基于卷积神经网络和PCA的低分辨率人脸识别

针对真实场景下采集的人脸图像受环境、设备影响导致分辨率低且图像识别率较低的问题,应用深度学习技术,提出一种基于卷积神经网络(CNN)和主成分分析(PCA)的低分辨率人脸识别算法.首先利用图像超分辨率重构将低分辨率图像重建为高分辨率图像;其次利用CNN提取重建后人脸图像特征,对损失函数进行优化;再利用PCA对特征进行降维,得到更优的分类特征;最后利用支持向量机(SVM)、向量间距离等算法筛选出最优人脸分类并计算准确率.实验表明,该算法在LFW和FERET上均取得更好的识别效果,当人脸图像分辨率下降到8×8时,准确率仍能到达94.5％,优于其他算法并且降低了运算时间.     

超分辨率图像重构分层迭代ICA算法研究

分析了超分辨率图像重构的数学模型,指出了超分辨率图像重构的关键问题,提出了用分层迭代ICA算法(HI-ICA)解决面向序列数据的超分辨率图像三维重构的新方法,并用Matlab软件进行了数值仿真实验.结果表明,这种方法对超分辨率图像重构精度的提高有一定的理论和应用价值.     

核偏最小二乘算法的图像超分辨率算法

提出了基于核偏最小二乘算法(KPLS)回归的超分辨率复原算法.该算法首先将高低分辨率图像块的高频信息和中频信息作为建立回归关系的特征,并对图像进行分块;依据相应的高低分辨率图像块的关系,使用KPLS建立起回归模型;在复原时,依据该模型回归得到高分辨率的图像块,将图像块拼接为高分辨率的图像.通过对人脸图像和车牌图像的实验...     

一种基于核主成分分析的图像超分辨率算法

测试样本和训练样本集的匹配是基于学习的超分辨率算法中关键问题之一。本文方法通过将低分辨率的观察样本映射到高维的核空间中,实现测试样本和训练样本集的准确匹配,避免了基于学习的超分辨率算法中错误匹配问题,提高生成图像的质量。该算法包括:测试样本对训练样本集进行核主成分分析(kernel principal components analysis, KPCA); 利用距离约束算法得到在输入空间中的原像;最后将新生成的图像块进行重组,得到高分辨率的图像。在USPS数据集上进行的实验验证和对比分析表明：基于KPCA的图像超分辨率方法能够取得较好的超分辨率效果。     

基于残差连接卷积神经网络的图像超分辨率重构

针对基于卷积神经网络超分辨率重构算法中存在的感受野较小、梯度信息易丢失与网络收敛较慢等问题,提出了基于残差连接卷积神经网络的图像超分辨率重构算法。通过在低分辨率空间进行图像的超分辨率重构,减少了图像预处理过程,降低了网络复杂度。利用局部和全局残差连接,对卷积网络结构和亚像素采样层进行改进,局部残差促进了网络中信息的流动,全局残差使网络只学习图像残差信息,减少了网络冗余。通过增加网络深度扩大了感受野,使网络学习到更多的重建信息。实验结果表明:本文算法的PSNR和SSIM值相较于其他算法有不同程度的提升。     

超分辨率重建的微小人脸识别算法

针对低分辨率下小尺度人脸图像缺失有效身份信息导致的识别率低的问题,提出了超分辨率重建的微小人脸识别算法。该算法首先将采集到的低分辨率人脸图像进行超分辨率重建,并采用细节增强的方法,以恢复图像的面部轮廓信息与纹理细节等高频信息,再通过一个改进的密集连接网络做特征提取,进行图像识别。实验结果表明,该方法对于小尺度的人脸图像,在图像识别率上优于其它人脸识别算法,能够有效解决现实环境中微小人脸识别率低的问题。     

引入细节约束因子的半耦合字典学习超分辨率重构模型

为了提升单幅图像的超分辨率重构细节,提出了一种基于细节保持的超分辨率重构方法.针对半耦合字典学习超分辨率算法细节保持不够高的缺陷,采用细节约束因子与半耦合字典交替学习策略.在重构阶段,利用图像水平方向与垂直方向的梯度构建细节约束因子,并引入到半耦合字典学习框架,进一步提高重构精度.为了改进细节约束因子在重构过程中的贡献...     

三维动态人脸图像的高精度填充重构算法设计

现有的图像重构算法未进行立体匹配处理,导致重构的图像与原图像相比在细节方面差距较大,甚至出现失真.为此,进行了三维动态人脸图像的高精度填充重构算法设计.采集二维人脸图像,进行相机标定、图像灰度化、图像滤波等预处理;利用算子提取人脸图像特征点并根据特征点分布进行立体匹配;对立体匹配后的特征点进行划分,得到人脸特征网格组成的三维模型;将二维图像中的纹理映射到三维模型上,实现三维重构.结果表明:所设计的算法减少了重构图像与原图像在细节上的差距,解决了重构图像的失真问题.     

方向字典子图的初始邻域嵌入重构

邻域嵌入超分辨率重构算法在空间邻域选取过程中,细节特征易被大幅度特征分量淹没,为此,提出了基于方向字典子图的初始邻域嵌入重构算法.对输入图像及邻域利用方向字典进行稀疏分解,从大、小幅值表示系数中分别重构大、小幅度特征子图,保护邻域计算中的小幅度特征;同时,为降低多子图重构的运算量,通过随机森林机制,将输入图像在分类树森林中对应叶子节点图像子库的并集作为初始邻域,减小实际参与运算的图像库大小.实验结果表明,相对于邻域嵌入超分辨率算法,基于方向字典子图的初始邻域嵌入重构的峰值信噪比值平均提升了1.0959 dB,有效改善了重构效果;重构时间仅为邻域嵌入超分辨率的13.3%,降低了重构复杂度.     

人脸超分辨率网络(FSRNet)的改进

人脸超分辨网络(FSRNet)使用人脸几何先验信息优化人脸超分辨率,可以从低分辨率人脸图像生成逼真的高分辨率人脸图像,但FSRNet生成的超分辨率图像存在伪影.对其关键模块进行了改进,并引入了新的损失函数.直接输入16×16像素的低分辨率图像,最后使用转置卷积函数放大图像,降低了计算复杂度,提升了粗略超分辨网络的性能....     

基于理想采样的快速超分辨算法

在很多的实际应用中,需要由多帧低分辨率图象重建高分辨图象．为此,提出了一种新的基于理想采样的快速超分辨处理的方法：通过对用理想采样后低分辨率图象和高分辨率图象之间的对应关系,并结合低分辨率图象之间的位移关系,重建高分辨率图象．仿真试验表明,该算法提高分辨率的效果明显,其峰值信噪较传统的插值方法提高了十几个dB．     

一种基于P-M扩散的超分辨图像重建方法

为了用一组低质量、低分辨率图像来产生高质量、高分辨率图像,提出了一种基于Perona-Malik(P-M)扩散的超分辨率图像重建方法。首先分析了lp范数的稳健性以及P-M扩散保持图像纹理和边缘的特点;将两者相结合,并加入了抑制图像明亮特征的调整项;最后给出了迭代格式进行迭代求解。实验结果表明,本文方法的峰值信噪比(PSNR)平均提高了0.85 dB,图像质量也得到了提高。     

基于非局部均值的单帧图像超分辨率重建算法

为了解决单帧低分辨率图像获得高分辨率图像的问题,提出了一种基于非局部均值滤波的单帧图像超分辨率算法,将图像超分辨率重建视为反问题,建立正则化模型,充分考虑图像的局部结构信息和自然图像中不同尺度的相似性冗余,加入非局部滤波.实验结果表明,文中算法从单帧图像重建的图像边缘轮廓和纹理较传统算法清楚,有效抑制了人工伪影,同时对噪声具有鲁棒性.在视觉效果及峰值信噪比上都取得良好的结果.     

基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建

高分辨率磁共振图像对于医学诊断具有重要意义,本文提出一种多分辨率学习卷积神经网络,并应用于磁共振图像超分辨率。网络是一种新型深度残差网络,包含用于特征提取的残差单元、多分辨率上采样的反卷积层以及多分辨率学习层。设计的网络在低分辨率图像空间中实现图像超分辨率,采用多分辨率上采样实现多个残差单元信息融合并加速网络,多分辨率学习能够自适应地确定各分辨率上采样的高维特征图对磁共振图像超分辨重建的贡献度。实验表明,论文提出的方法能够很好地超分辨率重建磁共振图像,优于最新的深度学习方法。     

结合注意力机制的人脸超分辨率重建

因受成像设备限制,得到的人脸图像分辨率通常较低,针对此问题提出了一种将生成对抗网络和注意力机制相结合的方法,来对人脸图像进行多尺度超分辨率重建。将深度残差网络和深度神经网络分别作为生成器和判别器,并将注意力模块与深度残差网络中的残差块相结合,重建出与高分辨率图像高度相似且难以被判别器区分的超分辨率人脸图像。实验结果证明,所提出的方法能够有效地提升人脸图像的分辨率,同时也证明了注意力机制在图像细节信息重建中的重要作用。     

基于双路径残差网络的虹膜图像超分辨率重建

低分辨率虹膜图像所含有效信息较少,实际应用到虹膜识别中会影响识别精度,而图像超分辨率重建技术能够有效解决这一问题。针对虹膜图像的结构和纹理差异,提出了适用于虹膜图像超分辨率的双路径网络结构,设计了双支路残差密集块提取深层虹膜特征,并采用后置放大策略重建图像。针对CASIA-IrisV4虹膜图像库进行了实验,并与主流重建算法进行了比较,发现重建的图像结构清晰,纹理细节丰富。虹膜匹配实验结果表明,该算法的等错误率均为最优,重建图像具有良好的识别效果。     

Multi-channel fast super-resolution image reconstruction based on matrix observation model

A multi-channel fast super-resolution image reconstruction algorithm based on matrix observation model is proposed in the paper,which consists of three steps to avoid the computational complexity: a single image SR reconstruction step,a registration step and a wavelet-based image fusion. This algorithm decomposes two large matrixes to the tensor product of two little matrixes and uses the natural isomorphism between matrix space and vector space to transform cost function based on matrix-vector products model to matrix form. Furthermore,we prove that the regularization part can be transformed to the matrix formed. The conjugate-gradient method is used to solve this new model. Finally,the wavelet fusion is used to integrate all the registered highresolution images obtained from the single image SR reconstruction step. The proposed algorithm reduces the storage requirement and the calculating complexity,and can be applied to large-dimension low-resolution images.     

基于多尺度特征映射网络的图像超分辨率重建

针对基于卷积神经网络的图像超分辨率重建（SRCNN）方法存在的重建网络浅、特征利用率低以及重建图像模糊等问题,提出基于多尺度特征映射网络的图像超分辨率重建方法. 多尺度特征映射网络通过学习低分辨率（LR）特征与高分辨率（HR）特征之间的映射关系,将多个尺度的LR特征映射到HR特征空间,通过特征融合来提高重建过程中对特征的利用率;该方法定义了结合逐像素损失、感知损失和对抗损失的联合损失函数,从低频内容、图像边缘和局部纹理等方面均衡提升重建图像质量. 对数据集Set5、Set14和BSD100的图片4倍下采样后进行测试,与当前主流方法进行比较和分析. 实验证明,基于生成对抗的多尺度特征映射网络在提高图像感知质量方面表现优秀,重建的图像具有更加清晰的边缘和纹理,在客观评价上具有较好的评分.     

岩心三维CT图像超分辨率重建

为了提高岩心三维图像分辨率,将调整的锚点邻域回归算法（A+）扩展为三维图像超分辨率重建,提出三维高频修正A+算法.该算法利用已有的高分辨率（HR）岩心三维CT图像和高频修正信息训练高低分辨率字典、高频修正字典、映射矩阵和高频修正映射矩阵.重建时,对每个输入的三维低分辨率（LR）特征块搜索匹配的字典原子以及相应的映射矩阵和高频修正矩阵,通过LR特征向量分别与映射矩阵和高频映射矩阵相乘,直接将三维LR特征映射到HR空间.针对多组岩心三维CT图像进行实验,与其他三维超分辨率算法进行比较.实验结果表明,该算法具有较高的峰值信噪比和结构相似度.     

一种有效的超分辨率图像序列重建算法

针对降质图像序列的超分辨率重建研究,分析了超分辨率重建问题中图像序列的降质过程和重建过程的不适定问题,并提出了用最小二乘法和自适应正则化结合分布迭代的方法对图像序列进行重建.实验结果表明,该方法可以有效重建出高分辨率图像,在复原图像的峰值信噪比和主观视觉效果等方面比其他方法都有显著的提高.