高效的图像超分辨率重建参数估计算法

估计正则化参数的有效方法是计算L-曲线的最大曲率,然而在超分辨率图像重建中,计算L-曲线的曲率代价十分昂贵.提出一种基于截断Arnoldi过程的图像超分辨率重建正则化参数估计算法.该方法将超分辨率重建中的系统矩阵进行截断Arnoldi过程的分解,得出简化的Hessenberg矩阵.借助Galerkin方程可将超分辨率重建方程组转化为与Hessenberg矩阵相关的简化方程组,通过Given旋转变换来快速求该方程组的解.给出了计算L曲率的计算公式.该方法能高效得到正则化参数.     

基于曲率带的超分辨率图像复原参数估计

在很多超分辨率复原应用中，正则化参数是未知的。然而通过L-曲线估计正则化参数的计算代价十分昂贵。本文提出在超分辨率复原中使用基于Lanczos算法和Gauss积分的方法来高效计算正则化参数。该方法用Gauss积分来计算矩阵矩，通过部分Lancros算法来计算L曲线的曲率带。该方法可减少正则化参数的计算代价和确定Lancros算法的恰当迭代次数。     

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。     

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。     

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。     

PET序列图像超分辨率优质重建算法

为了从PET序列低分辨率图像中重建出优质高分辨率图像,提出了一种基于正则化参数的自适应线性斜率超分辨率算法。该算法通过对正则化线性斜率的自适应,更新动态优化代价函数,以降低对PET图像高频成分的抑制。为验证算法的有效性,采用模拟PET序列图像进行实验。实验结果表明,新算法在改善图像空间分辨率上取得良好的效果。     

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。     

空间自适应正则化超分辨率图像重建

超分辨率图像重建是一个病态问题,在重建过程中需要正则化处理,而正则化重建会引入正则化误差及重建过程中由于病态性而引入的噪声放大误差,且这两类误差均和图像的空间局部特性有关.提出根据图像的局部空间统计特性自适应控制超分辨率图像正则化重建算法,采用图像局部统计方差来区分图像棱边区域及平滑区域,在图像的棱边区域加强图像的约束重建,而在图像的平滑区域加强正则化.实验表明该算法能有效地减小重建误差,算法的信噪比得益优于传统的正则化重建算法及总变分模型重建算法,并且对正则化参数的选择具有一定的鲁棒性.     

双边全变分的自适应核回归超分辨率重建

正则化方法是目前解决超分辨率重建中病态问题的一种被广泛使用的方法。在分析了现有基于多种正则化超分辨率重建方法的基础上,构造了一种基于双边全变分（BTV）的自适应核回归滤波核,并将它作为正则化超分辨率重构的代价函数,该方法根据图像特征自适应生成正则项的滤波核函数。实验结果表明,与传统的正则化重建方法相比较,该算法既能有效地去除噪声,也能很好地保留图像细节部分,同时还具有一定的鲁棒性。通过客观和主观评价表明,图像重建质量有显著的提高。     

基于ARNOLDI过程的参数估计

本文提出在超分辨率复原中使用基于Amoldi过程来高效计算正则化参数的方法。通过Arnoldi过程分解，该方法将大型稀疏系统矩阵投影到Krylov子空间上并表达成一个小型稠密的Hessenberg矩阵。给出了利用Hessenberg矩阵简化超分辨率复原中解计算的公式。推导了快速计算L曲线的定理。该方法可减少正则化参数的计算代价。     

结合图像结构特征和近似l_0范数的压缩采样恢复算法

为了从压缩采样数据快速有效地恢复自然图像,提出了一种结合近似l0范数和近似总体变分(TV)的压缩采样图像恢复算法模型——TVSl0,并在恢复算法中引入模拟退火方法来实现快速恢复.该模型以最小化近似l0范数为基础,融入了反映图像结构特点的近似TV范数,体现出该模型对图像空域变化有限这一特点的适应性;并使用连续近似函数解决了l0范数的不连续问题.针对典型自然图像恢复的实验结果验证了文中算法的有效性和可行性,其恢复质量和基本TV模型的方法相当,但迭代次数少、计算复杂度低.     

基于隐含重起Arnoldi过程的参数估计

提出在超分辨率复原中使用基于隐含重起Arnoldi过程来高效计算正则化参数的方法。通过隐含重起Arnoldi过程,可选择一个较好的初始向量。该方法将大型稀疏系统矩阵投影到Krylov子空间上并表达成一个小型稠密的Hessenberg矩阵。该方法可减少正则化参数的计算代价。     

Weighted least squares set estimation from l∞-normbounded noise data

The problem of parameter set estimation from pointwise bounded-error data is considered. The possibilities of employing l₂ -projection procedures to solve the problem are explored, and exact as well as approximate outer-bounding solutions are proposed. In particular, the properties of weighted least squares set estimation in this l_∞ norm bounded-error context and the implementation of a resulting minimum-volume parallelotope-bounding algorithm are discussed     

图像恢复的正则化混合GMRES(m)方法

为了充分利用广义极小化残量方法在处理大规模线性问题时的优势,将其同正则化技术相结合应用于图像恢复领域,提出了一种新的图像恢复方法。该方法基于Arnoldi过程,用一系列规模远小于原不适定问题的最小二乘问题来逼近原问题,并应用截断奇异值分解正则化技术保证稳定求解这些最小二乘问题。其中,根据图像恢复问题的具体特点,在确定截断奇异值分解的截断次数时,对传统的L-曲线准则进行了少许修改。数值试验结果表明,试验数据与肉眼观察恢复图像的清晰程度相吻合,说明新方法是有效的。     

A fast and adaptive method for complex-valued SAR image denoising based on l_k norm regularization

This paper developed a fast and adaptive method for SAR complex image denoising based on lk norm regularization, as viewed from parameters estimation. We firstly establish the relationship between denoising model and ill-posed inverse problem via convex half-quadratic regularization, and compare the difference between the estimator variance obtained from the iterative formula and biased Cramer-Rao bound, which proves the theoretic flaw of the existent methods of parameter selection. Then, the analytic expre...     

An iterative Gibbsian technique for reconstruction of m-ary images

The reconstruction of m-ary images corrupted by independent noise is treated. The original image is modeled by a Markov Random Field (MRF) whose parameters are unknown. Likewise, the probabilistic structure of the noise is unknown. This paper presents an iterative procedure which performs the parameter estimation and image reconstruction tasks at the same time. The procedure that we call Gibbsian EM algorithm, is a generalization to the MRF context of a general algorithm, known as the EM algorithm, used to approximate maximum-likelihood estimates for incomplete data problems. A number of experiments are presented in the case of Gaussian noise and binary noise, showing that the Gibbsian EM algorithm is useful and effective for image reconstruction and segmentation.     

Range image reconstruction based on robust multiresolution estimation of surface parameters

This paper proposes two robust multiresolution estimation methods of surface parameters for range images. Based on the robust estimation of surface parameters, the proposed methods approximate a patch to a planar surface in the locally adaptive window. Selection of resolution is made pixelwise by comparing a locally computed homogeneity measure with the global threshold obtained by the distribution of the approximation error. The proposed multiresolution surface parameter estimation methods are applied to range image reconstruction and segmentation. Computer simulation results with noisy images contaminated by additive Gaussian noise and impulse noise show that the proposed multiresolution reconstruction methods preserve step and roof edges better than the conventional methods. Also the segmentation methods based on the estimated surface parameters are shown to be robust to noise.     

求解热传导系数反问题的量子行为粒子群算法

量子行为粒子群优化算法（QPSO）和Tikhonov正则化方法用来求解热传导反问题,近似估计平板随时间变化的热传导系数。由于热传导系数的函数形式是未知的,所以问题可以归结为函数估计问题。求解过程是基于最小二乘模型的,采用的是嵌在平板中的传感器所测量得到的温度,优化过程由QPSO算法来求解。给出了由L曲线方法选择正则参数的详细过程。提出算法的有效性经过了数值实验的验证。传感器的位置和数量对结果的影响也做了研究。给出了与共轭梯度法的比较。