首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 46 毫秒
1.
图像超分辨重建是从一系列降质的低分辨率图像中获取高分辨率的图像。在最大后验概率算法基础上提出了一种基于马尔可夫随机场的超分辨率重建算法,并通过迭代条件模型实现超分辨率图像重建。实验结果表明,与传统的超分辨率重建算法相比,该算法是一种快速的计算最大后验概率的方法,采用Potts-Strauss模型作为图像的先验概率密度函数,经过五、六次的迭代就能达到理想的迭代效果,解决了最大后验概率算法计算量大的缺点,是一种高效的超分辨率重建算法,具有一定的实用价值。  相似文献   

2.
徐鹏宇  傅山 《计算机工程》2009,35(17):213-214
针对基于最大后验概率(MAP)的超分辨率重建算法在重建图像过程中存在的问题,提出一种基于Huber-马尔可夫随机场(HMRF)先验模型的超分辨率重建方法,采用HMRF作为图像先验模型,对图像进行分段超分辨率重建。仿真实验结果表明,与传统的MAP算法相比,该方法能更好地保存重建图像的边缘细节,有效提高重建图像的质量。  相似文献   

3.
人脸图像超分辨率非线性学习算法   总被引:1,自引:2,他引:1       下载免费PDF全文
针对一般学习算法效率低下的问题,提出一种马尔可夫网络模型下的非线性学习算法。对输入的低分辨率图像以及训练用高分辨率图像和对应的低分辨率图像进行分块,并使图像基本对齐,构造训练图像集,利用训练集人脸图像的差异,采用块坐标限位操作技术,给出一种非线性样本搜索算法,降低搜索空间复杂度,提高了匹配效率和相关性。利用搜索到的高分辨率图像分块样本,直接输出超分辨率图像。分析和实验证实,与传统学习算法相比,该方法具有输出质量好、效率高的特点。  相似文献   

4.
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。  相似文献   

5.
通过Contourlet域对遥感图像进行超分辨复原,采用了具有的更好方向性和各向异性特点的Contourlet系数作为特征表示,并通过最小欧氏距离进行全局的匹配选择。根据匹配的高频细节信息分布特点,引入了隐马尔可夫树(HMT)模型对遥感图像的Contourlet系数建模,运用期望最大(EM)算法对其进行参数估计,并结合贝叶斯估计原理,对叠加后的Contourlet系数进行修复、反变换后,最终完成了对低分辨率遥感图像的超分辨率复原。  相似文献   

6.
以Gauss-Gibbs随机场模型为图像的先验概率模型,运用自适应规整化的最大后验概率(MAP)方法进行图像超分辨率重建.通过对先验概率分布参数的估计,对图像超分辨率重建求解进行自适应规整化,从而提高重建图像的质量.实验结果表明,该算法能较好地再现图像的各种边缘信息,重建的高分辨率图像在峰值信噪比和视觉效果方面都得到明显提高.  相似文献   

7.
数字图像超分辨率技术就是从一幅或多幅已知图像中重建出一幅具有更高空间分辨率的图像。这种技术自产生以来便受到众多学者的亲睐,产生了许多的相关算法。就目前而言,研究的主流是基于学习的算法。基于学习的算法是从事先构建的学习库中去获得待重建图像的先验知识,再在先验知识的辅助下恢复出待重建图像的高频细节,从而取得较好的视觉效果。对基于学习的超分辨率重建算法进行系统介绍,总结其中还存在的问题,并预测了进一步研究的方向。  相似文献   

8.
肖然  侯进 《计算机工程》2012,38(16):223-225
为解决图像分割中过分割、欠分割和依赖初始分割问题,提出一种基于马尔可夫模型的多分辨率图像分割算法。利用变权重方法改进多分辨率马尔可夫随机场算法,结合曲波和小波变换对图像进行多分辨率分析,并通过区域合并减少图像中的区域数。实验结果表明,与经典算法相比,该算法的分割性能较好。  相似文献   

9.
研究单幅人脸图像的超分辨率重构算法。采用马尔可夫网络模型描述重构机制,对输入的低分辨率图像,以及训练用高分辨率图像和对应的低分辨率图像进行分块,并使图像基本对齐,构造训练图像集。针对简化马尔可夫网络计算的需要以及训练集人脸图像的差异,在采用块坐标限位操作的基础上,提出了一种非线性样本搜索算法,降低了搜索空间复杂度,提高了匹配效率和相关性。算法利用搜索到的高分辨率图像分块样本,直接输出超分辨率图像。分析和实验证实,与传统学习算法相比,本方法具有输出质量好、效率高的特点。  相似文献   

10.
主成分分析(PCA)是人脸超分辨率中常用的人脸图像表达方法,但是PCA方法的特征是整体的且难以语义解释.为了使表达的结果更好地用于合成超分辨率人脸图像,提出一种非负特征基约束的人脸超分辨率算法.该算法利用非负矩阵分解(NMF)获取样本人脸图像的非负特征基,结合最大后验概率的方法,对目标图像进行马尔可夫随机场正则约束,最速下降法优化得到高分辨率人脸图像的非负特征基系数.实验结果表明,在主客观质量上,非负特征基约束的人脸超分辨率算法的性能胜过基于PCA的算法.  相似文献   

11.
提出了一种基于方向性平滑测度的保边缘加权马尔可夫先验模型,并将其应用到基于最大后验估计的影像超分辨率重建中.该模型对邻域内不同方向的平滑测度使用不同的权值,以此减小对影像高频成分的惩罚约束,进而保护影像的边缘.利用不同影像对本文方法进行了验证,并用MSE影像评价方法对重建影像进行了定量评价.实验结果表明,与传统马尔可夫先验模型相比,加权马尔可夫先验模型能有效保护影像的边缘,取得更好的重建结果.  相似文献   

12.
This paper presents a new technique for generating a high resolution image from a blurred image sequence; this is also referred to as super-resolution restoration of images. The image sequence consists of decimated, blurred and noisy versions of the high resolution image. The high resolution image is modeled as a Markov random field (MRF) and a maximum a posteriori (MAP) estimation technique is used for super-resolution restoration. Unlike other super-resolution imaging methods, the proposed technique does not require sub-pixel registration of given observations. A simple gradient descent method is used to optimize the functional. The discontinuities in the intensity process can be preserved by introducing suitable line processes. Superiority of this technique to standard methods of image expansion like pixel replication and spline interpolation is illustrated.  相似文献   

13.
鉴于基于小波域隐马尔可夫树的噪声抑制性和较好的边缘保持性,提出一种基于小波域隐马尔可夫树的序列图像的超分辨率重建算法。针对小波系数进行统计建模,讨论了不同尺度小波系数之间的隐马尔可夫树结构,利用了序列图像的运动信息,运用极大后验概率估计和贝叶斯原理,将小波域HMT作为图像先验知识并给出了超分辨率重建算法,最终通过EM算法和共轭梯度算法的交替迭代进行优化计算。实验结果表明方法的重建效果得到了明显的改进。  相似文献   

14.
提供了一种快速稳健的正则化超分辨率图像复原算法。该算法从Roberts交叉梯度算子的角度构造正则项,从自适应性的角度确定正则参数。用1-范数度量数据逼近项和正则项。算法分析和实验结果表明该算法具有好的稳健性,并且计算速度较快。  相似文献   

15.
In this paper, we propose a novel technique for super-resolution imaging of a scene from observations at different zoom levels. Given a sequence of images with different zoom factors of a static scene, the problem is to obtain a picture of the entire scene at a resolution corresponding to the most zoomed image in the scene. We not only obtain the super-resolved image for known integer zoom factors, but also for unknown arbitrary zoom factors. We model the super-resolution image as a Markov random field (MRF) and a maximum a posteriori (MAP) estimation method is used to derive a cost function which is then optimized to recover the high-resolution field. The entire observation conforms to the same MRF, but is viewed at the different resolution pyramid. Since there is no relative motion between the scene and the camera, as is the case with most of the super-resolution techniques, we do away with the correspondence problem. Results of the experimentation on real data are presented.  相似文献   

16.
倚海伦  王庆 《计算机工程》2008,34(22):210-212
在L1范数图像超分辨率重建算法框架下,引入参数自适应估计,结合差分图像统计特性和概率分布模型提出一种基于混合先验模型的超分辨率重建方法。实验证明该方法可以弥补L1范数重建方法的不足,获得更多的图像细节,对模型误差表现出良好的稳健性,可以加速收敛。  相似文献   

17.
基于小波内插的遥感图象超分辨率增强   总被引:1,自引:0,他引:1  
基于小波内插的超分辨率增强方法,利用多幅遥感图象的交错采样结构,将同一场景的多幅遥感图象序列中的信息,在像素级上内插到一幅遥感图象中,得到一幅信息量更加丰富、分辨率更高的遥感图象。该文介绍了该方法及相应遥感图象预处理方法,文中实验显示了该方法的有效性。  相似文献   

18.
李键红  吕巨建  吴亚榕 《计算机科学》2018,45(2):147-151, 156
图像的自相似性质和图像质量之间存在着密切的关系,清晰的自然图像中几乎所有的图像片都在其自身或较低尺度内存在着重复。然而,在存在噪声或模糊等降质处理的图像中,这一性质明显减弱。针对这一现象,提出一种最大化自相似性先验的盲单帧图像超分辨率算法。该算法通过迭代计算求解超分辨率图像和降质过程的模糊核,使得到的超分辨图像中的任一图像片在输入的低分辨率图像中都以最大的概率存在。这一算法不仅能够准确地计算降质过程的模糊核,得到高质量的高分辨率图像,而且其先验知识随着输入图像的不同而自动进行调整,使得算法具有更强的鲁棒性。大量实验表明,该算法的PSNR,SSIM参数结果较主流算法都有着明显的优势。  相似文献   

19.
压缩图像空时自适应正则化超分辨率重建   总被引:1,自引:0,他引:1       下载免费PDF全文
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。  相似文献   

20.
基于L1范数的图像超分辨率及差分统计模型   总被引:1,自引:0,他引:1       下载免费PDF全文
倚海伦  王庆 《计算机工程》2007,33(24):203-205
在L1范数图像超分辨率重建框架下,引入参数自适应估计,该方法对模型误差表现出良好的稳健性并且可以加速收敛。结合差分图像统计特性和概率先验模型,解释了L1范数形式的双边全变差正则项概念,利用Kullback-Leibler距离证明了该正则项的优越性,并分析了混合先验模型在超分辨率重建中应用的可行性等问题。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号