基于稀疏表示的自适应图像超分辨率重建算法

针对图像高分辨率重建过程中稀疏解的存在性和唯一性问题以及超分辨率图像的边缘特征和平滑噪声的关系进行了研究, 提出了局部正则化参数自适应选取的方法。结合联合构造字典的算法, 在重建过程中动态调整正则化参数。通过对图像的超分辨率实验证明, 改进的算法具有较高的可行性, 能有效平衡超分辨率图像的边缘特征和平滑噪声两者的关系, 与传统的超分辨率重建算法相比, 有更高的峰值信噪比。     

图像超分辨率重建的研究进展

图像超分辨率重建技术对于输入的低分辨率图像进行相关处理,从而重构出高分辨率图像,该技术已经成为图像处理研究领域的一个热点方向。对超分辨率图像重建的研究进展进行了综述。阐述了图像超分辨率重建的基本原理。对基于重建的图像超分辨重建中：IBP,POCS等算法,基于学习的图像超分辨率重建中：稀疏表示,基于深度神经网络等算法及一些相关改进的算法进行了综述。对图像超分辨率重建的研究提出了展望。     

基于Transformer的高光谱图像超分辨率重建

高光谱图像超分辨率重建旨在融合高分辨率多光谱图像与低分辨率高光谱图像以得到高分辨率高光谱图像.如何实现二者中空域信息和谱域信息的有效融合是高光谱图像超分辨率重建的关键.受高光谱图像的端元表示模型启发,本文在神经网络中显式地对端元进行建模,并利用其作为纽带实现空域信息和谱域信息的融合.具体来说,本文提出了一个基于Transformer的高光谱图像超分辨率重建网络,利用Transformer结构从低分辨率高光谱图像提取端元信息,并将端元信息融合到高分辨率多光谱图像中,进而完成高分辨率高光谱图像的重建.实验结果表明, Transformer结构的全局感受野增强了网络的长程建模能力,提高了端元提取精度,进而提升了超分辨率重建性能.与已有方法相比,本文所提方法在室内/遥感高光谱数据集上均取得了更优的性能.     

融合多次运动估计的图像序列超分辨率重建算法

随着成像传感器的广泛使用，对图像以及图像序列分辨率的要求越来越高。图像序列超分辨率技术受到广泛的重视。超分辨率技术通过信号处理的方法，由低分辨率图像序列中恢复出高分辨率的图像。它的理论基础是信号重建理论。在图像传感器成像过程中，CCD面阵对投影图像进行采样。     

基于深度学习的图像超分辨率重建算法研究

图像超分辨率重建是计算机进行图像处理的底层任务,可以将低分辨率图像进行优化,生成高频细节的高分辨率图像。基于深度学习的图像超分辨率重建算法可以进一步提高重建图像质量与视觉效果,采用轻量化的超分辨率算法可以有效减少重建算法模型所需要的内存空间。本文采用深度学习技术中的基于卷积神经网络的图像超分辨率重建模型,提高图像分辨率,降低计算复杂度。     

基于邻域回归的医学图像超分辨率重建

为了提高医学图像的分辨率,提出一种基于内部样例的邻域回归的超分辨率方法。首先,把输入的低分辨率图像当做高分辨率图像去构造基于自身实例的内部图像训练集,不再依赖外部训练集;然后,把高分辨率重建分成高频重建和低频重建,用邻域回归方法重建图像高频细节部分,用双三次插值方法重建低频部分;最后,用迭代组合的方法联合高频分量和低频分量来获得最终输出的高分辨率图像。实验结果表明,该方法性能优于传统的超分辨率重建算法,重建出的医学图像视觉效果更真实。     

数字图像超分辨率重建技术综述

图像超分辨率重建的目的是通过一幅或多幅低分辨率降质图像来估计一幅视觉效果较好的高分辨率图像.它从传统的图像恢复与重建技术而来,利用图像之间的信息互补来获得比单幅图像更多的细节.超分辨率技术主要分为两大类:基于重建的超分辨率技术和基于学习的超分辨率技术.基于重建的超分辨率技术按照特定的退化模型,通过输入的图像来估计高分辨率图像.基于学习的超分辨率技术从训练样本中获取先验知识,对输入图像的信息进行补充,可以获得比基于重建的算法更好的效果.对超分辨技术的算法作了系统的介绍,并指出图像的配准、退化模型的建立、盲估计问题、学习模型的建立、学习算法等仍是图像超分辨率技术中存在的主要问题,也是进一步研究的方向.     

基于改进POCS算法的视频图像超分辨率重建

超分辨率技术是指通过融合多幅模糊、变形、频谱混叠的低分辨率图像来重建一幅高分辨率图像。本文提出一种基于POCS算法的视频图像超分辨率重建方法。POCS算法是图像超分辨率重建中的一种基本方法,本文在传统POCS算法的基础上,对重建过程中的初始高分辨率图像的估计加以改进,利用双3次插值法来获得初始估计;针对重建过程中容易出现的边缘振荡问题,利用边缘检测和修改PSF函数的方法使之得到解决。实验结果表明,重建后的高分辨率图像在提高分辨率的同时很好地保持了图像的细节。     

基于K近邻稀疏编码均值约束的人脸超分辨率算法

针对低分辨率、低质量人脸图像的超分辨率重建问题,提出了一种基于K近邻稀疏编码均值约束的人脸超分辨率算法。首先,根据人脸块位置先验信息,对训练样本图像块进行聚类,得到与输入人脸图像块位置一致的高、低分辨率稀疏表示字典对;然后,利用低分辨率字典,在稀疏和K近邻稀疏编码均值的共同约束下实现低分辨率图像块的稀疏表示;最后,通过系数映射,结合高分辨率字典实现高分辨率图像块重建,最终将所有高分辨率图像块进行交叠平均得到高分辨率人脸图像。实验结果验证了算法的有效性及先进性。本方法在保持重建人脸图像相似度的基础上,改善了人脸图像的清晰度,提高了超分辨率图像的质量。     

分频能量调整在高分辨傅里叶显微技术中的应用

目的 高分辨傅里叶显微技术（FPM）是利用一组不同角度入射光下采集的低分辨率图像重建高分辨率图像的技术,该技术主要的理论基础是相位还原和综合孔径技术。低分辨图像和高分辨率图像在频域中的差异体现在高频段中的能量,高分辨率图像高频段能量更多。但是此前的方法重建的图像在高频段内的能量仍然较少。针对该问题,提出了一种新的FPM迭代更新模式——分频能量调整（BE）。方法 基于高分辨率图像在傅里叶空间的能量分布的先验,在迭代过程中加入分频能量调整,来约束更新过程中的能量分布,从而使重建图像在能量上更接近于高分辨率图像,进一步提高图像的分辨率,突出边缘信息。结果 在光学分辨率检验板和蚕豆气孔数据上对比增加光瞳函数恢复的FPM方法（EPRY-FPM）和添加分频能量调整的FPM方法（BE-FPM）,实验表明,BE-FPM能进一步提高重建图像分辨率,突出边缘信息。为验证算法的鲁棒性,对样本添加模拟产生的高斯噪声和椒盐噪声,重建结果的视觉效果表明本文方法对噪声的鲁棒性更优。结论 本文方法能进一步提高重建图像的分辨率,并且突出边缘信息。在噪声图像中比EPRY-FPM的更新模式具有更高的鲁棒性。在生物样本中,很多的图像具有相似的分布,而相似分布的样本在傅里叶空间的能量分布具有一致性,因此,BE-FPM方法在部分高分辨率样本重建大样本,单幅高分辨率样本重建同类样本等问题上有较大的应用潜力。     

倍增比自适应的图像超分辨率重建

近年来,图像超分辨率重建一直是热门的研究领域,但是对于任意倍增比的超分辨率研究仍然鲜见相应的成果.在高倍增比的情形下,图像清晰度变得较低,肉眼已难以识别图像的内容.随着技术的进步,机器视觉已开始识别清晰度极低的图像,面向任意倍增比的超分辨率技术研究已显得日益重要.通过测试各种代表性的超分辨率算法,本文在进行图像超分辨率的任意倍增比分析之后,根据全尺度质量总和准则提出了一种倍增比自适应的超分辨率重建算法.实验结果表明,所提算法在整个倍增尺度内实现了更好的整体重建性能.     

亚像元配准技术研究

为了获得高精度的图像运动参数估计,需要比较各种传统的图像配准算法的优劣并改进它们以满足需求.为此综述超分辨率重建中的图像配准算法,指出各种配准算法的特性,同时结合实验分析了不同的配准算法进行运动参数估计时的精度.提出基于遗传算法的亚像元参数估计方法,数值实验结果表明了该方法的有效性,同时对图像配准参数估计算法对噪声干扰的稳健性通过实验进行了讨论.     

基于HMRF先验模型的超分辨率重建

针对基于最大后验概率(MAP)的超分辨率重建算法在重建图像过程中存在的问题,提出一种基于Huber-马尔可夫随机场(HMRF)先验模型的超分辨率重建方法,采用HMRF作为图像先验模型,对图像进行分段超分辨率重建。仿真实验结果表明,与传统的MAP算法相比,该方法能更好地保存重建图像的边缘细节,有效提高重建图像的质量。     

一种基于MOD 字典学习的图像超分辨率重建新算法

将低分辨率图像重建成高分辨率图像是图像处理领域中的一个重要课题。Yang 提出 一种基于联合字典学习的图像超分辨率重建算法,其算法样本选取与字典训练方法较为复杂。提 出一种基于MOD 字典学习的图像超分辨率重建新算法,首先采用少量的训练样本代替Yang 的大量训 练样本,然后使用MOD 字典学习算法代替Yang 的FFS 字典学习算法,最后利用字典对图像进 行稀疏表示与重建。实验结果表明,所提出的算法速度较快,并且重建图像的质量较高。     

基于小波分析的TM遥感图像超分辨率重建

基于图像算法的超分辨率重建技术可以提高光学遥感图像的空间分辨率,能够更加有效地利用现有数据并降低成本。以滇西北香格里拉市小中甸坝为实验区,以2009年的TM影像为数据源,开展遥感图像超分辨率重建实验研究。首先分析其中造成图像退化的各项因素并经过双线性插值、维纳逆滤波、卷积等处理;然后通过小波分解得到描述各个方向上不同尺度的高低频信息的小波系数,并多次试验推导出满足预期条件的加权因子。再将多时段的低分辨率图像小波系数以小波重构的方式重建。通过实验可以看出,重建图像能提供更多的细节信息,图像质量有了明显提高。     

高精度CT图像重建的并行运算实现

为解决超大图像(2048×2048)的FBP与OR-OSEM扇束图像重建,作者采用PC机群的并行处理技术。将图像重建算法改写为并行运算方式,按角度数均匀地分配计算任务给各个CPU。并行运算结果表明:图像重建速度与CPU的个数基本上成线性正比关系,可提高近25倍(CPU数为25时)。超大图像的在线重建可采用CPU阵列机来高速实现,这一技术对发展高精度CT具有重要的作用。     

基于深度学习特征字典的单帧图像超分辨率重建

在基于字典的单帧图像超分辨率重建算法中,依赖人工浅层特征设计的字典表达图像特征能力有限。为此,提出基于深度学习特征字典的超分辨重建方法。该算法首先利用深度网络进行高、低分辨率训练样本图像深层次特征学习;然后,在稀疏字典超分辨框架下联合训练特征字典;最后,输入单帧低分辨率图像并利用该字典实现超分辨率重建。理论分析表明,引入深度网络提取图像深层次特征并用于字典训练,对低分辨率图像的高频信息补充更加有利。实验证明,与双三次插值以及基于一般人工特征字典的超分辨重建算法相比,本文算法的主观视觉和客观评价指标均高于对比算法。     

最优方向耦合字典学习的遥感影像超分辨率重建

针对遥感影像超分辨率重建问题,提出了一种改进联合字典学习的超分辨率重建模型。利用最优方向字典更新算法进行耦合字典对的学习,将由低分辨率字典学习得到的稀疏系数传递至高分辨率字典学习空间,形成高、低分辨率字典对,重建得到高分辨率遥感影像。该算法通过优化,实现训练样本自动截取,通过验证实验表明：与已有的经典算法相比,提出的算法定量评价指标有明显改善,同时,在字典学习过程中所需时间远少于现有经典算法,大大提高了遥感影像重建的效率,其重建影像更加清晰,几何纹理结构更加明显,证明了该算法的高效性。     

多分辨率图像序列的超分辨率重建

针对不同焦距下拍摄的多分辨率尺度的图像序列,本文提出了一种基于尺度不变特征转换(Scale invariant feature transform, SIFT)和图像配准的超分辨率(Super resolution, SR)图像盲重建算法.首先提取图像SIFT特征点,然后用向量夹角余弦进行特征描述符向量的初匹配,并用随机抽样一致性 (Random sample consensus, RANSAC)算法消除误匹配提高配准精度.计算变换参数后,将低分辨率图像(Low-resolution, LR)像素点映射到高分辨率(How-resolution, HR)网格,最后利用像素可信度加权算法填充缺失像素值,重建更高分辨率的图像.实验表明, 本文算法能精确估计图像序列的缩放因子,可以有效处理仿射变换模型,对配准误差也具有一定的鲁棒性.算法从实质上提高了多分辨率尺度图像序列的分辨率,尤其在低分辨率帧数较少可用于重建的信息量严重不足时也能获得比较满意的重建效果.