优化的AdaBoost回归图像超分辨方法

实例回归是一种简单但有效的超分辨重建方法。然而,简单线性回归器不仅不能很好地表征低分辨与高分辨图像之间复杂的非线性关系,同时,在字典和回归器规模较大的情况下,存在内存占用过高的现象,限制了该类方法在内存受限情况下的适用性。针对这些问题,提出了一种自适应特征增强的实例回归超分辨率重建优化方法。该方法利用[K]-SVD字典学习算法从训练集中学习一个稀疏字典作为锚点;利用锚点邻域回归通过[T]次自适应增强算法得到一组强回归器;将得到强回归器进行优化编码,得到一组回归基和其相应的编码系数用于超分辨重建。为验证提出算法的有效性,分别与其他主流方法在四个公共标准数据集上进行超分辨对比实验。实验结果表明,提出的方法在客观质量和视觉质量评价两个方面上均取得了较好的重建质量,具有较好的重建性能和较低的内存占用。     

超分辨图像质量评价综述

全面综述了超分辨图像质量评价的研究进展。超分辨图像质量评价是以人眼的主观质量评价结果为依据,利用算法模型对重建的超分辨图像进行评价。该评价方法对超分辨重建算法的优化和模型参数的选择具有重要的指导意义。首先对超分辨图像的主观评价方法进行阐述;其次对现有超分辨图像客观评价方法按照全参考型、部分参考型和无参考型进行了分类阐述,特别详细介绍了几种具有代表性的无参考质量评价的主要思想;接着从定量和定性两方面分别介绍了评价超分辨图像质量评价方法有效性的指标,并对评价算法的主要实验方法进行了简要阐述;最后对超分辨图像质量评价方法未来的发展趋势进行了展望。     

基于可控高斯核的色织物疵点检测方法

针对复杂色织物背景与疵点对比度不明显而导致疵点难以检测的问题,提出了一种基于局部可控高斯核的织物疵点检测方法。该方法将输入的RGB色织物图像转换到CIEL*a*b颜色空间,分别在L、A和B颜色通道下,提取各个通道下的图像梯度特征进行奇异值分解,以构造具有结构自适应的调制因子。利用获得的调制因子调制高斯核函数的形状和大小,提取每个像素局部邻域内的可控高斯核特征构成特征矩阵,以表征色织物图像的局部结构。利用矩阵余弦相似性度量核特征矩阵之间的相似性,建立织物疵点的映射图。实验结果表明,提出的疵点检测方法能有效表征色织物的奇异性结构,相比于其他方法,该方法对不同纹理类型的色织物疵点具有较好的检测性能。     

基于学习的图像超分辨重建方法综述

全面综述了基于学习的单帧图像超分辨重建技术的研究与发展。基于学习的单帧图像超分辨重建借助机器学习技术,通过学习低分辨与高分辨图像之间的映射关系估计低分辨图像中丢失的高频细节,以获得边缘清晰、纹理细节丰富的高质量图像。根据超分辨重建过程中实例样本使用方式和学习算法的不同,已有基于学习的超分辨重建方法可分为五种类型,包括基于[k]近邻学习的方法、基于流形学习的方法、基于字典学习的方法、基于实例多线性回归的方法和基于深度学习的方法。对每类方法的主要思想和具有代表性的方法进行了详细介绍,对六种具有代表性的基于学习的超分辨重建方法的重建结果进行了比较和分析。最后,对基于学习的超分辨重建技术的未来发展趋势进行了展望。