基于MAP算法的图像超分辨率重建

近年来图像的超分辨率重建已经成为人们广泛研究的热点.本文提出了一种从多幅低分辨率欠采样图像中重建出一幅高分辨率图像的重建方法.该方法基于MAP框架,用迭代方法得到最优化解.在每次的迭代过程中利用上次迭代得到的重建图像的有用信息来不断调整迭代参数,不断的循环迭代,最后求解出重建图像的最优解.实验结果证明,该方法有效,它不仅能在迭代过程中自动选择和更新调整参数,并且能得到期望的高分辨率重建图像.     

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。     

基于迭代条件模型算法的图像超分辨率重建

图像超分辨重建是从一系列降质的低分辨率图像中获取高分辨率的图像。在最大后验概率算法基础上提出了一种基于马尔可夫随机场的超分辨率重建算法,并通过迭代条件模型实现超分辨率图像重建。实验结果表明,与传统的超分辨率重建算法相比,该算法是一种快速的计算最大后验概率的方法,采用Potts-Strauss模型作为图像的先验概率密度函数,经过五、六次的迭代就能达到理想的迭代效果,解决了最大后验概率算法计算量大的缺点,是一种高效的超分辨率重建算法,具有一定的实用价值。     

超分辨率重建技术及其在太赫兹图像中的应用

超分辨率重建就是通过相应的算法,重建图像截止频率之外的细节信息,重构出一幅清晰的高分辨率图像。首先介绍了超分辨率重建算法——非均匀内差法,迭代反投影法（IBP）,凸集投影法（POCS）,说明了各算法的概念和应用,并着重介绍了基于最大后验概率（MAP）的图像超分辨率算法,给出了MAP超分辨率复原算法处理实际太赫兹图像的结果。实验表明,超分辨率图像重建具有重建效果好、抗噪声性能强的优点,有效地重建了高分辨率太赫兹图像,在太赫兹成像领域具有良好发展和应用前景。     

基于局部结构相似性的单幅图像超分辨率算法

单幅图像放大是一个病态问题,约束信息的不足令问题的解决难以有突破性的进展．基于图像局部结构的相似性和在不同分辨率尺度上的相似保持,提出了利用局部结构相似性来约束超分辨率问题的思路．根据相似判断规则发现图像中的相似区域,根据相似程度生成多幅相似图像,从而可以利用图像序列超分辨率的算法来求解．文中使用最大后验概率估计方法,在最大后验概率意义下得到最优解．实验表明,该算法用于存在着大量相似结构的图像超分辨率问题中有着很好的效果,譬如文字图像,集成电路图像等。     

序列图像的非局部均值超分辨率重建算法及GPU实现

针对序列图像超分辨率重建非局部均值(Non-Local Means, NLM)算法重建结果图像边缘区域过平滑的问题,提出了一种局部参数自适应改进方法,首先将整幅图像划分为图像子块,然后根据图像子块平均像素信息计算出其对应的滤波参数, 这样有助于减少因整幅图像使用统一滤波参数而导致的某些高频信息的丢失。实验结果表明,和经典NLM重构算法相比,改进算法重建出的结果图像的轮廓边缘更清晰,字符辨识度更高;在算法实现方面,图像重构程序在CPU/GPU平台上实现,使用GPU并行化加速的程序比单CPU运算的程序,加速比最高可达到30倍,显著缩短重构程序计算时间,提高了该图像超分辨率重建算法应用于实际场所的可能性。     

耦合光度配准的双边全变差正则化MAP超分辨率重建算法

针对曝光量不同的序列图像超分辨率重建问题,提出一种耦合光度配准的双边全变差正则化MAP超分辨率重建算法。首先计算感兴趣区域图像的方向梯度直方图(HOG)并以此为匹配的特征,其次采用直方图匹配的方法估算序列图像之间的光度映射函数,最后采用双边全变差正则化的超分辨率重建算法进行重建。通过计算重建图像的平均梯度、标准差及图像对比度发现,该算法能够有效提高重建图像的细节信息,并能有效减小重建图像间的亮度差异,提高图像对比度。     

结合非局部低秩先验的图像超分辨重建概率模型

现今图像成像技术日益普及,但受成像设备、成像环境以及在获取图像过程中外界噪声等因素的相互制约,在实际应用中很多图像成像分辨率较低,带来诸多问题.为此,提出一种有效的基于最大后验概率和非局部低秩先验的图像超分辨重建模型.首先,该模型采用连续图像序列作为数据输入,利用单幅图像内与连续图像间的相似性作为先验知识,提升相似图像块匹配度,消除图像细节丢失现象.然后,以最大后验概率框架建模,使用高斯分布和吉布斯分布拟合模型参数,提升模型泛化能力.通过相似块的奇异值估计待求块的奇异值,采用低秩截断抑制重建过程中引入的噪声.最后,利用图像的非局部自相似性和低秩性质,以非局部低秩约束正则化图像重建过程,添加图像的局部和全局信息来提升重建效果.在标准光流数据集、纽约大学和山东省千佛山医院提供的数据集上的实验结果表明,文中基于最大后验和非局部低秩先验的模型与传统插值算法、基于重建的优秀算法相比,在5组仿真实验中,其平均峰值信噪比提升6.3 dB,在保持图像纹理特征和恢复图像细节方面可取得更好的重建性能.     

基于最大后验概率的单视频时间超分辨率重建算法

任何视频摄像设备均具有一定的时间分辨率限制,时间分辨率不足会造成视频中存在运动模糊和运动混叠现象。针对这一问题常用的解决方法是空间去模糊和时间插值,然而这些方法无法从根本上解决问题。提出一种基于最大后验概率(MAP)的单视频时间超分辨率重建方法,该方法通过重建约束来确定条件概率模型,然后利用视频自身具有的时间自相似先验信息得到先验信息模型,最后求得基于最大后验概率的估计值,即通过对单个低时间分辨率视频重建来得到高时间分辨率视频,从而有效解决由于相机曝光时间过长所造成的“运动模糊”和相机帧率不足引起的“运动混叠”现象。通过理论分析与实验,证明了所提方法的有效性。     

基于峭度图像的超分辨率重建算法

针对在强噪声环境下,传统的超分辨率重建算法重建图像效果不佳的问题,提出一种基于峭度图像的超分辨率重建算法。定义峭度图像,从统计学角度分析得到峭度图像的2个重要性质,即具有高斯不变性,并且图像越模糊,峭度绝对值越小。在满足高分辨率图像与低分辨率图像之间反卷积的剩余误差有界的前提下,通过最大化峭度绝对值求解未知的高分辨率图像,采用Lagrange乘子法则求解此约束优化问题。分析高斯噪声和非高斯噪声环境下算法性能。仿真结果表明,该算法在主观视觉和客观评价上都明显优于传统算法。     

自适应超分辨率图像重构

超分辨率图像重构是利用关于同一场景的多帧低分辨率图像重构出一幅具有更高分辨率图像的过程。已有的MAP超分辨率图像重构算法由于没有对图像中的不同区域分别处理,所以无法在重构出清晰的边界和更多细节的同时抑制边缘振荡效应的产生。提出了针对图像中的不同区域进行自适应处理的超分辨率图像重构算法,与已有的算法相比,新算法所重构出的图像质量,不论在定量指标上还是人眼主观评判上都有了很大的提高。     

基于多相位图像相似性的肺4D-CT超分辨率重建

肺4D-CT为放射治疗提供全面的图像引导,在当今肺癌治疗中起着重要的作用。然而,由于采集时间和人体所能承受辐射剂量的限制,无法得到高分辨率（[Z]轴方向）CT图像,因此,通常采集到的肺4D-CT图像[Z]轴方向细节部分往往不够清晰。针对这一问题,提出了一个基于多相位相似性的非局部均值超分辨率重建方法,来提升肺4D-CT图像的质量。该方法利用多相位图像之间的互补信息,以非局部均值滤波为基础,来恢复图像的高分辨率细节结构;另外,由于呼吸运动,肺4D-CT图像中不同相位图像肺区域的灰度会有所差异,为保证重建高分辨率图像的灰度不变性,引入全局约束以修正重建图像的整体灰度。采用一套公共肺4D-CT数据集评估提出的方法,该数据集由10组肺4D-CT数据组成,每组数据包含10个相位。实验表明,在恢复图像的细节和增强分辨率方面,该方法要优于传统的线性插值和凸集投影（Projection Onto Convex Set,POCS）超分辨率重建算法。     

结合压缩感知与非局部信息的图像超分辨率重建

针对现有的超分辨率重建算法只考虑图像块的灰度信息,而忽略了纹理信息,并且大多数非局部方法在强调非局部信息的同时,没有考虑局部信息的问题,提出一种结合压缩感知与非局部信息的图像超分辨率重建算法。首先,根据图像块的结构特征计算像素之间的相似性,同时考虑了图像块的灰度信息和纹理信息;然后,合并图像的局部和非局部信息来估计相似像素的权重,构造结合局部和非局部信息的正则项;最后,将图像的非局部信息引入到压缩感知框架中,通过迭代收缩算法求解稀疏表示系数。实验结果表明,所提算法与现有的基于学习的超分辨率算法相比,重建图像的峰值信噪比和结构相似度取值更高,并且在恢复图像纹理细节的同时有效抑制了噪声。     

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。     

自适应阈值HMRF模型超分辨率重建

针对Huber-Markov随机场作为图像先验进行MAP超分辨率重建时先验约束的有效性问题,通过分析重建过程中Huber惩罚函数与图像空间灰度变化分布特性的相互关系,提出一种根据图像空间灰度变化统计特性,在超分辨率重建迭代过程中动态确定Huber函数阈值的方法。实验结果表明,该方法可根据不同图像的边缘特性,自适应确定Huber惩罚函数阈值,在有效抑制噪声的同时,保持重建图像的边缘和细节信息。     

图像超分辨率重建中的细节互补卷积模型

目的 现有的超分辨卷积神经网络为了获得良好的高分辨率图像重建效果需要越来越深的网络层次和更多的训练,因此存在了对于样本数量依懒性大,参数众多致使训练困难以及训练所需迭代次数大,硬件需求大等问题。针对存在的这些问题,本文提出一种改进的超分辨率重建网络模型。方法 本文区别于传统的单输入模型,采取了一种双输入细节互补的网络模型,在原有的SRCNN单输入模型特征提取映射网络外,添加了一个新的输入。本文结合图像局部相似性,构建了一个细节补充网络来补充图像特征,并使用一层卷积层将细节补充网络得到的特征与特征提取网络提取的特征融合,恢复重建高分辨率图像。结果 本文分别从主观和客观的角度,对比了本文方法与其他主流方法之间的数据对比和效果对比情况,在与SRCNN在相似网络深度的情况下,本文方法在放大3倍时的PSNR数值在Set5以及Set14数据下分别比SRCNN高出0.17 dB和0.08 dB。在主观的恢复图像效果上,本文方法能够很好的恢复图像边缘以及图像纹理细节。结论 实验证明,本文所提出的细节互补网络模型能够在较少的训练以及比较浅的网络下获得有效的重建图像并且保留更多的图像细节。     

基于局部回归模型的图像超分辨率重建

针对基于稀疏重建的图像超分辨率(SR)算法一般需要外部训练样本,重建质量取决于待重建图像与训练样本的相似度的问题,提出一种基于局部回归模型的图像超分辨率重建算法。利用局部图像结构会在不同的图像尺度对应位置重复出现的事实,建立从低到高分辨率图像块的非线性映射函数一阶近似模型用于超分辨率重建。其中,非线性映射函数的先验模型是直接对输入图像及其低频带图像的对应位样本块对通过字典学习的方法得到。重建图像块时利用图像中的非局部自相似性,对多个非局部自相似块分别应用一阶回归模型,加权综合得到高分辨率图像块。实验结果表明,该算法重建的图像与同样利用图像具有自相似性的相关超分辨率算法相比,峰值信噪比(PSNR)平均提高0.3~1.1 dB,主观重建效果亦有明显提高。     

基于低层次计算机视觉的超分辨率图像重建

在基于低层次计算机视觉的超分辨率图像重建过程中,角点检测和插值是两个关键的技术。首先在SUSAN角点检测算法的基础上提出了改进算法,改进后的算法根据图块对比度的不同,在确定位于不同图块中的像素的USAN面积时采用了可变灰度阈值,可变灰度阈值的采用,使得检测出的角点分布更加均匀,而角点分布均匀则使得图像配准更加精确,有利于后期的重建工作。其次,提出了一种适合于超分辨率图像重建的插值算法：基于圆区域的自适应插值算法。该算法可以根据待插值点周围的灰度特征自适应决定插值策略,将线性插值、最邻近插值和中值插值法有机地结合在一起。大量的仿真实验证明了提出算法具有运算量小、图像重建后的效果出重,易于实现。     

深度图超分辨率重建研究综述

虽然高质量高分辨率的深度图能够显著地提高各种自然场景计算机视觉任务的性能,但是深度相机硬件的限制使得消费级深度相机拍摄到的深度图存在分辨率低、质量差和无效空洞等问题。深度图超分辨率重建（depth super-resolution reconstruction,DSR）是一种能有效提高深度图分辨率和质量的技术,并且DSR已经成为计算机视觉领域的研究热点。首先将介绍DSR的定义和近几年国内外DSR算法的研究进展,然后对深度学习DSR重建算法进行重点阐述与分析。接下来,将介绍深度图像质量评估准则。最后,对DSR的应用领域和未来所面对的挑战和机遇进行展望。