度大等问题,本文提出了一种基于门控卷积神经网络(gated convolutional neural network, GCNN)的轻量级图像超分辨率重建算法。首先,通过卷积操作对原始低分辨率图像进行浅层特征提取。之后,通过门控残差块(gated residual block, GRB)和长短残差连接充分提取图像特征,其高效的结构也能加速网络训练过程。GRB中的门控单元(gated unit, GU)使用区域自注意力机制提取输入特征图中的每个特征点权值,紧接着将门控权值与输入特征逐元素相乘作为GU输出。最后,使用亚像素卷积和卷积模块重建出高分辨率图像。在Set14、BSD100、Urban100和Manga109数据集上进行实验,并和经典方法进行对比,本文算法有更高的峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM),重建出的图像有更清晰的轮廓边缘和细节信息。     

基于支持向量机的飞机图像识别算法

研究了一种基于支持向量机的飞机图像识别算法。采用基于神经网络的图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练。提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验,实验表明基于支持向量机的飞机图像识别算法具有更好的性能。     

A Regularization by Denoising super-resolution method based on genetic algorithms

Increasing the resolution of an image is an actual and extensively studied problem in image processing. Recently, Regularization by Denoising (RED) showing that any inverse problem can be handled by sequentially applying image denoising steps, including the image super-resolution (SR) task, which facilitate the resolution of the encountered optimization problem. In this paper, we propose a new configuration of genetic algorithms to resolve the super-resolution problem using a Non-Local Means filter as a denoiser function with a rigorous proof of the existence of a unique minimizer. In fact, since the SR algorithms always skip the complex spatial interactions within images, a more consistent model is then needed. The use of the genetic algorithms with the RED techniques guaranteed, in high intensity of noise and blur, the convergence to the globally optimal solution. As a result, the proposed algorithm shows efficient and consistent results, in terms of edges and feature preservation, compared with other SR approaches.     

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。     

基于自类推的NSCT域单幅图像超分辨率重建

单幅图像放大是一个病态问题。本文利用图像局部结构的自相似性和可传递性,结合非下采样Contourlet变换(NSCT)的优点,提出一种基于自类推的NSCT域单幅图像超分辨率重建方法。首先采用NSCT对源图像和退化图像进行多尺度、多方向分解,得到用于学习的低通子带对和各带通方向子带对,再利用图像自类推技术生成高分辨率的低通子带和各带通方向子带,最后进行NSCT重构得到超分辨率重建的图像。实验结果表明,该方法可以独立进行,摆脱一般方法对训练集合的依赖,并且较一般的图像类推算法速度大为加快,能产生更为合理的细节,视觉边缘更清晰,图像更逼真。