基于边缘保持的POCS超分辨率图像重建

针对常规的POCS超分辨率图像重构算法导致的边缘模糊问题,文章分析重建后高分辨率图像边缘模糊形成的原因,提出了基于边缘保持的插值算法,用基于梯度的插值算法来获取POCS的初始值,实验结果表明,该方法能够明显地提高重建图像的边缘质量。     

POCS超分辨率图像重构的快速算法

超分辨率图像重构是将多帧低分辨率图像重构成一幅高分辨率图像的过程。由于其求解是一大型病态求逆问题，计算量随着放大倍数的增加而急剧上升，如何降低计算复杂度是超分辨率成像所面临的一个急需解决的课题。提出了一个基于PoCs的高分辨率图像重构的快速算法。其原理是利用各低分辨率图像之间位移的关系将所有的低分辨率图像进行重组，然后对每个组进行PoCs超分辨图象重构。实验结果表明。该快速算法较大地提高了超分辨图像重构的速度。     

基于MAP及边缘保持的超分辨率图像复原

MAP方法是解决超分辨率图像复原问题中的一种常用算法,但通常的MAP超分辨率复原方法对于图像的边缘部分没有进行特殊处理,导致最终恢复出来的高分辨率图像的边缘过于平滑.提出了一种局部边缘自适应的先验概率算子,并将其应用于MAP超分辨率图像复原中.与传统方法相比,它具有更好的图像边缘保持能力,因此获得了更佳的视觉效果.     

基于改进点扩散函数的遥感图像超分辨率重建

为了提高遥感图像空间域重建质量, 采用改进凸集投影(POCS)算法的点扩散函数, 提出了一种改进的POCS超分辨率重建算法。首先给出POCS算法基本原理以及具体实现步骤, 在此基础上对算法做出改进, 即对待重建的高分辨初始帧进行边缘检测, 对检测到的边缘像素点应用改进的点扩散函数(PSF), 使边缘处像素点对应的PSF水平方向与垂直方向系数依据边缘斜率变化而设置不同的权重; 最后分别采用两组数据集对改进POCS算法的有效性进行验证。结果表明, 该改进的POCS算法有效地提高了图像重建的效果, 两组实验平均绝对误差效果分别提升了0.79%和0.26%, 达到了提高图像重建质量的目的。该算法具有较好的实际应用价值。     

基于边缘方向扩散系数正则化的文本图像超分辨率算法

针对文档图像超分辨率重建问题,根据传统双边全变差(BTV)超分辨率算法,提出一种自适应约束的BTV正则化文档图像超分辨率算法。该算法通过引入一个图像的局部邻域残差均值,以区分当前像素点属于平滑区域还是边缘区域,然后利用垂直边缘方向和边缘方向扩散性的不同,产生自适应权重矩阵。最后通过代价函数求出迭代公式,最终实现文本图像的超分辨率重建。与相关的文档图像超分辨率方法相比较,提出的方法在视觉图像质量和字符识别精度方面均得到了显著的改善。     

一种改善图像边缘效果的POCS超分辨率重建方法

利用图像超分辨率重建(SRR)技术可以在现有成像系统基础上提高图像空间分辨力。凸集投影(POCS)是超分辨率重建的主流方法之一。对POCS算法进行了改进,具体改进体现在两个方面:(1)用可控核回归插值图像作为POCS重建的初始估计以提高初始估计图像的质量;(2)将POCS重建中使用的点扩散函数(PSF)由高斯核改为可控核以减少重建图像的边缘振荡效应。对所提出的算法进行了仿真,实验结果显示采用本文方法重建图像的边缘效果有了明显的改善。     

基于改进凸集投影的亚毫米波全息成像超分辨率算法

传统的亚毫米波成像算法可以对待测目标成像,但是,一方面,由于成像系统的低通特性,损失信号中的高频分量,造成图片细节部分的缺失;另一方面,在信号处理过程中由于波瓣展宽,各像点发生混叠引起模糊.针对传统算法存在的成像清晰度差和分辨率低等缺点,提出了一种基于改进凸集投影(POCS)的亚毫米波成像超分辨率算法,该算法利用双线性...     

超分辨率图像重构边缘振荡的高效去除算法

针对POCS超分辨率图像重构算法在放大倍数加大时存在边缘振荡效应加剧和计算复杂性上升的问题，提出了一个能同时解决这两个问题的新算法，它将放大过程分步进行，并在每步引入边界自适应约束。实验结果表明，该算法在有效消除边缘振荡效应的同时，极大地提高了超分辨率图像重构的速度。     

水下视频图像的超分辨率重建与增强

针对水下视频图像对比度低、图像模糊和噪声突出的特点,提出一种新的基于凸集投影(POCS)的超分辨率图像重建与增强算法。在POCS迭代约束的过程中,采用小波域非线性函数抑制噪声并突出细节,然后用能量非递减性约束集进行修正。实验表明,该方法具有较好的超分辨率重建与增强效果。     

基于投影的单幅图像超分辨率重构算法

利用矩阵的Kronecker积,将现有的向量式成像模型转化为等价的矩阵式成像模型.基于新的矩阵式成像模型,提出了由高分辨图像构成的全空间到超分辨重构问题的解流形的投影算子,利用该算子可以直接得到超分辨重构结果.给出了理论分析.实验结果证实,所提算法能有效地改进超分辨率重构效果,对于标准Lenna图像,其峰值信噪比(PSNR)较双线性插值法和B-样条插值方法提高2.5dB以上,相对于其他算法也有不同程度的改进.     

一种新的基于凸集投影的空间域错误隐藏算法

针对视频传输过程中,出现误码引起的视频质量严重下降的问题,提出一种改进的视频错误隐藏中的凸集投影算法.该方法主要包括:对丢失块周围的完好块进行能量检测来确定丢失块的类型;根据所确定的丢失块的类型建立闭凸集;迭代求解.实验结果表明,与经典的凸集投影算法相比在信噪比相差不大的情况下大大减少了计算量.     

基于MG-CG算法的图像超分辨率重建

提出一种基于多重网格(MG)和共扼梯度(CG)算法相结合的图像超分辨率重建快速算法.首先采用Tikhonov正则化方法给出图像超分辨率重建模型;然后在系统介绍MG和CG算法的基础上,针对超分辨率重建中常见对称正定稀疏线性方程的求解,提出多重网格-共扼梯度(MG-CG)算法;详细讨论了MG-CG算法的光滑、限制、插值操作以及计算复杂度.实验结果表明该算法与MG、CG和Richardson迭代算法相比,具有更快的收敛速度.     

基于DSP系统的超分辨率图像重建技术研究

由于航空光电设备造价与体积等的限制,需要在不改变航空光电设备硬件结构的前提下,获取尽可能清晰的图像或视频。文章提出了基于DSP图像处理系统的超分辨率重建方法,首先利用Fourier-Mellin变换法和Keren算法的联合优化算法进行运动估计;然后利用基于边缘保持的凸集投影简化方法进行超分辨率重建;最终结合DM642的特征,在不降低精度的前提下,对算法进行优化实现。该方法在不增加系统结构体积和成本的前提下,有效地提高了成像系统的分辨力,进而提高系统的目标识别能力。在以DM642为核心嵌入式图像处理平台中实现超分辨率重建实验,所采用的相机分辨率为720×576,整个重建的时间由传统的几分钟甚至几十分钟下降至20s左右。实验结果表明,用本文方法重建出的图像细节明显比单帧插值的图像清晰,图像的平均梯度和信息熵有了明显提高。     

基于改进K-SVD字典学习的超分辨率图像重构

 针对已有算法中字典训练的时间消耗巨大的问题,提出了一种改进的基于字典学习的超分辨率图像重构算法.本文将K-SVD字典算法和高低分辨率联合生成的思想结合起来,形成新的字典训练方法,并将由该算法生成的高低分辨率字典应用于基于稀疏表示的超分辨率重构.重构仿真实验证明算法不仅有效降低了字典训练所消耗的时间,而且能够改善重构高分辨图像的质量.     

基于自注意力深度网络的图像超分辨率重建方法

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。     

面向指背关节纹识别的图像集与凸壳优化算法

本文将指背关节纹作为生物特征识别对象,提出了基于图像集与凸壳优化模型的指背关节识别算法。所提算法以指背关节纹图像集作为输入,并将局部相位特征方法用于指背关节纹特征提取,进而寻求适用于指背关节纹识别的凸壳优化模型,研究凸壳模型的构建方法并对其进行优化,从而完成指背关节纹的识别。仿真实验表明,所提算法在公开的指背关节纹中,均取得了不错的识别结果。      

基于GAN的无人机航拍图像重建

传统无人机采集传输过程中所传输的数据量常常造成无人机电池的高消耗。针对此类问题,文中提出一种融合超分辨重建和灰度图像彩色化的CsRGAN模型。通过生成网络对低分辨的灰度图像进行重建:先将图片进行分辨率放大,再进行色彩填充,然后通过判别器进行图片修正,最终将图片重建为彩色高清图像。实验结果表明,在固定区域下,所提出的模型能够在保证成像质量的同时减少无人机航拍的传输数据量,提高无人机的电池利用率,且模型具有较强的鲁棒性。     

超分辨率图像重构算法的研究

图像重构是数字图像处理的一个重要分支。文章在图像配准的基础之上，采用后向投影迭代算法对图像序列进行了高分辨率重构，并给出了其中详细的算法和实现过程。实验仿真结果表明该算法运算量小，收敛速度较快．具有良好重构效果。     

基于结构照明的超分辨荧光显微成像重建算法

由于具有低光毒性、高速宽视场以及多通道三维超分辨成像能力,超分辨结构照明显微术(SR-SIM)特别适合用于活细胞中动态精细结构的实时检测研究。超分辨结构照明显微图像重建算法(SIM-RA)对SR-SIM的成像质量具有决定性影响。本文首先简要介绍了超分辨显微术的发展现状,阐述了研究SR-SIM图像重建算法的必要性;然后介绍了SR-SIM的成像原理,并重点介绍了SR-SIM图像重建算法,包括SR-SIM中频繁使用的去卷积重建算法、SR-SIM校准与重建过程中参数值获取的算法,以及目前发展的超分辨结构照明显微图像重建算法,并介绍了SR-SIM工具箱;最后总结了当前发展超分辨结构照明显微图像重建算法需解决的5个问题。