基于自注意力深度网络的图像超分辨率重建方法

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。     

基于投影的单幅图像超分辨率重构算法

利用矩阵的Kronecker积,将现有的向量式成像模型转化为等价的矩阵式成像模型.基于新的矩阵式成像模型,提出了由高分辨图像构成的全空间到超分辨重构问题的解流形的投影算子,利用该算子可以直接得到超分辨重构结果.给出了理论分析.实验结果证实,所提算法能有效地改进超分辨率重构效果,对于标准Lenna图像,其峰值信噪比(PSNR)较双线性插值法和B-样条插值方法提高2.5dB以上,相对于其他算法也有不同程度的改进.     

基于卷积神经网络的光电导航图像超分辨率方法

本文设计了一种基于卷积神经网络的光电导航图像超分辨率系统,为飞机飞行或着陆、卫星图像提供可靠的导航信息。超清化的可见光图像能够为地面监控人员、飞行员或无人机提供可靠的图像信息。超清化方法可以降低导航系统对硬件设备、计算资源的要求,适用于普通民航客机与搭载低精度摄像头的小型无人机。本文以卷积神经网络作为框架,搭建接近实时计算的图像超分辨率模型。     

基于卷积神经网络的单帧毫米波图像超分辨算法

单帧毫米波图像超分辨处理就是利用一幅低分辨率的毫米波图像重建出高分辨率的毫米波图像的过程.相较于光学图像,毫米波图像空间分辨率低、受噪声污染严重.因此传统的图像超分辨算法无法在毫米波图像上取得良好的超分辨重建效果.针对毫米波图像固有的缺点,构建了一个四层的卷积神经网络对毫米波图像进行超分辨处理.仿真实验的结果表明,提出的算法对毫米波图像具有良好的超分辨重建效果.     

利用多尺度卷积神经网络的图像超分辨率算法

单幅图像超分辨率问题是典型的图像反问题。近年来深度学习广泛应用于图像超分辨率重建。为提高超分辨率算法的性能,本文利用多尺度和残差训练的思想,提出一种利用多尺度卷积神经网络的图像超分辨率算法。该算法采用多尺度的卷积核及收缩--扩展的网络结构来提取图像多尺度的信息,并在网络结构中使用跳跃连接,以便更好的传递信息并弥补由于使用下采样和上采样而造成的图像细节信息的损失,来提高图像的重建质量。通过与其它算法的对比实验表明了本文算法不仅可以取得更好的性能,并且训练的收敛速度较快。      

单帧图像超分辨率重建的深度神经网络综述

随着硬件计算能力的显著提升,深度神经网络广泛应用于计算机视觉和图像处理的各个领域,获得了突出成果,受这种方法启发,单帧图像超分辨率重建(Super-resolution Reconstruction, SR)也引入深度学习思想,并且重建效果远远超越传统算法,成为研究的热点并迅速成为主流技术。将对深度神经网络的单帧图像超分辨率重建技术分为两类(基于传统深度神经网络的单帧图像超分辨率重建和基于生成对抗网络的单帧图像超分辨率重建和)进行阐述,以此为基础,对单帧图像超分辨率技术的发展趋势进行展望。     

基于多特征门控反馈残差网络的超分辨率图像重建算法

针对超分辨率重建领域中低分辨率图像特征利用不充分的问题,文中基于反馈机制与注意力机制,提出了一种多特征门控反馈残差网络。该网络模型结构简单,以循环的方式实现了网络参数复用,可以有效地节省计算资源。此外,对网络迭代中的输出特征进行保留也可实现多特征融合。采用进一步的特征精炼模块将重建后的高分辨率图像特征进行特征提取,得到了更好的重建效果。在5种测试数据集上的实验结果表明,当缩放因子为4时,该网络的峰值信噪比分别为32.50 dB、28.83 dB、27.75 dB、26.65 dB和31.12 dB。与对比网络相比,文中所提算法的测试结果显著提升。     

基于MG-CG算法的图像超分辨率重建

提出一种基于多重网格(MG)和共扼梯度(CG)算法相结合的图像超分辨率重建快速算法.首先采用Tikhonov正则化方法给出图像超分辨率重建模型;然后在系统介绍MG和CG算法的基础上,针对超分辨率重建中常见对称正定稀疏线性方程的求解,提出多重网格-共扼梯度(MG-CG)算法;详细讨论了MG-CG算法的光滑、限制、插值操作以及计算复杂度.实验结果表明该算法与MG、CG和Richardson迭代算法相比,具有更快的收敛速度.     

基于多引导滤波器的单幅图像超分辨率技术

提出了一种基于多引导滤波器的单幅图像超分辨率方法.首先,该方法通过大量的自然图像建立高低分辨率图像块样本训练库,并通过聚类算法将具有相似性质的高低分辨率样本块进行聚类;其次,将输入低分辨率图像进行重叠分块,并在样本库中搜索最近邻的高低分辨率样本聚类;再次,将输入低分辨率图像块作为输入图像,与样本库中最近邻的低分辨率聚类样本作为引导图像,运用本文提出的多引导滤波器计算引导滤波器的参数;最后,利用样本库中最近邻的高分辨率聚类样本和引导滤波器的参数,通过多引导滤波器就可以重构高分辨率图像.实验结果表明,本文算法不仅能很好地重构图像的高频细节,还能很好地恢复图像的纹理特征.     

基于DSP系统的超分辨率图像重建技术研究

由于航空光电设备造价与体积等的限制,需要在不改变航空光电设备硬件结构的前提下,获取尽可能清晰的图像或视频。文章提出了基于DSP图像处理系统的超分辨率重建方法,首先利用Fourier-Mellin变换法和Keren算法的联合优化算法进行运动估计;然后利用基于边缘保持的凸集投影简化方法进行超分辨率重建;最终结合DM642的特征,在不降低精度的前提下,对算法进行优化实现。该方法在不增加系统结构体积和成本的前提下,有效地提高了成像系统的分辨力,进而提高系统的目标识别能力。在以DM642为核心嵌入式图像处理平台中实现超分辨率重建实验,所采用的相机分辨率为720×576,整个重建的时间由传统的几分钟甚至几十分钟下降至20s左右。实验结果表明,用本文方法重建出的图像细节明显比单帧插值的图像清晰,图像的平均梯度和信息熵有了明显提高。     

基于改进K-SVD字典学习的超分辨率图像重构

 针对已有算法中字典训练的时间消耗巨大的问题,提出了一种改进的基于字典学习的超分辨率图像重构算法.本文将K-SVD字典算法和高低分辨率联合生成的思想结合起来,形成新的字典训练方法,并将由该算法生成的高低分辨率字典应用于基于稀疏表示的超分辨率重构.重构仿真实验证明算法不仅有效降低了字典训练所消耗的时间,而且能够改善重构高分辨图像的质量.     

一种基于小波-神经网络的模拟电路故障诊断方法

小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点。结合两者的特点,提出了一种基于小波与神经网络的模拟电路故障诊断方法,该方法用小波变换对电路响应信号进行特征提取,从而简化神经网络的结构,降低计算的复杂度,加快了训练速度。对实例仿真表明,该法能有效地对模拟电路进行故障诊断。     

基于多尺度特征残差学习卷积神经网络的视频超分辨率方法

本文提出了一种基于多尺度特征残差学习卷积神经网络的视频超分辨率方法,考虑到视频帧间的时空相关性,所提的方法采用由双三次插值预处理后的连续五帧视频作为卷积神经网络的输入,经由网络重建中间帧作为输出,依次按顺序重建直至获得整个高分辨率视频。本文所提出的卷积神经网络主要由多尺度特征提取、残差学习、亚像素卷积层、残差连接(skip-connection)四大部分组成,通过对视频的多尺度特征的提取获得更丰富的不同尺度特征和残差学习达到较好地恢复高频信息的目的。本文采用峰值信噪比（PSNR）和结构相似性指数（SSIM）作为损失函数优化网络。实验结果表明,本方法在平均评价指标上较其他方法均有一定的提升（PSNR +3.151dB,SSIM +0.102）,从主观评价上看可以有效地减少视频边缘模糊的现象。      

基于改进增强型超分辨率生成对抗网络的图像超分辨率重建算法

针对现有的图像超分辨率重建算法仍存在细节上处理不足的问题,提出一种基于改进增强型超分辨率生成对抗网络(ESRGAN)的图像超分辨率重建算法.首先,使用多尺度密集连接模块(MDB)代替密集连接模块(DB),并且在MDB后添加通道注意力机制,以调整不同通道的特征响应值,从而改进了ESRGAN的生成网络模型中的深层信息提取模...     

An Image Mosaic Method Based on Convolutional Neural Network Semantic Features Extraction

Journal of Signal Processing Systems - Since traditional image feature extraction methods rely on features such as corner points, a new method based on semantic feature extraction is proposed...     

基于平稳小波变换的图像去噪方法

针对传统正交小波变换在图像去噪时存在的边缘失真,提出了一种基于平稳小波变换的图像去噪方法.使用系数关联法将图像小波分解后的高频分量像素标记为噪声和边缘,如果小波系数被标记为边缘,则保持其系数不变,否则采用基于邻域的方法进行系数收缩.当噪声方差较大时,收缩后最小尺度的高频分量中会存在一些孤立的亮点或暗点,借助次大尺度高频分量将其去除,对处理后的小波系数进行平稳小波反变换得到去噪图像.实验结果表明,本文方法能够在去除噪声的同时较好地保持图像的边缘,是一种有效的图像去噪方法.     

一种基于小波变换的图像消噪算法

该文在自适应树小波萎缩法的基础上,结合小波系数的零树编码思想和小波变换的信噪分离特性给出了一种新的小波消噪算法。该算法不仅减少了运算量,而且在消噪和保留奇异点信息方面也取得了较好的效果。     

基于神经网络算法的字符识别方法研究

为了提高字符识别的成功率,阐述了在模式识别中的一种基于误差反向传播的人工神经网络算(BP神经网络算法)的应用,实现基于神经网络算法的车牌字符识别和结果显示,实验结果说明,保持一定数量以上的训练样本和训练次数,本方法可提高车牌字符识别的正确率和抗干扰能力.     

基于神经网络的少数投影CT图像重建算法

基于连续型 Hopfield神经网络 (HNN)提出了一种新的少数投影 CT图像重建算法。首先将图像重建问题转化为最大熵准则下的优化问题 ,然后构造相应的连续型 HNN模型 ,网络的稳定解就是重建问题的优化解。数值模拟结果表明 ,与联合代数重建技术 (SART)相比 ,利用从投影角间距为 4 5°的 4个不同的投影视角方向获取的投影数据 ,该算法具有较高的重建精度和良好的抗噪声性能。     

基于结构照明的超分辨荧光显微成像重建算法

由于具有低光毒性、高速宽视场以及多通道三维超分辨成像能力,超分辨结构照明显微术(SR-SIM)特别适合用于活细胞中动态精细结构的实时检测研究。超分辨结构照明显微图像重建算法(SIM-RA)对SR-SIM的成像质量具有决定性影响。本文首先简要介绍了超分辨显微术的发展现状,阐述了研究SR-SIM图像重建算法的必要性;然后介绍了SR-SIM的成像原理,并重点介绍了SR-SIM图像重建算法,包括SR-SIM中频繁使用的去卷积重建算法、SR-SIM校准与重建过程中参数值获取的算法,以及目前发展的超分辨结构照明显微图像重建算法,并介绍了SR-SIM工具箱;最后总结了当前发展超分辨结构照明显微图像重建算法需解决的5个问题。