预估计混叠度的MAP超分辨率处理算法

提出一种预估计混叠度的PEMAP(pre-estimated MAP(maximum a posteriori)算法,用于卫星图像的地面超分辨率处理.它通过频域分析确定卫星图像的混叠度,将其作为先验信息在空域控制MAP估计的循环迭代,联合估计帧间位移和高分辨率图像.该算法克服了最大后验概率MAP算法的盲目性和不稳定性,使其适应性更好.实际的卫星图像处理显示了较好的处理效果.     

单帧低分辨率图像的SFMAP高分辨率重建算法

卫星图像的超分辨率处理是基础性和标志性的空间技术。一般情况下很难得到可供处理的一序列卫星图像，单帧图像的超分辨率处理尤为重要。我们提出由单帧欠采样的低分辨率噪音卫星图像重建高清晰卫星图像的最大后验概率估计(SFMAP)算法。通过插值生成多帧低分辨率图像族，模拟亚像元位移的低分辨率图像，参与空域迭代过程，以满足其空域代数方程组的超定问题，在一定程度上解开输入低分辨率图像的混叠，得到高分辨率重建图像。实际处理显示出较好的效果。     

超分辨率图像重建方法研究

超分辨率图像重建就是由低分辨率图像序列来估计高分辨率图像，已成为当前研究的热点。对超分辨率的概念和应用场合进行了阐述，对空域的几种主要重建方法进行了详尽分析与比较，并研究了压缩域中的重建方法，指出了各自的优点与不是。研究表明，超分辨率重建具有广泛的应用前景，其成像模型、运动估计、重建算法和实时实现将是今后研究的重点。     

基于并行遗传算法的图像超分辨率复原

图像超分辨率复原技术，提供了一种利用低分辨率像机获取高分辨率图像的可能途径。图像超分辨率复原有频域方法和空域方法两类：其中频域方法主要基于频谱解混叠；空域方法又分迭代反投影方法、凸集投影方法、Bayesian估计方法等。为了提高图像超分辨率复原的效率和提高复原图像的质量，提出了一种基于并行遗传算法的图像(序列)超分辨率复原的新框架方法，由于遗传算法采用实值编码方式，且基于岛模型的并行机制也有利于多帧图像信息的融合，因而使得算法直观和高效；同时提出采用其他超分辨率复原方法的迭代形式来充当遗传算法的变异算子，因为它能有效地利用已有方法的优点。最后，借用图像复原的客观评价指标来评价超分辨率复原算法的效果。实验证明，该方法有效可行。     

基于改进POCS算法的视频图像超分辨率重建

超分辨率技术是指通过融合多幅模糊、变形、频谱混叠的低分辨率图像来重建一幅高分辨率图像。本文提出一种基于POCS算法的视频图像超分辨率重建方法。POCS算法是图像超分辨率重建中的一种基本方法,本文在传统POCS算法的基础上,对重建过程中的初始高分辨率图像的估计加以改进,利用双3次插值法来获得初始估计;针对重建过程中容易出现的边缘振荡问题,利用边缘检测和修改PSF函数的方法使之得到解决。实验结果表明,重建后的高分辨率图像在提高分辨率的同时很好地保持了图像的细节。     

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。     

超分辨率重构技术需要考虑的几个因素

超分辨率重构指的是用低分辨率的视频重构高分辨率的视频和图像,以获得更好的视觉效果。该文分别从成像过程和压缩过程两个方面讨论了超分辨率重构过程需要考虑的因素,同时指出了运动估计和运动补偿在超分辨率重构中的重要性。文章还分析了运动估计在超分辨率重构技术中所面临的新的难题。最后,对于超分辨率算法的具体实现进行了探讨性的研究。     

融合多次运动估计的图像序列超分辨率重建算法

随着成像传感器的广泛使用，对图像以及图像序列分辨率的要求越来越高。图像序列超分辨率技术受到广泛的重视。超分辨率技术通过信号处理的方法，由低分辨率图像序列中恢复出高分辨率的图像。它的理论基础是信号重建理论。在图像传感器成像过程中，CCD面阵对投影图像进行采样。     

超分辨率重建技术及其在太赫兹图像中的应用

超分辨率重建就是通过相应的算法,重建图像截止频率之外的细节信息,重构出一幅清晰的高分辨率图像。首先介绍了超分辨率重建算法——非均匀内差法,迭代反投影法（IBP）,凸集投影法（POCS）,说明了各算法的概念和应用,并着重介绍了基于最大后验概率（MAP）的图像超分辨率算法,给出了MAP超分辨率复原算法处理实际太赫兹图像的结果。实验表明,超分辨率图像重建具有重建效果好、抗噪声性能强的优点,有效地重建了高分辨率太赫兹图像,在太赫兹成像领域具有良好发展和应用前景。     

基于双正则化的图像超分辨率盲重建

图像超分辨率重建是利用数字信号处理技术由一系列低分辨率观测图像得到高分辨率图像。大多数重建算法假设成像系统的模糊特性也即点扩散函数(PSF)已知,然而实际的应用环境下PSF事先不知道或部分知道。为此,将未知PSF模型化,提出基于双正则化的图像超分辨率盲重建算法,并且正则化作用的强度随重建图像局部光滑程度的变化而自适应地改变,以便能保护图像细节同时抑制平滑区域的噪声。求解过程中采用交替最小化方法估计PSF参数和高分辨率图像,并随着迭代次数的增加逐步提高每次寻优的精度以节省计算开销。实验结果表明,该算法能够比较准确地估计出PSF参数并取得较好的图像重建效果。     

Morphable model space based face super-resolution reconstruction and recognition

Super-resolution image reconstruction is the process of producing a high-resolution image from a set of low-resolution images of the same scene. For the applications of performing face evaluation and/or recognition from low-resolution video surveillance, in the past, super-resolution image reconstruction was mainly used as a separate preprocessing step to obtain a high-resolution image in the pixel domain that is later passed to a face feature extraction and recognition algorithm. Such three-stage approach suffers a high degree of computational complexity. A low-dimensional morphable model space based face super-resolution reconstruction and recognition algorithm is proposed in this paper. The approach tries to construct the high-resolution information both required by reconstruction and recognition directly in the low dimensional feature space. We show that comparing with generic pixel domain algorithms, the proposed approach is more robust and more computationally efficient.     

基于序列子集共轭梯度的超分辨率图像重构

提出一种基于序列子集共轭梯度最优化算法的超分辨率图像重建算法。通过图像配准算法估计得到不同低分辨率图像间的平移和旋转量，结合期望图像的统计先验对问题进行规整，建立优化的代价函数。利用序列子集共轭梯度最优化迭代算法求解，得到高分辨率图像。仿真结果表明，该算法可以使内存降低15％，运算速度提高20％。     

基于特征空间的人脸超分辨率重构

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.传统的超分辨率图像重构算法是基于像素空间,通过利用高、低分辨率像素空间之间的映射关系来求解,具有计算复杂性高等缺点. 针对低分辨率人脸放大问题,提出了一个基于特征空间的人脸超分辨率图像重构算法.与传统算法相比,该算法不仅降低了计算复杂性,还具有更好的鲁棒性.     

结合小波融合和插值的多幅图像超分辨率复原

超分辨率复原的目的就是由多幅低分辨率降质图像来估计一幅高分辨率图像,以此消除由有限检测器尺寸和光学元件产生的模糊和噪声,增加图像细节.采用基于小波域的图像融合和插值相结合的算法.先对原始图像进行小波三次样条插值,然后对插值后的图像做小波融和,如果结果未能达到要求那么就增加小波融和的分解层数,直至得到满意的高分辨率图像.方法充分利用了图像问的补充信息,使复原图像更接近实际拍摄的高分辨率图像.不仅信噪比优于仅使用小波插值的方法,而且具有很好的主观视觉效果,仿真实验表明这种方法可行,有效.     

一种用于视频超分辨率重建的块匹配图像配准方法

图像配准是超分辨率重建中的一个关键问题,直接影响超分辨率重建图像的质量.本文在自适应十字搜索(Adaptive rood pattern search,ARPS)块匹配算法的基础上,根据小波域中各图像之间的相关性,提出一种分层块匹配算法-基于小波变换的改进的自适应十字模式搜索算法(Improved adaptive r...     

图像超分辨率深度学习研究及应用进展

图像超分辨率重建是用低分辨率图像重建出对应的高分辨率图像的过程。目前,图像超分辨率技术已经成功应用于计算机视觉和图像处理领域。近年来,由于深度学习具有能够从大量数据中自动学习特征的能力,因此被广泛应用于图像超分辨率领域中。介绍了图像超分辨重建的背景,详细总结了用于图像超分辨率的深度学习模型,阐述了图像超分辨率技术在卫星遥感图像、医学影像、视频监控、工业检测任务方面的应用。总结了图像超分辨算法的当前研究现状以及未来发展方向。     

多监督损失函数光滑化图像超分辨率重建

目的 将低分辨率（low-resolution,LR）图像映射到高分辨率（high-resolution,HR）图像是典型的不适定恢复问题,即输出的HR图像和输入的LR图像之间的映射是多对一的,这意味着仅通过增加网络深度来确定HR图像与LR图像之间的特定映射关系是非常困难的。针对该问题,本文提出一种基于多监督光滑化损失函数的图像超分辨率方法。方法 该方法主体由LR图像上采样通道和HR图像下采样通道两部分组成。各通道分为两个阶段,每个阶段均包括浅层特征提取模块、基于迭代采样错误反馈机制的采样模块、全局特征融合模块和图像重建模块。将LR图像上采样通道第1阶段结果与HR图像下采样通道第1阶段结果对比,然后将HR原图像和HR图像下采样通道第2阶段结果作为约束构成多监督,使映射函数空间尽可能精确,并将多监督损失函数光滑化保证梯度在全局范围内传递。结果 在基准测试集Set5、Set14、BSD100（Berkeley segmentation dataset）、Urban100（urban scenes dataset）、Manga109（109 manga volumes dataset）数据集上进行测试,并与Bicubic、SRCNN （super-resolution convolutional neural network）、FSRCNN （fast super-resolution convolutional neural network）、LapSRN （Laplacian pyramid super-resolution network）、VDSR （very deep super-resolution convolutional networks）、DBPN （deep back-projection networks for super-resolution）和DRN （dual regression networks）等方法的实验结果进行对比。当放大因子为4时,本文算法的峰值信噪比分别为32.29 dB、28.85 dB、27.61 dB、26.16 dB和30.87 dB;在重建图像的可视化分析方面,本文算法相较于对比算法具有更加丰富的纹理和清晰的轮廓。结论 实验结果表明,基于多监督光滑化损失函数方法的图像重建结果与其他超分辨率主流算法相比,在重建图像质量和高频细节处理方面均有所提高。     

一种基于齿科序列图像的超分辨率重建算法

医学影像分辨率的提高能够有效帮助医生作出诊断,针对口腔环境复杂性和牙齿拓扑结构多样性的问题,提出一种基于齿科序列图像的超分辨率重建算法.通过对点集筛选和配准策略的优化,以及引入鲁棒损失函数,改进了传统的迭代最近邻点配准法,用于序列图像间的配准;然后针对齿科序列图像非下采样Contourlet变换域内不同的子带信息,采用了特定的子带系数融合策略,用于子带信息融合;最后基于非下采样Contourlet反变换得到了高分辨率齿科图像.实验结果表明,本文算法提高了重建指标,具有较强的鲁棒性.