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.  

一种基于形态成分分析的唐卡图像修复算法

基于形态成分分析的图像修复算法,通过增加全变分的方式,使得有毛糙边缘的分段光滑图像恢复效果较好,但易产生阶梯效应。针对该问题,将p-Laplace算子引入到基于形态成分分析的图像修复算法中,既保证图像在边缘的良好扩散能力,又避免在图像平滑区易产生虚假边缘的缺陷,同时对噪声有更好的抑制作用。实验结果表明,该算法对于唐卡图像中出现的折痕或划痕、斑块状破损有较好的修复能力。  

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。