人脸图像超分辨率非线性算法

研究单幅人脸图像的超分辨率重构算法。采用马尔可夫网络模型描述重构机制,对输入的低分辨率图像,以及训练用高分辨率图像和对应的低分辨率图像进行分块,并使图像基本对齐,构造训练图像集。针对简化马尔可夫网络计算的需要以及训练集人脸图像的差异,在块坐标限位操作的基础上,提出了一种非线性样本搜索算法,降低了搜索空间复杂度,提高了匹配效率和相关性。算法利用搜索到的高分辨率图像分块样本,直接输出超分辨率图像。分析和实验证实,与传统学习算法相比,该文方法具有输出质量好、效率高的特点。     

基于马尔可夫网络人脸图像超分辨率非线性算法*

研究单幅人脸图像的超分辨率重构算法。采用马尔可夫网络模型描述重构机制,对输入的低分辨率图像,以及训练用高分辨率图像和对应的低分辨率图像进行分块,并使图像基本对齐,构造训练图像集。针对简化马尔可夫网络计算的需要以及训练集人脸图像的差异,在采用块坐标限位操作的基础上,提出了一种非线性样本搜索算法,降低了搜索空间复杂度,提高了匹配效率和相关性。算法利用搜索到的高分辨率图像分块样本,直接输出超分辨率图像。分析和实验证实,与传统学习算法相比,本方法具有输出质量好、效率高的特点。     

一种基于学习的非线性人脸图像超分辨率算法

提出了一种单幅人脸图像的超分辨率重构算法。该算法采用马尔可夫网络模型描述重构机制,对输入的低分辨率图像,以及训练用高分辨率图像和对应的低分辨率图像进行分块,并使图像基本对齐,构造训练图像集。针对简化马尔可夫网络计算的需要以及训练集人脸图像的差异,在采用块坐标限位操作的基础上,使用了一种非线性样本搜索算法,降低了搜索空间复杂度,提高了匹配效率和相关性。算法利用搜索到的高分辨率图像分块样本,直接输出超分辨率图像。分析和实验表明,与传统学习算法相比,该方法具有输出质量好、效率高的特点。     

L_1和L_2混合范式超分辨率重建的车牌识别

针对视频中低分辨率图像的车牌识别准确率低的问题,提出一种结合L_1和L_2混合范式的序列图像超分辨率重建的车牌识别技术。首先对序列低分辨率图像进行L_1和L_2混合范式超分辨率重建,其次对重建后得到的一帧高分辨率图像进行基于HSV颜色模型车牌定位,然后对分割出的字符采用方向梯度直方图和支持向量机相结合的方法进行车牌识别。实验结果显示提出的算法对车牌中的字符识别效率高达96%,对比于传统的基于特征匹配和BP神经网络的车牌识别算法对字符的识别有明显的改善。结果表明,通过L_1和L_2混合范式的超分辨率重建处理,将方向梯度直方图和支持向量机相结合的识别方法对车牌中的字符有较好的识别效果。     

基于Contourlet域的遥感图像超分辨率复原技术

通过Contourlet域对遥感图像进行超分辨复原,采用了具有的更好方向性和各向异性特点的Contourlet系数作为特征表示,并通过最小欧氏距离进行全局的匹配选择。根据匹配的高频细节信息分布特点,引入了隐马尔可夫树（HMT）模型对遥感图像的Contourlet系数建模,运用期望最大（EM）算法对其进行参数估计,并结合贝叶斯估计原理,对叠加后的Contourlet系数进行修复、反变换后,最终完成了对低分辨率遥感图像的超分辨率复原。     

一种基于二维隐马尔可夫模型的图像分类算法

针对图像分块之间的相互依赖关系,提出一种基于二维隐马尔可夫模型的图像分类算 法。该算法将一维隐马尔可夫模型扩展成二维隐马尔可夫模型,模型中相邻的图像分块在平面两个 方向上按条件转移概率进行状态转换,反应出两个维上的依赖关系。隐马尔可夫模型参数通过期望 最大化算法(EM)来估计。同时,本文利用二维Viterbi算法,在训练隐马尔可夫模型的基础上,实现 对图像进行最优分类。文件图像分割的应用表明,隐马尔可夫算法优于CART算法。     

基于联合插值—恢复的超分辨率图像盲复原

常规的超分辨复原方法需要预知退化图像的点扩展函数,但实际应用中许多退化图像的点扩展函数是未知的,因此提出一种新的超分辨率图像盲复原算法,在点扩展函数未知或不确知的情况下对图像进行恢复。该联合插值—恢复的超分辨率图像盲复原方法,利用多信道盲复原估计未知的点扩展函数,迭代运用帧间相似性确定模糊特性,同时结合超分辨率方法得到高分辨率图像。实验结果表明,该算法能有效地实现超分辨率图像的盲复原。     

人脸图像超分辨率非线性学习算法

针对一般学习算法效率低下的问题,提出一种马尔可夫网络模型下的非线性学习算法。对输入的低分辨率图像以及训练用高分辨率图像和对应的低分辨率图像进行分块,并使图像基本对齐,构造训练图像集,利用训练集人脸图像的差异,采用块坐标限位操作技术,给出一种非线性样本搜索算法,降低搜索空间复杂度,提高了匹配效率和相关性。利用搜索到的高分辨率图像分块样本,直接输出超分辨率图像。分析和实验证实,与传统学习算法相比,该方法具有输出质量好、效率高的特点。     

一种语义相似度学习的人脸图像超分辨率算法

提出一个单幅人脸图像的超分辨率重构算法。该算法建立在马尔可夫网络模型的基础上,引入了语义相似度的学习,将学习的范围限定在位置相关的特征语义区域,提升了学习算法的效率以及重构图像时的逼真性;重构算法中引入了权值融合机制,提升了输出图像的高频成分,有效地改善了图像的全局效果。分析和实验表明,该算法能在大容量训练集中,快速学习到有价值的图像信息,并且在图像的复原的过程中有效地抑制了图像失真现象,极大地改善了超分辨率图像的质量。     

基于GEP多标记学习的图像超分辨率复原算法

基于图像单一特征进行支持向量机预分类的超分辨率复原算法通过离线建立分类模型,减少了传统基于范例学习算法的样本块误匹配现象,提高了图像质量和计算速度。但由于图像特征的多样性,此类算法易造成复原结果的不稳定。本文提出一种基于基因表达式编程多标记学习的超分辨率复原算法,筛选出与目标图像相关性高的样本子库,在多标记框架下进行样本预分类。实验结果表明,本文算法稳定性强、鲁棒性好,进一步缩小了低分辨率图像块的匹配范围,更好的提高了超分辨率复原的效果和效率。     

亮度—梯度联合约束的车牌图像超分辨率重建

目的 受成像距离、光照条件、动态模糊等因素影响,监控系统拍摄的车牌图像往往并不具备较高的可辨识度。为改善成像质量,提升对车牌的识别能力,提出一种基于亮度与梯度联合约束的车牌图像超分辨率重建方法。方法 首先充分结合亮度约束和梯度约束的优势,实现对运动位移和模糊函数的精确估计;为抑制重建图像中的噪声与伪影,基于车牌图像的文字化特征,进一步确定了亮度与梯度联合约束的图像先验模型。结果 为验证该方法的有效性,利用监控系统获得4组车牌图像,分别进行模拟和真实的超分辨率重建实验。在模拟实验中将联合约束图像先验重建结果与拉普拉斯、Huber-Markov（HMRF）以及总变分（TV）先验的处理结果进行对比,联合约束先验对车牌纹理信息的恢复效果优于其他3种常见图像先验;同时,在模拟和真实实验中,将本文算法与双三次插值、传统最大后验概率、非线性扩散正则化和自适应范数正则化方法的超分辨率重建结果进行比较,模拟实验的结果表明,在不添加噪声情况下,该算法峰值信噪比（PSNR）和结构相似性（SSIM）指标分别为35.326 dB和0.958,优于其他4种算法;该算法在真实实验中,能够有效增强车牌图像纹理信息,获得较优的视觉效果,通过对重建车牌图像的字符识别精度比较,本文算法重建结果的识别精度远高于其他3种算法,平均字符差距为1.3。结论 模拟和真实图像序列的实验结果证明,基于亮度—梯度联合约束的超分辨率重建方法,能够降低运动和模糊等参数的估计误差,有效减少图像中存在的模糊和噪声,提高车牌的识别精度。该算法广泛适用于因光照变化、相对运动等因素影响下的低质量车牌图像超分辨率重建。     

改进相似性度量模型的单幅图像自学习超分辨算法

在自学习超分辨算法中,高低分辨率图像块匹配是否准确是算法的关键。在高低分辨率图像块匹配过程中,考虑图像块纹理结构的重要性,提出了一种基于纹理约束的图像块相似性度量模型,应用该模型完成了高低分辨率图像块更为准确的匹配,使超分辨结果图像的细节更加丰富,进一步提高了图像质量。该算法仅使用了单幅低分辨率图像自身的相关先验信息,有效提升了图像的空间分辨率。实验结果表明,与双三次插值算法、自相似学习超分辨算法相比,本文提出的算法超分辨视觉效果更好,并且在客观评价指标中同样表现良好。     

超分辨率重建在车牌定位中的应用

针对车牌识别系统中由于采集图像分辨率低而造成的车牌定位效果较差这一问题,提出了一种基于凸集投影(POCS)的车牌定位超分辨算法,该方法能够提高图像的分辨率,保留原始图像的细节信息,准确地定位出车牌区域,为接下来的车牌识别提供了有力保障.     

基于L1和L2混合范式的序列图像超分辨率重建

针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L₁和L₂混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L₁和L₂混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 dB~5.2 dB。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。     

基于凸集投影（POCS）的车牌图像超分辨率重建研究

针对车牌识别中所拍摄的图像序列存在分辨率较低的问题,提出了利用图像间的互补信息来重建一幅高分辨率图像的方法,以便于车牌图像的识别。通过迭代求解法和高斯金字塔模型,快速精确地估计得到配准参数,采用凸集投影（POCS）算法对图像序列进行了超分辨率重建。实验表明算法具有亚像素级的配准精度和较强的稳健性,重建图像取得了良好的视觉效果。     

车牌超分辨率重建与识别

为了从图片中快速准确地识别车牌,提出一种结合图像超分辨率技术的车牌识别方案。车牌图片具有明显的特定的模式特征,只是具体的字符编码不同。因此车牌图片非常适合做超分辨率重建。本文提出的系统主要由车牌检测定位、车牌超分辨率重建、字符分割、字符识别等模块组成。综合基于边缘、基于颜色和基于最大稳定极值区域三种车牌检测策略并采用并行编程方法来综合检测结果得到候选车牌。采用车牌图片正负样本来训练支持向量机分类器。得到分类器模型后对候选车牌判决得到真正的车牌。随后对真实车牌图片进行超分辨率重建。该部分主要由基于固定邻域回归的方法实现。这种方法综合了稀疏字典学习和领域嵌入的方法,比较好的兼顾了准确率和计算速度。运用OpenCV提供的图像处理库来对重建后的图片做字符分割。得到单独的字符图片后采用人工神经网络进行识别。识别前先使用一定数量的字符图片对网络进行有监督训练获取识别模型。采用一个单隐层的神经网络,运用反向传播算法进行训练得到识别模型。最后提取字符图片的特征并输入网络进行分类完成识别。为了测试系统的表现,在实际场景中采集了一百张车牌图片作为测试集。实验表明,该系统具有较高识别准确率和较快的处理速度。     

基于遗传算法的盲超分辨率图像的重建

针对盲超分辨率图像复原问题,提出了一种基于遗传算法的盲超分辨率图像重建方法。这种方法建立了一个由高分辨率图像和模糊项相关联的正则化函数,并利用遗传算法的全局寻优能力使得这个正则化函数最小化,从而由一组退化的低分辨率图像求得高分辨率图像,同时评估出导致模糊原因。仿真结果表明算法的可行性。     

Simultaneous estimation of super-resolved scene and depth map from low resolution defocused observations

This paper presents a novel technique to simultaneously estimate the depth map and the focused image of a scene, both at a super-resolution, from its defocused observations. Super-resolution refers to the generation of high spatial resolution images from a sequence of low resolution images. Hitherto, the super-resolution technique has been restricted mostly to the intensity domain. In this paper, we extend the scope of super-resolution imaging to acquire depth estimates at high spatial resolution simultaneously. Given a sequence of low resolution, blurred, and noisy observations of a static scene, the problem is to generate a dense depth map at a resolution higher than one that can be generated from the observations as well as to estimate the true high resolution focused image. Both the depth and the image are modeled as separate Markov random fields (MRF) and a maximum a posteriori estimation method is used to recover the high resolution fields. Since there is no relative motion between the scene and the camera, as is the case with most of the super-resolution and structure recovery techniques, we do away with the correspondence problem.     

增强的单幅图像自学习超分辨方法

针对图像超分辨率方法构建图像块的稀疏表示（SR）系数存在的主要问题,利用加权思想提出一种增强的单幅图像自学习超分辨方法。首先,通过自学习建立高低分辨率图像金字塔;然后,分别提取低分辨率图像的图像块特征和对应高分辨率图像块的中心像素,并给图像块中不同像素点赋予不同的权重,强调中心像素点在构建图像块稀疏系数时的作用;最后,结合SR理论和支持向量回归（SVR）技术建立超分辨率图像重建模型。实验结果表明,与单幅图像自学习超分辨率方法（SLSR）相比,所提方法的峰值信噪比（PSNR）平均提高了0.39 dB,无参考图像质量评价标准（BRISQUE）分数平均降低了9.7。从主观视角和客观数值证明了所提超分辨率方法更有效。     

基于SVR和PCA的超分辨率图像恢复算法应用研究

利用单幅低分辨率图像重构超分辨率图像的算法中,通常基于样本库进行图像重构,而这类算法效率较低。提出了一种利用SVR和PCA进行特征压缩的图像重构算法,其基本思路是将训练图像分解成若干个基本小块作为样本库;然后利用PCA对低分辨率图像基本小块进行降维处理,并将得到的主成分系数作为特征加以训练,在识别和重构过程中,将待恢复图像进行回归分析,找到相应的超分辨率图像块,然后进行重构。实验结果表明,本文方法较其他算法有更优的恢复结果,并能同时保证较好的实时处理特性,很好地逼近了原始的真实图像。