基于训练集分层和图像区域分类的邻域嵌入超分辨率重建

在基于邻域嵌入的图像超分辨率重建中,本文提出了一种对训练集进行分层的方法,可有效解决待重建图像块在训练集中搜索时间过长问题。该方法无需太在意训练集大小,即使训练集建得很大,而重建搜索时间也不长。同时本文对待重建的图像区域加以分类,对于平坦区域选择一般的双立方插值的重建方法,对于含有丰富细节的区域则采用邻域嵌入的重建方法。最后对重建图像进行IBP全局后处理,进一步提高图像质量。实验结果表明,利用本文方法重建的图像主观和客观质量都有较大的提高,且重建时间可以大大缩短。     

基于训练集分层的图像超分辨率重建

在基于邻域嵌入的图像超分辨率重建中,提出了一种对训练集进行分层的方法,可有效解决待重建图像块在训练集中搜索时间过长问题.同时对待重建的图像区域加以分类,对于平坦区域选择一般的双立方插值的重建方法,对于含有丰富细节的区域则采用邻域嵌入的重建方法.最后对重建图像进行IBP全局后处理,进一步提高图像质量.实验结果表明,利用本文方法重建的图像主观和客观质量都有较大的提高,且重建时间可以大大缩短.     

基于图像块分类稀疏表示的超分辨率重构算法

 目前基于图像块稀疏表示的超分辨率重构算法对所有图像块都用同一字典表示,不能反映不同类型图像块间的差别.针对这一缺点,本文提出基于图像块分类稀疏表示的方法.该方法先利用图像局部特征将图像块分为平滑、边缘和不规则结构三种类型,其中边缘块细分为多个方向.然后利用稀疏表示方法对边缘和不规则结构块分别训练各自对应的低分辨率和高分辨率字典.重构时对平滑块利用简单双三次插值方法,边缘和不规则结构块由其对应的高、低分辨率字典通过正交匹配追踪算法重构.实验结果表明,与单字典稀疏表示算法相比,本文算法对图像边缘部分重构质量明显改善,同时重构速度显著提高.     

基于2D-PCA特征描述的非负权重邻域嵌入人脸超分辨率重建算法

在基于邻域嵌入人脸图像的超分辨率重建算法中,训练和重建均在特征空间进行,因此,特征选择对算法性能具有较大影响。另外,算法模型对重建权重未加限定,导致负数权重出现而产生过拟合效应,使得重建人脸图像质量衰退。考虑到人脸图像的特征选择以及权重符号限定的重要作用,该文提出一种基于2维主成分分析(2D- PCA)特征描述的非负权重邻域嵌入人脸超分辨率重建算法。首先将人脸图像分成若干子块,利用K均值聚类获得图像子块的局部视觉基元,并利用得到的局部视觉基元对图像子块分类。然后,利用2D-PCA对每一类人脸图像子块提取特征,并建立高、低分辨率样本库。最后,在重建过程中使用新的非负权重求解方法求取权重。仿真实验结果表明,相比其他基于邻域嵌入人脸超分辨率重建方法,所提算法可有效提高权重的稳定性,减少过拟合效应,其重建人脸图像具有较好的主客观质量。     

自适应邻域选取的邻域嵌入超分辨率重建算法

在邻域嵌入超分辨率重建算法中,训练和重建过程均在特征空间进行的,因此,特征选择对算法的性能具有较大的影响。另外,大多数基于邻域嵌入算法对训练得到的样本库未经测试直接使用,使得邻域选择具有“盲目”性。考虑到特征选择的重要性以及避免邻域选择的盲目性,本文提出了一种新的邻域嵌入超分辨率重建算法。第一步:利用专家矢量场模型估计出输入图像的全局图像;第二步:利用邻域嵌入算法重建残差图像。在重建残差图像的过程中,首先将图像分成若干子块并利用线性滤波器提取特征;然后,将训练图像分成两组,第一组训练得到高、低分辨率重建样本库,第二组对重建样本库测试,得到邻域选择库;最后,自适应的选择输入图像子块的邻域数目,并利用重建样本库重建。仿真实验结果表明,相比其他基于邻域嵌入算法,提出算法可以重建更多的细节信息和锐利的边缘,重建得到的高分辨率图像具有较高的主客观质量。      

基于OMP算法的可见光图像超分辨率重构方法

为了提高可见光图像的识别和检测能力,提出基于OMP算法的可见光图像超分辨率重构方法。建立可见光图像的视觉信息采集模型,采用空间锚点邻域特征匹配方法进行的可见光图像超分辨特征分解,提取可见光图像边缘轮廓特征量,结合残差特征估计高分辨率图像特征融合和优化分割,建立可见光图像的超分辨率重建特征分布集,采用边缘信息空间区域融合方法进行可见光图像的像素信息融合和优化特征重组,提取可见光图像的模糊度特征分布集,结合OMP算法实现可见光图像超分辨率重构。仿真结果表明,采用该方法进行可见光图像超分辨率重构的特征分辨能力较高,提高了可见光图像重构的输出峰值信噪比,且输出信噪比最高可达到61. 2。     

基于图像重构特征融合的高光谱图像分类方法

针对传统的高光谱遥感图像分类方法未能充分利用空间信息,提出一种基于高光谱图像重构特征融合的分类方法。该方法首先将图像的每个像素点进行LBP(Local Binary Patterns)特征提取,得到每个像素点的LBP特征值;其次提取出每个像素点的空间邻域块,按照图像已知的标签信息去除每个空间邻域块中冗余的背景像素点,得到新的空间邻域块,利用光谱距离得到每个像素点的权重值并计算重构特征值;然后,将像素点的LBP特征值和重构特征值进行叠加融合,获得重构特征融合值;最后,采用K最近邻分类器将像素点进行分类,根据测试样本点和训练样本点的欧氏距离判断测试样本点的类别。在Indian Pines和Pavia University数据集上进行实验。实验结果表明,所提方法的分类精度分别达到99.06%和99.73%。     

局部线性嵌入的快速单幅图像超分辨率技术

图像超分辨率的目的是在给定低分辨率图像的基础上产生超分辨率图像。单幅图像超分辨率是个病态和欠定的问题,需要通过样本学习和图像先验约束来重构图像丢失的高频细节。本文提出了一种基于局部线性嵌入的快速单幅图像超分辨率技术。首先,该方法利用大量的自然图像建立高低分辨率图像块样本训练库;其次,运用聚类算法将具有相似性质的高低分辨率样本块进行聚类;再次,基于局部线性嵌入技术,通过样本训练来学习低分辨率图像与高分辨率图像之间的映射函数;最后,用过映射函数来重构高分辨率图像。实验结果表明,本文算法不仅能高质量重构高分辨图像,而且快速高效。     

一种优化的人脸图像超分辨率算法

针对传统超分辨率算法存在的局部失真和块效应问题提出了一种改进的算法。算法以马尔科夫模型为基础,在满足图像重构的约束条件下,利用非线性局部搜索技术找到训练集中的最优分块,通过水平相容性检查来实现匹配块间的兼容性。基于Sigmoid函数进行加权处理,提高了匹配的精度。实验结果表明,该算法在获取HR图像的过程中能有效地抑制块效应和局部失真现象的出现,改善了超分辨率图像的质量,与传统算法相比,该算法的鲁棒性较强。     

基于自类推与NSCT的单幅图像超分辨率技术

在很多实际应用中很难获得适当的图像训练集,但是单幅图像放大却是一个病态问题。利用图像局部结构的自相似性和可传递性,结合非下采样Contourlet变换(NSCT)的优点,提出一种基于自类推与NSCT的单幅图像超分辨率重建(SRR)方法。采用NSCT对源图像和退化图像进行多尺度、多方向分解,得到用于学习的各带通方向子带对,利用图像自类推技术生成高分辨率的各带通方向子带,与立方插值放大后的源图像进行NSCT重构得到超分辨率重建图像。实验结果表明,该方法可以独立进行,摆脱一般方法对训练结合的依赖,能产生更为合理的细节,视觉边缘更清晰,图像更逼真。     

相似图像块逼近的人脸超分重建残差补偿框架

为了提高人脸图像超分辨率重建算法中残差补偿步骤的效果,提出一种通用的基于内容相似图像块线性组合逼近的残差补偿框架,不经过搜索步骤,使用训练集人脸图像同一内容的图像块来进行运算。所提框架中的全局重建步骤,可以使用不同的重建方法。实验结果表明,在这种框架下的残差补偿方法,相比经典的邻域嵌入残差补偿方法,可以更好地恢复出初步重建的人脸图像细节信息。因为这是一种通用的残差补偿方法,从而可以推测凡使用邻域残差补偿的算法,均可借助本算法框架将重建结果进一步的提升。     

Single-Image Super-Resolution Reconstruction via Learned Geometric Dictionaries and Clustered Sparse Coding

Recently, single image super-resolution reconstruction (SISR) via sparse coding has attracted increasing interest. In this paper, we proposed a multiple-geometric-dictionaries-based clustered sparse coding scheme for SISR. Firstly, a large number of high-resolution (HR) image patches are randomly extracted from a set of example training images and clustered into several groups of "geometric patches," from which the corresponding "geometric dictionaries" are learned to further sparsely code each local patch in a low-resolution image. A clustering aggregation is performed on the HR patches recovered by different dictionaries, followed by a subsequent patch aggregation to estimate the HR image. Considering that there are often many repetitive image structures in an image, we add a self-similarity constraint on the recovered image in patch aggregation to reveal new features and details. Finally, the HR residual image is estimated by the proposed recovery method and compensated to better preserve the subtle details of the images. Some experiments test the proposed method on natural images, and the results show that the proposed method outperforms its counterparts in both visual fidelity and numerical measures.     

基于自适应字典稀疏表示的超分辨率算法

基于学习的超分辨率算法通过一组训练样例来学习一个字典,并从该字典中合成低分辨率图像中丢失的高频信息,最终得到相应的高分辨率图像。介绍了几种常用的基于学习的超分辨率算法,并提出了一种新的算法:基于自适应字典稀疏表示的超分辨率算法。实验结果表明,该方法在主观与客观上均具有较好的重建效果。     

基于Log-WT的人脸图像超分辨率重建

目前已有的基于学习的人脸超分辨率图像重建算法大都对亮度变化特别是阴影非常敏感,针对这一缺点,该文提出了一种不随光照变化的图像表示方法对数-小波变换(Log-WT),并在此基础上构造了一种新的人脸超分辨率图像重建算法。该方法首先利用Log-WT变换提取低分辨率图像与光照无关的内在特性,然后借助流形学习的思想建模高分辨率图像和低分辨率图像之间的关系,并对其加入人脸图像的专用先验约束,从而同时实现了超分辨率重建和图像增强。仿真结果表明该算法有效克服了传统方法受光照因素影响的缺点,在提高图像分辨率的同时克服了光照因素的影响,特别是对阴影效应的消除具有明显效果,将该方法应用于人脸识别,有效提高了识别率。     

Text-image super-resolution through anchored neighborhood regression with multiple class-specific dictionaries

In the dictionary-based image super-resolution (SR) methods, the resolution of the input image is enhanced using a dictionary of low-resolution (LR) and high-resolution (HR) image patches. Typically, a single dictionary is learned from all the patches in the training set. Then, the input LR patch is super-resolved using its nearest LR patches and their corresponding HR patches in the dictionary. In this paper, we propose a text-image SR method using multiple class-specific dictionaries. Each dictionary is learned from the patches of images of a specific character in the training set. The input LR image is segmented into text lines and characters, and the characters are preliminarily classified. Likewise, overlapping patches are extracted from the input LR image. Then, each patch is super-resolved through the anchored neighborhood regression, using n class-specific dictionaries corresponding to the top-n classification results of the character containing the patch. The final HR image is generated by aggregating all the super-resolved patches. Our method achieves significant improvements in visual image quality and OCR accuracy, compared to the related dictionary-based SR methods. This confirms the effectiveness of applying the preliminary character classification results and multiple class-specific dictionaries in text-image SR.     

自适应稀疏约束图像超分辨力重建方法

简要介绍了基于稀疏字典约束的超分辨力重建算法,提出了具有低复杂度的基于K均值聚类的自适应稀疏约束图像超分辨力重建算法。所提算法从两个方面降低其计算复杂度:分类训练字典,对图像块归类重建,降低每个图像块所用字典的大小;对图像块的特征进行分析,自适应地选择重建方法。实验结果表明,提出的快速重建方法在重建质量与原算法相当的前提下,可以较大程度地降低重建时间。     

基于压缩感知的月球探测器着陆图像超分辨重建

嫦娥工程二期的任务要求中,嫦娥3号的安全降落是最为关键的任务。因此,提出了一种基于压缩感知的超分辨率图像重建方法,根据经过模糊处理并加入噪声的低分辨率图像重建原始的高分辨率图像,实现了月球探测器着陆图像的超分辨率重建。算法采用局部Sparse-Land模型,从美国阿波罗计划获取的月球影像、嫦娥1、2号卫星影像和嫦娥工程二期试验中获取的月球探测器图像中提取了大量训练图块,采用K-SVD算法完成了高、低分辨率过完备字典Al和Ah的学习,通过求解优化问题,获得待处理低分辨率图块的稀疏表示,并将表示系数用于Ah以生成对应的高分辨率图块。最后,运用最小二乘算法,得到满足重构约束的高分辨率图像。实验验证了算法的有效性,表明其在视觉效果及PSNR指标上均优于插值方法和Yang的方法。     

密集残差网络红外图像超分辨率重构

单幅红外图像超分辨率重构算法作为红外图像分辨率提升应用的关键技术,近年来得到了广泛的研究。为了提高红外图像的分辨力,提出了一种基于残差密集对抗式生成网络的单幅红外图像分辨力提升方法。与以往基于对抗式生成网络的分辨力提升方法不同,本文方法的新颖性主要包含两个方面。首先,在网络架构方面进行改进,以提高性能。设计密集残差网络作为对抗式生成网络的生成网络,充分利用了低分辨率图像的有效特征。在生成网络中引入了一种连续内存机制,以利用密集的剩余块。其次,将Wasserstein-GAN作为损失函数,对判别网络模型进行修正,以达到稳定训练的目的。利用红外高分辨率图像数据集进行了大量的实验,结果表明,该方法在客观评价和主观评价方面均优于目前最新的方法。