基于二阶广义方向性全变分的图像超分辨率重建方法

超分辨率图像重建是增强那些低成本成像传感器系统图像分辨率的有效措施.得益于先验知识的学习,低分辨率图像可有效地被超分辨率增强.针对带有明显边缘结构的图像,现有方法没有有效利用高阶信息从而会出现一些光滑的图像细节.本文针对这种特殊的图像结构,研究一种基于二阶广义方向性全变分的重建方法来挖掘那些隐含的高阶可利用信息.二阶广义方向性全变分不仅可以作为先验知识,还能作为稀疏正则项抑制伪影和噪声.实验结果表明,本文方法可有效超分辨率重建结构边缘图像,并可获得高分辨率图像细节和纹理特征.     

去混合噪声的超分辨率图像重建算法

研究了混合噪声即高斯白噪声加椒盐噪声所降质的超分辨率图像重建模型,提出了基于全变分正则化方法和两步方法的超分辨率图像重建方法,并应用Chambolle投影算法对模型进行求解;通过实验仿真,实验结果表明本文提出的方法比基于传统的全变分正则化方法无论是在运行速度,MSE与SNR评价指标上还是在视觉效果方面都具有明显的优越性.     

基于各向异性MRF建模的多帧图像 变分超分辨率重建

 本文首先研究设计出结构自适应的各向异性数字滤波器,同时导出广义各向异性MRF(Markov Random Field)图像模型.它继承了各向异性数字滤波器的滤波性能,是对双边全变差模型以及经典 MRF模型的有效改进.随后,提出各向异性模型驱动的联合估计亚像素运动和高分辨率图像的变分超分辨率重建算法.实验结果显示,本文算法具有更优的噪声抑制和边缘保持性能.     

图像超分辨率研究综述

介绍了图像超分辨率技术的概念及来源,综述了超分辨率技术在国内外发展的概况,澄清了图像超分辨率重建和超分辨率复原两个概念,对图像超分辨率的方法进行了分类对比,并对图像超分辨率的发展进行了展望.     

基于改进Keren配准方法的超分辨率算法

提出一种基于边缘检测和Keren配准方法的自适应归一化卷积超分辨率重建算法。为了进一步提高低分辨率序列图像间的配准精度,该算法将边缘检测与Keren配准算法相结合。首先利用Roberts算子对图像序列进行边缘检测,然后利用基于简化四参数仿射变换模型的Keren改进算法求出边缘图像间的平移和旋转参数。仿真实验结果表明即使在含有噪声及大角度旋转情况下,相比Keren改进算法该算法配准精度得到了显著提高;其中采用Roberts算子相比其他传统算子可获得更高的配准精度。最后采用自适应归一化卷积超分辨率融合算法进行超分辨率重建,真实混叠图像序列的实验表明,基于提出的这种配准方法的超分辨率重建图像获得了很好的视觉效果和更高的分辨能力,具有良好的应用价值。     

超分辨率重构

利用低分辨率的图像序列来估计高分辨率图像的方法称为超分辨率图像重建,逐步成为当前科研热点。本文通过POCS视频图像重建算法为例,阐述了超分辨率的概念应用场合及基本策略和分类,并对超分辨率的重构方法和前景进行了展望。     

超分辨率重构

利用低分辨率的图像序列来估计高分辨率图像的方法称为超分辨率图像重建,逐步成为当前科研热点.本文通过POCS视频图像重建算法为例,阐述了超分辨率的概念、应用场合及基本策略和分类,并对超分辨率的重构方法和前景进行了展望.     

自适应加权的总变分正则化图像超分辨率重建

在Farsiu提出的双边总变分正则化方法中,尺度加权系数和正则化参数为定值,在边缘、纹理区域,重建图像效果不理想。针对这个问题,提出了一种自适应加权正则化函数和正则化参数的重建算法,该方法利用图像局部结构信息控制权函数形状、带宽和正则化参数,使这些参数根据图像局部结构信息自适应地调整。对所提出的算法进行了仿真实验,实验结果表明,与传统的总变分重建方法相比较,该算法能更好地重建图像的纹理细节,重建图像的对比度高。     

基于宽深超分辨率网络的信道估计方法

在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM) 系统中由于快衰落导致信道特征不连续,常规的信道插值方法无法准确反应导频与整个信道之间的关联性。针对这一问题,提出了一种基于宽深超分辨率（Wide Deep Super-resolution,WDSR）网络的信道估计方法,把导频值通过最小二乘估计（Least Squares,LS）初步插值,再通过WDSR网络再次放大重构整个信道的响应。将信道估计插值上采样替换成初步插值和图像超分辨率上采样两步。仿真结果表明,与超分辨率卷积神经网络(Super-resolution Convolutional Neural Network,SRCNN)信道估计算法相比,在不同种类的信道以及导频数下WDSR信道估计方法均方误差性能提升约4.6 dB。     

基于全变差正则化的相位恢复算法

相位恢复问题是指仅通过信号傅立叶变换（或其它线性变换）的幅值恢复原始信号.由于相位信息的缺失,该问题是一个不适定问题,因此需利用先验知识确保精确重建.本文基于非线性压缩感知框架,提出利用自然图像在梯度算子下的稀疏性进行相位恢复的算法.该算法将全变差正则项融合到基于支撑约束和幅值约束的相位恢复问题中,并利用交替方向乘子法（ADMM）对所对应的非凸优化问题进行求解.实验结果表明,该算法明显优于HIO,RAAR等经典的相位恢复算法,并对噪声具有鲁棒性.     

一种基于压缩感知全变差算法的图像去噪方法

压缩感知技术突破了奈奎斯特准则的局限性,在图像处理方面有着广泛的应用。提出一种改进的基于压缩感知的图像去噪方法。该方法中,对混有噪声的图像首先进行稀疏变换,然后对变换后的部分系数采用测量矩阵进行测量,最后通过全变差(TV)重建算法进行图像重建。仿真结果证实全变差重建算法在图像去噪中优于其他压缩感知重建算法,可以有效地去除图像中混有的噪声,实现图像的良好去噪。     

一种基于图割的全变差图像去噪算法

本文提出一种基于图割的全变差(TV)图像去噪算法.该算法将全变差去噪模型的能量函数最小化问题转化为图的最小割问题,然后采用图割技术(最大流/最小割算法)求得能量函数的全局最优解.并给出了去噪模型中,均衡系数的自适应设定方案.实验结果及分析表明,该算法能有效抑制以往最小化方法产生的阶梯效应,具有较优的复原效果.     

基于FFT和迭代插值的改进型超分辨算法

基于单快拍的快速迭代插值DOA（Direction of Arrival）估计方法,有效地消除了频谱泄漏,实现了多源DOA的无偏估计。但是该算法需要提前确定信源的个数,且运算量大,因此在工程应用中受限。本文提出一种新方案,利用传统角度域FFT提供粗略角度估计,然后通过迭代插值法细化角度,最终基于对消残差功率和信息论准则进行信源个数估计。该方案无需预知信源个数,且文中提出的基于残差变化率的收敛策略大大减少了细化估计的迭代次数,从而有效地降低了原算法的计算量。通过仿真结果验证了该方案的有效性,在估计精度及分辨率方面性能接近快速迭代插值波束形成算法,优于子空间类算法。     

基于时-空稀疏解的方位超分辨算法

受限于阵列波束宽度的瑞利限,常规单脉冲测角方法无法分辨处于一个波束宽度内的多个目标,为此,提出一种基于时-空稀疏解的方位超分辨算法,对距离、多普勒维无法分辨的同一波束宽度内的多个目标进行角度测量。该方法首先构造基于类-p范数稀疏度和2范数约束的代价函数,通过迭代过程最小化代价函数求得时-空二维稀疏解,最后由时-空二维稀疏解估计目标的多普勒频率和方位角。与传统的方位超分辨算法相比,该方法利用了多普勒信息,改善了方位超分辨性能,具有较高的分辨率和极低的旁瓣电平,同时该方法无需多维空间谱搜索过程。计算机仿真结果验证了该算法的有效性。     

基于整体变分降噪算法下的多频率超声衍射层析成像

 根据傅立叶衍射投影定理,不同频率超声波得到的投影数据的傅立叶变换分布在复平面为不同半径的圆弧,提出了多频率超声衍射层析成像思想,并进行了实验研究,重建的时间比单频率法短约70%.由于多频率投影数据傅立叶变换比单频率法在复平面上分布更加不均匀,故重建的噪声也更大,整体变分法将图像恢复的数学模型转化为带有整体变分正则化项的能量泛函问题,采用变分原理将其中的最小化问题转为偏微分方程的求解.降噪后的多频率超声图像的误差比降噪前的图像小约50%.