压缩图像空时自适应正则化超分辨率重建

所谓超分辨率(SR)技术就是由低分辨率(LR)图像序列来重建高分辨率(HR)图像的技术,而基于压缩图像的SR技术正成为当前研究的热点。为了提高压缩图像的重建质量,在正则化理论的基础上,通过利用比特流中的信息,提出了一种新颖的空时自适应超分辨率重建算法,该算法先利用正则化代价函数控制时域数据和空域先验信息之间的平衡,使正则化参数在SR重建过程中得到自适应地调整,然后利用迭代梯度下降法进行超分辨率重建。仿真实验表明,该自适应算法比采用传统算法重建的图像的主、客观质量有一定的提高,适合压缩图像的应用。     

一种空间自适应正则化MAP超分辨率重建算法

提出一种简单、通用的基于正则化技术的自适应MAP超分辨率重建算法。与以往算法不同,该方法引入了局部空间自适应正则化参数,弥补了传统算法对图像自身的局部特性缺乏考虑的不足。算法通过迭代的方式,利用中间重建结果不断对正则化参数进行更新,并最终得到重建图像。实验结果表明,该方法可以根据不同图像序列的特点以及图像的局部灰度特性,自适应地确定相应的正则化参数,并找到最优解,有效地保护了高分辨率图像的细节信息。     

基于正则化的超分辨率图像重建方法及其实现

超分辨率图像重建是用同一景物的若干低分辨率图像通过数字图像处理技术获取其高分辨率图像的一种技术.介绍了基于正则化方法的超分辨率图像重建的研究现状和以正则化为基础的几种重建方法在近几年的研究和发展趋势.在此基础上,实现了一种遥感图像的正则化超分辨率重建算法,实验验证了方法的有效性.     

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。     

正则化超分辨率重建过程的自适应阈值去噪

为了提高正则化超分辨率技术在噪声环境下的重建能力,对广义总变分（GTV）正则超分辨率重建进行了扩展研究,提出了一种自适应阈值去噪的方法。首先,根据GTV正则超分辨率重建算法进行迭代重建;然后,利用推导出的自适应阈值矩阵,对每次迭代产生的代价矩阵进行阈值划分,小于阈值的对应像素点继续迭代,大于阈值的对应像素点被截断后重新插值并不再参与本轮迭代;最后,程序达到收敛条件时输出重建结果。实验结果表明,通过与单一GTV正则重建和自适应参数的方法相比,自适应阈值去噪的方法提高了收敛速度和重建图像的质量,使正则化超分辨率技术在噪声环境下有更好的重建能力。     

L1范数的总变分正则化超分辨率图像重建

超分辨率图像重建技术能够综合利用多帧离散图像、多组视频序列、或单帧图像与训练样本图像之间的互补信息,重建质量更好、空间分辨率更高的图像数据,弥补原有图像数据空间分辨率的不足,提高图像空间解像力和清晰度。介绍了基于正则化方法的超分辨率图像重建的研究现状和以正则化为基础的几种重建方法在近几年的研究和发展趋势。在此基础上,采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘。实现了对包含文字信息的图像的正则化超分辨率重建,实验验证了方法的有效性。     

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L1/2正则化的超分辨率图像重建算法

为提高图像重建质量,研究超分辨率图像重建技术与稀疏表示理论,提出一种基于L1/2正则化的超分辨率图像重建算法.将L1/2正则化理论运用到字典学习中,利用学习得到的字典重建高分辨率图像.实验结果表明,该算法的图像重建效果优于基于L1正则化的超分辨率图像重建算法.     

基于自适应约束正则HL-MRF先验模型的MAP超分辨率重建

针对Huber-MRF先验模型对图像高频噪声抑制能力较差,而Gauss-MRF先验模型对图像高频过度惩罚的问题,提出了一种改进的自适应约束正则HL-MRF先验模型。该模型将Huber边缘惩罚低频函数与Lorentzian边缘惩罚高频函数相结合,对低频进行线性约束的同时对高频实现平滑惩罚;并采用自适应约束方法确定正则化参数,从而得到最优的参数解。与基于Gauss-MRF先验模型和Huber-MRF先验模型的超分辨率算法相比,HL-MRF先验模型获得的超分辨率重建图像在峰值信噪比(PSNR)和细节方面都有一定程度的提高,在抑制高频噪声、避免图像细节被过度平滑方面具有一定的优势。     

空域中基于正则化的自适应超分辨率图像复原

对于模糊图像的复原问题,从正则化技术克服问题病态性的思想出发,研究了一种有效的超分辨率图像复原方法.在Nguyen等人的正则图像复原框架的基础上,根据Roberts交叉梯度算子构造正则项,从自适应的角度生成正则化参数,并用共轭梯度法求解该模型的目标泛函极小值.计算机仿真结果表明,该方法可较好的再现图像的重要信息,复原图像的相对误差降低,同时,峰值信噪比和主观视觉效果方面都有明显的提高.     

基于邻域回归的医学图像超分辨率重建

为了提高医学图像的分辨率,提出一种基于内部样例的邻域回归的超分辨率方法。首先,把输入的低分辨率图像当做高分辨率图像去构造基于自身实例的内部图像训练集,不再依赖外部训练集;然后,把高分辨率重建分成高频重建和低频重建,用邻域回归方法重建图像高频细节部分,用双三次插值方法重建低频部分;最后,用迭代组合的方法联合高频分量和低频分量来获得最终输出的高分辨率图像。实验结果表明,该方法性能优于传统的超分辨率重建算法,重建出的医学图像视觉效果更真实。     

在多尺度Contourlet域中的SAR图像正则化超分辨

针对SAR图像超分辨重构问题,建立了基于多尺度Contourlet域的正则化模型。在选取正则化参数时,提出一种自适应确定方法,该方法无需知道噪声大小和图像的先验知识,提高了确定正则化参数的准确性;求解模型时用FR共轭梯度法来改善算法的收敛性。将该算法分别与空域中正则化算法和小波域中正则化算法进行了比较,仿真实验结果表明,该算法较好地再现了各种边缘信息,其重构结果均优于其他两种方法。     

基于Nambu泛函的彩色图像正则化重建

为设计合适的正则化泛函并将其拓展到三维彩色图像空间以及更高维度的信号空间,提出一种基于Nambu泛函的彩色图像正则化重建方法,推导出正则化泛函的Euler‐Lagrange方程和数值计算格式。将该方法应用于高维空间的信号重建,克服了各通道单独处理时带来的图像边缘色彩抖动问题。实验结果表明,该方法能够取得良好的图像重建效果。     

多方向模板变分模型的单幅图像超分辨率重建

目的 为了增强图像超分辨率重建的准确性,克服传统插值所产生的边缘模糊与边缘锯齿等负面效果,提出一种基于多方向模板变分模型的单幅图像超分辨率重建方法。方法 首先构建体现28个方向的多方向模板对输入图像的轮廓方向进行计算,同时通过将TV模型引入到图像轮廓的估计中来确定边缘轮廓的最优方向;在此基础上通过进行基于所提出的多方向模板的图像插值来实现图像的超分辨率重建。结果 对比基于活动轮廓的图像边缘插值方法重建的经典高分辨率测试图像,本文方法在平均峰值信噪比和平均结构相似度方面分别提高了1.578 dB和 0.030 02 dB。结论 本文方法可以有效地克服传统插值方法所产生的边缘模糊和边缘锯齿化等负面效果,也避免了较少方向模板所带来的边缘和纹理丰富区域的纹理失真现象,可以取得较好的重建效果。     

自适应超分辨率图像重构

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MAP超分辨率图像重构算法由于没有对图像中的不同区域分别处理,所以无法在重构出清晰的边界和更多细节的同时抑制边缘振荡效应的产生。提出了针对图像中的不同区域进行自适应处理的超分辨率图像重构算法,与已有的算法相比,新算法所重构出的图像质量,不论在定量指标上还是人眼主观评判上都有了很大的提高。     

基于总变分的超分辨率图像重建

超分辨率图像重建是指从一组降晰的低分辨率图像重建出一帧清晰的高分辨率图像的过程。建立了超分辨率图像重建的数学模型,估计出场景在观测图像中的运动参数,选择总变分规整化克服问题的病态性得到重建结果。运用算法对模拟和实际图像序列进行重建,分别从主观效果和客观衡量标准两方面与基于Tikhonov规整化的超分辨率重建结果进行比较,结果表明该算法具有更好的处理效果。     

图像超分辨率重建的研究进展

图像超分辨率重建技术对于输入的低分辨率图像进行相关处理,从而重构出高分辨率图像,该技术已经成为图像处理研究领域的一个热点方向。对超分辨率图像重建的研究进展进行了综述。阐述了图像超分辨率重建的基本原理。对基于重建的图像超分辨重建中：IBP,POCS等算法,基于学习的图像超分辨率重建中：稀疏表示,基于深度神经网络等算法及一些相关改进的算法进行了综述。对图像超分辨率重建的研究提出了展望。     

融合学习算法的单帧图像超分辨率复原

为从高度降质的单帧图像中重建出高分辨率图像,提出了一个结合自适应正则化与学习算法的超分辨率复原方法。该方法基于图像的局部特征,实现了正则化方法动态自适应控制过程,优化了学习算法中的训练集、预测原则和搜索过程,以降低基准图相关性要求、提高搜索效率。仿真实验分步论证了该方法的有效性,以及对复原效果的提升。