基于小波稳健的超分辨率图像重建算法

针对超分辨率图像重建算法多存在计算量大、收敛稳定性不高且收敛慢的问题,提出一种基于小波稳健的正则化超分辨率图像重建算法。该算法利用小波变换生成初始图像,对重建图像的质量有明显提高。采用1-范式(L1)度量正则项,增强了算法的稳健性,通过导入自适应的正则参数提高了算法的效率。经仿真实验证明了算法的有效性。     

改进块匹配与初始估计的POCS图像重建

POCS（凸集投影）算法进行图像超分辨率重建时,图像配准和初始估计对重建结果有重要影响。为解决传统块匹配算法小块匹配易受噪声干扰,大块匹配对运动对象跟踪不精确的问题,本文以空间十字频率法判断图像的平坦程度,根据图像平坦度进行匹配块的分割,实现了匹配块大小的动态选择;针对单帧初始估计包含信息量少的不足,将所有已知低分辨图像与插值图像配准,以最优插值法作用后的插值图像作为初始估计。实验证明,改进的配准算法消除了固定块配准方式在噪声和局部运动同时存在时的不足,且算法简单,运算量较小;新的初始估计生成方式则提高了初始估计的峰值信噪比,加快了重建的收敛速度。     

基于改进稀疏编码的图像超分辨率算法

针对传统基于稀疏字典对的超分辨率(SR)算法训练速度慢、字典质量差、特征匹配准确性低的缺点,提出一种基于改进稀疏编码的图像超分辨率算法。该算法使用自适应阈值的形态组成分析(MCA)方法提取图像特征,并采用主成分分析算法对训练集进行降维,提高特征提取的有效性,缩短字典训练时间,减少过拟合现象。在字典训练阶段,使用改进的稀疏K-奇异值分解(K-SVD)算法训练低分辨率字典,结合图像块的重叠关系求解高分辨率字典,增强字典的有效性和自适应能力,同时极大地提高了字典的训练速度。在Lab颜色空间对彩色图像进行重建,避免由于颜色通道相关性造成的重建图像质量下降。与传统方法相比,该算法重建图像质量和计算效率更优。     

基于自适应块组割先验的噪声图像超分辨率重建

要增强噪声图像的分辨率,传统的串联方式依次进行去噪与超分辨率重建两个步骤,但去噪算法去除噪声的同时也损失了部分细节信息,影响了后续超分辨率重建的质量.为了使低分辨率噪声图像中所有细节信息都能参与超分辨率重建,本文以非局部中心化稀疏表示（Nonlocally centralized sparse representation,NCSR）模型为基础,提出了基于自适应块组割（Patch-group-cuts,PGCuts）先验的噪声图像超分辨率重建方法,同时实现去噪和超分辨率重建功能.块组割先验基于新颖的三维邻域系统和块组模型,能够达到图像去噪、边缘平滑和边缘清晰等效果.重建时以边缘强度为参考对块组割先验进行自适应约束,由于块组割在平滑区域约束力较低,采用分区域融合的方式进一步抑制噪声.本文对合成的低分辨率噪声图像和真实的低分辨率噪声图像进行了重建实验,实验表明,基于自适应块组割先验的噪声图像超分辨率重建算法,在丰富细节的同时能抑制噪声的干扰,不但具有较高的峰值信噪比和结构相似度等客观评价值,而且在非光滑区域具有很好的主观重建效果.     

基于改进稀疏编码的图像超分辨率算法

针对传统基于稀疏字典对的超分辨率（SR）算法训练速度慢、字典质量差、特征匹配准确性低的缺点,提出一种基于改进稀疏编码的图像超分辨率算法。该算法使用自适应阈值的形态组成分析(MCA)方法提取图像特征,并采用主成分分析算法对训练集进行降维,提高特征提取的有效性,缩短字典训练时间,减少过拟合现象。在字典训练阶段,使用改进的稀疏K-奇异值分解(K-SVD)算法训练低分辨率字典,结合图像块的重叠关系求解高分辨率字典,增强字典的有效性和自适应能力,同时极大地提高了字典的训练速度。在Lab颜色空间对彩色图像进行重建,避免由于颜色通道相关性造成的重建图像质量下降。与传统方法相比,该算法重建图像质量和计算效率更优。     

稀疏字典编码的超分辨率重建

基于学习的超分辨率方法通常根据低分辨率图像从样本库中选取若干特征相似的匹配对象,再使用优化算法进行超分辨率估计,但其结果受匹配对象的质量限制,并且匹配特征一般只选择图像的几何结构信息,匹配准确性较低.提出了稀疏字典编码的超分辨率模型,将高、低分辨率图像特征块统一进行稀疏编码,建立高、低分辨率图像的稀疏关联,同步实现匹配搜索和优化估计,突破了上述方法的限制.应用形态分量分析法提取图像的特征数据,提高了特征匹配的准确性,并同步实现超分辨率重建和降噪功能.优化方法采用稀疏K-SVD算法以提高稀疏字典编码的计算速度.采用自然图像进行实验与其他基于学习的超分辨率算法相比,重建所得到的图像质量更优.     

基于SVM预分类学习的图像超分辨率重建算法

针对一般基于范例学习超分辨率重建算法的图像块误匹配和运算复杂度高等问题,提出了一种基于支持向量机预分类学习的算法。通过在匹配搜索前使用SVM筛选出与重建目标图像颜色特征相似的样本子库,保证了精确匹配搜索过程中样本块与输入低分辨率图像块内容之间的相关性,大大减少了误匹配现象,从而提高了图像重建质量。实验结果表明,算法的重建效果优于基于范例学习的算法,并在保证重建精度的前提下有效提高了算法运行速度。     

基于小波域CHMT模型的超分辨率图像重建

从图像重建的Bayesian方法出发,提出一种基于小波域分类隐马尔可夫树(CHMT)模型的超分辨率图像重建算法.将CHMT模型作为自然图像小波域的先验知识,采用混合高斯模型刻画备子带系数的概率分布,将起分辨率图像重建问题转化为一个约束最优化问题,并采用共轭梯度算法进行求解.同时,提出了自适应的规整化参数选择方法.实验结果表明,该算法具有较低的计算复杂度,在峰值信噪比和视觉效果方面都有所提高.     

基于双分支融合的反馈迭代金字塔去模糊和超分辨率算法

针对低分辨率模糊图像实施超分辨率重建后出现大量伪影和边缘纹理不清晰问题,提出了一种双分支融合的反馈迭代金字塔算法.首先采用不同的分支模块分别提取低分辨率模糊图像中潜在的去模糊特征和超分辨率特征信息;然后采用自适应融合机制将两种不同性质的特征进行信息匹配,使网络在去模糊和超分辨率重建模块中更加关注模糊区域;其次使用迭代金字塔重建模块将低分辨率模糊图像渐进重建为逼近真实分布的超分辨率清晰图像;最后重建图像通过分支反馈模块生成清晰低分辨率图像,构建反馈监督.在GOPRO数据集中与现有算法的对比实验结果表明,所提算法能够生成纹理细节更加清晰的超分辨率图像.     

稀疏字典编码的超分辨率重建?

基于学习的超分辨率方法通常根据低分辨率图像从样本库中选取若干特征相似的匹配对象,再使用优化算法进行超分辨率估计,但其结果受匹配对象的质量限制,并且匹配特征一般只选择图像的几何结构信息,匹配准确性较低。提出了稀疏字典编码的超分辨率模型,将高、低分辨率图像特征块统一进行稀疏编码,建立高、低分辨率图像的稀疏关联,同步实现匹配搜索和优化估计,突破了上述方法的限制。应用形态分量分析法提取图像的特征数据,提高了特征匹配的准确性,并同步实现超分辨率重建和降噪功能。优化方法采用稀疏K-SVD算法以提高稀疏字典编码的计算速度。采用自然图像进行实验,与其他基于学习的超分辨率算法相比,重建所得到的图像质量更优。     

基于时空域相关预测的步长自适应运动估计算法

为了更好地消除视频中空间和时间冗余,快速并有效地获得足够精度的运动矢量,本文提出一种改进的自适应十字搜索算法。本文算法利用时间空间域相关来预测当前块的运动矢量,对于视频的边缘图像采取固定小步长来进行十字搜索,对于图像的非边缘部分则采取由粗到精的方式进行搜索,搜索模板的自适应臂长为预测得到的目标运动矢量的横纵坐标的最大值。通过实验仿真比较传统的自适应十字搜索算法及其他几种经典的运动估计算法,结果表明本文算法增强了搜索预测的准确性,减少了平均每块搜索的次数,提高了搜索速率。     

一种基于DS与ARPS混合使用的快速运动估计算法

为了减小快速运动估计算法的计算复杂度和改善运动补偿的性能,提出了一种基于菱形搜索（DS）和自适应十字模式搜索（ARPS）两种方法混合使用的块匹配算法。该算法利用DS算法搜索精度高和ARPS算法搜索速度快的特点,综合固定模式搜索和空间相关搜索两方面的优点,对于相邻两帧图像中的不变宏块采用零运动预先判断以减少算法的计算量,并利用运动矢量的空间一致性提高预测运动矢量的质量。实验结果表明,该算法与ARPS算法相比,在保证搜索精度的同时,计算复杂度至少减小了20%。     

基于SIFT特征的多帧图像超分辨重建

精确的亚像素级图像配准是图像超分辨重建中的关键问题.在图像超分辨重建中广泛使用的基于像素特征的光流法,对于大幅度运动场的计算很难做到精确的亚像素级配准.本文考虑了一种基于SIFT(scale invariant feature transform)特征的鲁棒性多帧图像超分辨重建算法.首先提取输入的低分辨待匹配图像对的SIFT关键点及其特征矢量.随后选取候选匹配关键点对,通过RANSAC(random sample consensus)鲁棒方法去除奇异值,并根据假设的平移性几何约束模型,获得图像对的平移运动配准参数,然后选取视场中心对应的或指定的图像帧为初始参考帧,再使用传统的超分辨重建框架获得最终的重建结果.仿真实验结果表明,提出的基于SIFT特征的图像超分辨重建方案是有效的,超分辨重建的图像质量在主观评价和客观指标上都获得了优于经典算法的效果.     

一种基于小波变换和自适应滤波的图像拼接算法

图像拼接技术其关键在于解决拼接图像配准问题,以及如何针对多幅相关图像,进行无缝接合形成连贯的没有拼接痕迹的图像.本文针对上述问题,提出了一种算法.首先对小波域的图像信息采用灰度相关法进行匹配搜索,使用RANSAC算法对匹配点进行提纯;然后在小波域生成自适应滤波器,并在图像的拼缝处作滤波处理,得到拼接后的小波系数矩阵;对小波系数矩阵进行小波逆变换还原图像.实验结果表明:在小波域对图像进行拼接,而且在接缝处根据两幅图像的自身信息进行自适应滤波(即时改变滤波器形态),故它很好地平滑了拼接中出现的接缝.     

自适应分层搜索配准算法的研究与实现

在运动过程中荻取图像时,往往得到多帧模糊图像,这需要进行多帧超分辨率重构,其中第一步就是图像配准。目前常见的配准算法在配准精度和速度上都不能达到令人满意的程度。为了在配准精度和建库上都能达到实际需求,文章通过对仿射变换模型和配准算法的研究,提出了具备自适应功能的分层搜索算法。实验结果显示该方法收敛效果好、速度快、精度高、鲁棒性强。     

基于频域、时域相结合的自适应图像超分辨率重建

基于最大后验概率(MAP)的超分辨率(SR)重建的研究重点是规则化项的选择,且其大都在频域中实现,为此提出一种基于频域、时域相结合的图像SR重建方法.首先,根据不同图像的特点,定义了频域规则化项(FR)和时域规则化项(TR);然后,给出了图像重建模型,引入频域、时域自适应权值来加强算法的自适应性;最后,运用共轭梯度法推导出重建迭代计算公式.实验表明,所提出的算法具有良好的收敛性和精确性.     

联合估计混叠度，运动参数和高分辨率图像的JEMAP算法

本文提出一种空域联合估计混叠度，运动参数和高分辨率图像的JEMAP算法，以提高超分辨率处理的适应性，在地面上稳定地获得高于实测卫星图像中所用CCD设备成像精度的高清晰图像。算法根据星戡CCD设备的成像机理，定义卫星图像的混叠度，确定超分辨率处理模型，通过空域迭代联合估计混叠度，运动参数和高分辨率图像。实际卫星图像处理表明JEMAP算法具有很好的适应性和稳定性，包含先验约束能力较强，可以解开欠采样低分辨率输入图像的混叠，重构清晰卫星图像。     

改进的频域内亚像素级旋转角估计方法

亚像素级配准是超分辨率重构的前提,其中旋转角估计的准确程度对重构效果有直接影响。针对传统的频域内旋转角估计在小角度估计不精确的缺点,提出了用部分幅值进行配准的改进算法。实验结果表明,改进算法对小角度旋转角估计比传统算法效果好。     

基于全局运动模型配准的图像超分辨重建

把全局运动模型配准算法运用到序列图像超分辨重建中,通过与优化的基于频域的配准法进行对比,在运动模型可以准确地反映物体运动状态的情况下,该算法能够更精确地估计运动参数,从而确保重建后的高分辨率图像拥有更多细节信息。同时,阐述了参与重建的低分辨率图像帧数越多,重建精度会越高,但随着帧数的增多,重建误差降低幅度会越低,而算法复杂度及其耗时会过多地增加,因此提出应根据对重建精度的要求而确定参与重建的低分辨率图像的帧数。     

基于小波域的深度残差网络图像超分辨率算法

单幅图像超分辨率（SISR）是指从一张低分辨率图像重建高分辨率图像.传统的神经网络方法通常在图像的空间域进行超分辨率重构，但这些方法常在重构过程中忽略重要的细节.鉴于小波变换能够将图像内容的"粗略"和"细节"特征进行分离，提出一种基于小波域的深度残差网络（DRWSR）.不同于其他传统的卷积神经网络直接推导高分辨率图像（HR），该方法采用多阶段学习策略，首先推理出高分辨率图像对应的小波系数，然后重建超分辨率图像（SR）.为了获取更多的信息，该方法采用一种残差嵌套残差的灵活可扩展的深度神经网络.此外，提出的神经网络模型采用结合图像空域与小波域的损失函数进行优化求解.所提出的方法在Set5、Set14、BSD100、Urban100等数据集上进行实验，实验结果表明，该方法的视觉效果和峰值信噪比（PSNR）均优于相关的图像超分辨率方法.