基于GNR先验的电力设备热成像超分辨率方法

电力设备红外图像在电力设备状态监测、故障识别等方面发挥着重要作用。针对红外图像应用时存在的分辨率低,清晰度不足的问题,本文提出一种基于图像梯度范数比（Gradient Norm-ratio, GNR）先验约束的压缩感知电力设备红外图像超分辨率方法。通过分析电力设备红外图像在不同采样比时重建图像高频信息的变化规律,将GNR先验引入传统压缩感知超分辨率模型中。并针对改进后的模型设计了有效的求解算法,通过半二次分裂方法引入辅助变量,对不同变量交替迭代求解,实现红外图像超分辨率重建。仿真实验结果验证了GNR先验信息的引入,有利于超分辨率算法取得更好的重建效果。与现有经典超分辨率方法相比,本文方法重建图像无论在主观视觉效果还是客观评价指标上都有了较好的提升。     

基于主客观联合评价判据的红外超分辨率重建方法

在红外超分辨率成像应用中,提高主观视觉效果有着很现实的需求.当前基于深度学习的图像超分辨率重建方法大多以客观评价指标为损失函数进行训练和优化,主观评价方法因量化困难而难以应用,为此本文着重研究了主观评价和各种可量化的客观评价指标的相关性,发现相位一致性特征与主观评价结果关联度高.据此设计了基于主客观联合评价的损失函数,应用于红外图像超分辨率重建算法,实验表明,在保持客观质量评价的同时,更好地提高了图像的主观视觉效果.     

基于深度学习的红外夜视图像超分辨率重建

针对红外夜视图像对比度低、成像质量不高的问题,提出适合红外夜视图像超分辨率重建方法。在自然图像超分辨率重建模型的基础上增加基于Retinex的对比度增强预处理步骤,并对网络模型做如下改进:构建超深卷积神经网络学习低分辨率图像与高分辨率图像之间的映射关系,增大感受野,提升网络学习能力;仅学习高低分辨率图像间的差值信息加速网络收敛。针对高分辨率红外夜视图像不易获得,数据量较少的问题,利用迁移学习理论,使用少量的高分辨率红外夜视图像为目标样本,对自然图像超分辨率重建模型进行微调,得到适合红外夜视图像重建的网络权重模型。实验结果证明:使用该方法得到的红外夜视图像信息丰富,层次分明,具有良好的视觉效果。     

基于深度学习的红外图像超分辨率重建方法

为了提高红外图像的超分辨率重建效果,提出基于深度学习的红外图像超分辨率重建方法。利用红外图像的反射特性与红外辐射特性建立红外图像的显著性区域检测模型;通过可见光与近红外图像之间样貌差异度水平检测图像的边缘轮廓特征,提取可见光与近红外光融合性特征参数;根据融合层次不同对图像信号级、像素级、特征级、决策级四个维度进行重建,提取图像的边缘、形状、纹理特征;根据特征分布的噪声水平与配准质量,采用深度学习算法实现对红外图像超分辨率重建。仿真测试结果得出,该方法进行红外图像重建的显著性特征检测能力较强,重建后将图像分辨率提升到1 280×960 PPI,模板匹配准确率为49.4%,峰值信噪比PSNR值高于36.34 dB,结构相似度SSIM值高于0.972,重建效果较好,更适合用于特定场景下的红外图像目标特征识别。     

基于稀疏编码的红外显著区域超分重建算法

由于红外光学衍射限和红外探测器的局限,得到的红外图像噪声相对偏大,分辨率偏低。对红外图像进行超分辨率重建可以提高图像分辨率,但同时又会增强背景噪声。针对此问题,提出了基于稀疏编码的红外显著区域超分重建算法,将超分重建和显著度检测相结合,可以提高目标分辨率并降低背景噪声。首先采用双层卷积提取图像特征,并自适应选择图像信息熵较大的图像块用于训练联合字典。然后利用稀疏特征计算显著度获取显著区域,再将显著区域用训练好的字典进行超分辨重建,与目标无关的背景区域采用高斯滤波。实验结果显示改进的重建算法在同等条件下重建效果优于重建模型ScSR和SRCNN,图像信噪比提高3～4倍。     

基于自适应阈值HMRF的红外超分辨率重建

在MAP超分辨率重建算法中,相较于Gauss-MRF先验模型,Huber-MRF先验模型具有更好的保持图像边缘和细节的能力,然而对Huber边缘惩罚函数的阈值选取一直没有更好的方式.在考虑红外图像细节纹理信息的基础上,利用图像灰度共生矩阵,把阈值参数与图像细节纹理信息联系起来,实现对边缘惩罚函数阈值的自适应选取,完成超分辨率图像重建.仿真实验证明,该算法获取的高分辨率红外图像具有更高的信噪比,而且更有效地保持了图像的高频信息.     

基于二阶广义全变差的多帧图像超分辨率重建

图像超分辨率重建是图像处理领域的重要问题.本文将二阶广义全变差用于基于正则化的多帧图像超分辨率重建问题,构建了基于二阶广义全变差正则项的图像超分辨率模型.为了更好地保持重建图像的边缘和细节,采用图像空域自适应正则化参数,并针对该重建模型的非光滑性,给出了基于半二次正则化和交替方向法的求解算法.实验结果表明该模型和数值算法能够较好地提高图像的分辨率,同时可以较好地保持图像的细节信息.     

一种改进的POCS算法的超分辨率图像重建

图像超分辨率是指从一组模糊的低分辨率图像重建一帧清晰的高分辨率图像的过程.从经典的基于凸集投影POCS（projection onto convex set）的超分辨率图像重建算法出发,分析重建后高分辨率图像边缘模糊的成因,提出了一种基于保留边缘信息的POCS超分辨率图像重建算法.实验结果表明该方法能够明显地提高重建图像的质量.     

基于稀疏K-SVD的单幅图像超分辨率重建算法

图像的超分辨率重建技术可以提升图像质量,改善图像视觉效果,在现实中具有很高的实用价值。针对基于K-SVD的超分辨率重建算法的不足,本文提出一种基于稀疏K-SVD的单幅图像超分辨率重建算法。首先,采用稀疏K-SVD方法进行训练获得高低分辨率字典对,以待重建的低分辨率图像及其降采样作为字典训练的样本,提高了字典和待重建的低分辨率图像的相关性;然后,采用逐级放大的思想进行重建;最后,利用非局部均值的方法,进一步提高重建效果。实验表明,与基于K-SVD的超分辨率重建算法相比,本文算法重建图像的峰值信噪比平均提高了0.6dB左右。重建图像在视觉效果上,也有一定程度的提升。     

基于结构稀疏化的红外图像超分辨率重建算法

本文在稀疏编码的基础上,对红外图像特性进行分析,提出了一种基于结构稀疏化的红外图像超分辨率重建算法。该算法将稀疏作为先验知识,通过对稀疏进行结构化编组,学习字典中高能量的区域,通过纹理代价函数和结构代价函数来实现图像的超分辨率重建。实验结果表明,本文算法较传统的稀疏编码方法在PSNR方面提高4-5dB,重建后的图像更加清晰,背景层次感更强。     

红外图像超分辨率重建技术研究

利用图像超分辨率重建技术可以在不改进硬件的情况下提升现有成像系统的图像分辨率。为提升红外图像质量,提出了一种基于NSCT变换与自适应正则化重建相结合的图像超分辨率重建算法。算法充分考虑了实际红外图像中噪声特点,利用NSCT变换特点在尽可能减少图像信息损失的条件下,对加性噪声与乘性噪声采用不同策略进行了抑制,并对预处理后的红外图像序列进行自适应正则化重建。实验结果表明本算法处理后的红外图像在主观视觉效果与客观指标上较传统图像处理方法均有改善。     

基于随机森林的红外图像超分辨力算法

为提高低分辨力红外图像的分辨力,提出了一种红外图像超分辨力算法。该算法训练2个随机森林模型：红外图像训练第1个模型、配准的多传感器图像训练第2个模型。采用自适应边缘提取算法提取红外图像与可见光图像的边缘,计算输入的低分辨力红外图像块与对应的高分辨力可见光图像块之间的相关系数。根据相关性选择合适的重建模型,用选择的模型重建高分辨力红外图像块,并整合为高分辨力红外图像。实验结果表明,与超分辨力随机森林算法相比,算法重建的高分辨力红外图像具有更高的客观指标,峰值信噪比(PSNR)平均提升了0.09 dB,并且获得更为清晰的主观视觉效果,更接近原始图像。     

基于小波域的压缩感知超分辨率重建方法

为了提高超分辨率图像的重构效果,提出了一种基于小波域的压缩感知超分辨率重建方法.首先采用小波变换对低分辨率图像进行分解,得到低分辨率图像的低频子带与高频子带,然后采用压缩感知技术分别对低频子带和高频子带进行重建,并通过小波逆变换得到最终重建图像,最后在MATLAB 2012平台上进行仿真实验.结果表明,相对于其他图像重建方法,本文方法的重建图像视觉效果更加理想,不仅提高了低分辨率图像重建精度,而且提高了图像重建效率,可以满足图像处理的实时性、在线性要求.     

红外数字图像清晰化显示系统设计

针对海空背景红外图像对比度低,噪声干扰大的特点,提出了基于图像滤波、图像子区域增强及图像超分辨率重构方法等算法组合使用的方法,并改进了常用的色调映射算法,由此设计了红外图像清晰化显示系统,实验显示:该系统稳定可靠,明显改善红外图像的显示效果,实时性好(处理速度大于25 c/s),满足使用要求.     

基于迁移学习的红外图像超分辨率方法研究

针对红外图像空间分辨率低、成像质量不高的问题,提出了基于迁移学习的红外图像超分辨率方法。该方法以基于卷积神经网络的自然图像超分辨率方法为基础进行改进:增加网络的层数进行更深层次的学习训练,串联多层小的卷积核使其能够利用更多的图像信息,以“相差图”为目标进行训练,减小网络训练时间,提升网络收敛速度;利用迁移学习知识,再以少量高质量红外图像为目标样本,对自然图像超分辨率的网络进行二次训练,将网络权重经过微调后迁移应用到红外图像的超分辨率上。实验结果表明:基于卷积神经网络的超分辨率方法能够有效迁移应用到红外图像的超分辨率上,且改进后的网络具有更好的自然及红外图像的超分辨率性能,验证了本文所提方法的有效性及优越性。