基于分组SVR和KNR的单帧图像超分辨

基于学习的图像超分辨是超分辨领域的一类新方法,该方法通过建立映射模型有针对性地对图像目标进行恢复,取得较好的超分辨效果,但往往需要大量学习样本,实际情况中一般难以满足。在无高分辨清晰图像库作为训练样本的前提下,从低分辨图像与其插值图像之间的关系出发,引入分组的思想,采用支持向量回归（SVR）或核非线性回归（KNR）对“组”建立局部映射模型,利用局部模型针对性地重新估计被插值的像素点。结果表明该方法有明显的超分辨效果。     

基于径向基函数的多帧图像超分辨重建算法

神经网络具有强大的非线性学习能力,基于神经网络的多帧超分辨重建方法获得了初步研究,但这些方法一般只能应用于帧间具有标准位移的控制成像情形,难以推广应用到其他实际情况。为了将神经网络强大的学习能力应用到非控制成像多帧超分辨重建中,以获得更好的超分辨效果,提出了一种利用径向基函数(RBF)神经网络进行解模糊的算法,并将其与多帧非均匀插值结合起来,形成了一种新的两步超分辨算法。仿真实验结果表明,该算法的结构相似度为0.55~0.7。该算法不但扩展了RBF神经网络的应用范围,还获得了更好的超分辨性能。     

一种基于小波与双三次插值的CCD图像超分辨方法*

为了尽可能地保持CCD图像的原始信息,提高图像的空间分辨率,有利于对图像的细节信息进行观察分析,对各种超分辨方法进行研究,提出了一种改进的基于小波和双三次插值的超分辨方法：对低分辨率图像进行灰度变换,并把它作为小波逆变换的低分辨率图像,对图像进行恢复,再与低分辨图像的双三次插值图像求平均。将该方法应用于CCD图像,从视觉上空间分辨率有提高,并可以获得25.524 4 dB的峰值信噪比。实验结果表明,该算法得到了比全小波双三次插值、原图像作为低频图像小波双三次插值和双线性插值更高的峰值信噪比及更好的图像细节     

基于SIFT特征的多帧图像超分辨重建

精确的亚像素级图像配准是图像超分辨重建中的关键问题.在图像超分辨重建中广泛使用的基于像素特征的光流法,对于大幅度运动场的计算很难做到精确的亚像素级配准.本文考虑了一种基于SIFT(scale invariant feature transform)特征的鲁棒性多帧图像超分辨重建算法.首先提取输入的低分辨待匹配图像对的SIFT关键点及其特征矢量.随后选取候选匹配关键点对,通过RANSAC(random sample consensus)鲁棒方法去除奇异值,并根据假设的平移性几何约束模型,获得图像对的平移运动配准参数,然后选取视场中心对应的或指定的图像帧为初始参考帧,再使用传统的超分辨重建框架获得最终的重建结果.仿真实验结果表明,提出的基于SIFT特征的图像超分辨重建方案是有效的,超分辨重建的图像质量在主观评价和客观指标上都获得了优于经典算法的效果.     

基于径向基函数的多帧图像超分辨重建算法

神经网络具有强大的非线性学习能力,基于神经网络的多帧超分辨重建方法获得了初步研究,但这些方法一般只能应用于帧间具有标准位移的控制成像情形,难以推广应用到其他实际情况。为了将神经网络强大的学习能力应用到非控制成像多帧超分辨重建中,以获得更好的超分辨效果,提出了一种利用径向基函数(RBF)神经网络进行解模糊的算法,并将其与多帧非均匀插值结合起来,形成了一种新的两步超分辨算法。仿真实验结果表明,该算法的结构相似度为0.55～0.7。该算法不但扩展了RBF神经网络的应用范围,还获得了更好的超分辨性能。     

用于单幅模糊图像超分辨的Transformer融合网络

目的 以卷积神经网络为代表的深度学习方法已经在单帧图像超分辨领域取得了丰硕成果,这些方法大多假设低分辨图像不存在模糊效应。然而,由于相机抖动、物体运动等原因,真实场景下的低分辨率图像通常会伴随着模糊现象。因此,为了解决模糊图像的超分辨问题,提出了一种新颖的Transformer融合网络。方法 首先使用去模糊模块和细节纹理特征提取模块分别提取清晰边缘轮廓特征和细节纹理特征。然后,通过多头自注意力机制计算特征图任一局部信息对于全局信息的响应,从而使Transformer融合模块对边缘特征和纹理特征进行全局语义级的特征融合。最后,通过一个高清图像重建模块将融合特征恢复成高分辨率图像。结果 实验在2个公开数据集上与最新的9种方法进行了比较,在GOPRO数据集上进行2倍、4倍、8倍超分辨重建,相比于性能第2的模型GFN(gated fusion network),峰值信噪比(peak signal-to-noive ratio,PSNR)分别提高了0.12 d B、0.18 d B、0.07 d B;在Kohler数据集上进行2倍、4倍、8倍超分辨重建,相比于性能第2的模型GFN,PSNR值分别...     

基于全局运动模型配准的图像超分辨重建

把全局运动模型配准算法运用到序列图像超分辨重建中,通过与优化的基于频域的配准法进行对比,在运动模型可以准确地反映物体运动状态的情况下,该算法能够更精确地估计运动参数,从而确保重建后的高分辨率图像拥有更多细节信息。同时,阐述了参与重建的低分辨率图像帧数越多,重建精度会越高,但随着帧数的增多,重建误差降低幅度会越低,而算法复杂度及其耗时会过多地增加,因此提出应根据对重建精度的要求而确定参与重建的低分辨率图像的帧数。     

基于图像类推的超分辨技术

目前的图像超分辨技术都依赖于从适当的外部数据集合中提取信息以对图像进行增强,然而这个条件在很多实际应用中难以得到满足.通过对理想边缘模型与纹理内容的分析,发现图像在尺度空间上具有局部结构的自相似性及可传递性.基于这个特点,应用图像类推技术(image analogies,简称IA),可以将图像的局部特性在不同尺度上进行传递,从而为低分辨图像补充结构信息.在实现上。利用原图像和退化图像建立训练集合,用能量图构建学习网络,将图像类推问题转化为求解最小图能量问题.实验结果表明,这种自我类推方法不仅可以有效地提高放大图像的清晰程度,而且较一般的IA算法速度大为加快,更为重要的是,它可以摆脱一般方法对训练集合的依赖,完全独立进行.     

频域内基于邻域特征学习的单幅图像超分辨重建

针对图像重建过程中待插值点灰度估计不准确的问题,提出一种基于邻域特征学习的单幅图像超分辨回归分析方法。在输入低分辨率图像后,利用图像特征从低分辨率图像及其对应高分辨率图像的几何相似结构中学习局部协方差。对于邻域中的每一个图像块,估计4个方向的方差以适应插值像素。实验结果表明,该方法既能保证重建的高分辨率图像均匀区域的一致性,同时也能完整保留图像细节信息和边缘轮廓。     

单幅图像超分辨重建的深度学习方法综述

图像超分辨重建（Super-Resolution,SR）是指利用信号处理和机器学习等方法,从单幅或者多幅低分辨率图像（Low Resolution,LR）中重建对应的高分辨率图像（High Resolution,HR）的技术。由于多幅LR图像之间亚像素位移的不可预知性,单幅图像超分辨重建（Single Image Super-Resolution,SISR）逐渐成为超分辨研究的主要方向。近年来,深度学习方法得到迅速发展,并广泛应用到图像处理领域。因此,针对单幅图像超分辨重建所使用的深度学习相关算法和网络模型进行系统的总结。介绍图像超分辨问题的设置和评价指标;讨论和比较单幅图像超分辨重建的深度学习算法,主要从网络结构设计、损失函数和上采样方式三方面进行论述;介绍常用的标准数据集,并选用基于不同网络模型的几种典型算法进行实验对比分析;展望图像超分辨技术未来的研究趋势和发展方向。     

基于三参数模型的视频图像配准方法研究

视频图像配准是运动视频处理中的一项关键技术。提出了一种新的基于3参数模型的配准算法,该算法利用多尺度的角点检测方法从相邻两帧中抽取特征点,选用Hausdorff距离对特征点集进行匹配,计算3参数模型参数,从而实现图像配准。与传统的6参数仿射模型相比,模型参数的降低并没有显著降低配准效果,同时由于参数搜索空间的减少,该方法用更快的速度得到较准确的结果。     

基于角点检测的彩色图像拼接技术

针对彩色图像的拼接问题,提出了一种基于角点检测和仿射变换模型的图像配准算法.利用Harris算子在彩色图像的HSV空间的亮度分量V中检测角点,然后引入基于灰度相关交叉匹配和简化RANSAC算法的两级约束机制确定同名角点,并计算图像仿射变换模型参数,实现图像配准.同时结合人眼的视觉非线性给出了一种分段加权函数,通过对饱和度分量S和亮度分量V的处理,消除明显的拼接缝,实现色彩和亮度的平稳过渡.实验结果表明,该算法具有良好的拼接精度和拼接缝消除效果.     

基于视觉显著熵与Object Bank特征的图像记忆性模型

为了提高图像的记忆性预测能力,提出了一种基于视觉显著熵与改进的Object Bank特征的图像记忆性自动预测方法。该方法改进了传统的Object Bank特征,提取图像的视觉显著熵特征,利用支持向量回归机(SVR)训练得到图像的记忆性预测模型。实验结果表明,在预测准确性方面,所提方法比现有的方法的相关系数高出3个百分点。所提出的模型可以应用于图像的记忆性预测、图像检索排序、广告评价分析等方向。     

基于非局部自相似的Shearlet自适应收缩图像去噪

针对Shearlet收缩去噪引入的Gibbs伪影和"裂痕"现象,提出一种结合非局部自相似的Shearlet自适应收缩图像去噪方法.首先,对噪声图像进行多方向多尺度的Shearlet分解;然后,基于高斯比例混合(GSM)模型的Shearlet系数分布建模,利用贝叶斯最小二乘估计对Shearlet系数进行自适应收缩去噪,重构得到初始去噪图像;最后,利用非局域自相似模型对初始去噪图像进行滤波处理,得到最终的去噪图像.实验结果表明,所提方法在更好地保留边缘特征的同时,有效地去除噪声和收缩去噪引入的Gibbs伪影,该方法获得的峰值信噪比(PSNR)和结构自相似指标(SSIM)比基于非抽样剪切波变换(NSST)的硬阈值去噪方法提高1.41 dB和0.08;比非抽样Shearlet域GSM模型去噪方法提高1.04 dB和0.045;比基于三变量模型的剪切波去噪方法提高0.64 dB和0.025.     

热扩散和整体变分模型自适应调整的图像放大模型

近年来基于偏微分方程的图像处理因其具有更强的局部自适应特性和高度的灵活性而成为继小波图像处理之后新的研究热点。本文在对热扩散模型和TV（Total Variation）模型分析的基础上,针对二模型在图像平滑区域及边缘或纹理区域扩散所表现出的不同特性和优势,提出一种基于图像局部特性的自适应混合图像放大模型,该模型以双线性插值后的放大图像为初始值,根据像素点梯度特性在平滑区域和边缘或纹理区域自适应的调整扩散模型,使得在平滑区域进行热传导的同性扩散,而在边缘和纹理区域处则进行沿与梯度方向相垂直的方向扩散。该模型很好的抑制了图像插值放大后所带来的块状效应,以及放大后边缘或纹理区域的假边缘现象。理论上证明了所提出模型解的存在性,同时大量的仿真实验验证了所提出模型的有效性。     

基于NSCT的区域自适应图像插值算法

提出一种基于非下采样轮廓波变换(nonsubsampled contourlet transform, NSCT)的分区域自适应插值算法,将图像划分为不同区域,相应地采用不同的方法实现图像插值.首先,构造了一类有理函数插值模型,分析了其C\\+2连续性条件,给出了误差估计.其次,通过NSCT捕获到图像的边缘轮廓信息,利用其高频信息的统计特性设定阈值,根据阈值将图像自适应地划分为边缘区域和非边缘区域.最后,边缘区域采用新的基于边缘指导的插值(new edge-directed interpolation, NEDI)模型,非边缘区域采用C\\+2连续有理函数模型插值,进而得到目标图像.实验结果证明:提出的基于NSCT的区域自适应插值算法与当前经典插值算法相比,在处理图像纹理细节和边缘方面具有明显优势,同时获得了较好的客观评价数据,且时间复杂度较低.     

基于双十字曲率驱动扩散模型的图像修复算法

当前各种基于曲率驱动扩散(CDD)模型的图像修复算法在修复待修复点时均只利用了其邻域中的4个点的参考信息,使修复后的图像边缘过渡不自然且修复精度不够高。针对以上问题,提出了基于双十字CDD的图像修复算法。该算法在充分利用原始CDD算法中4个邻域点的参考信息得到待修复点的修复像素值的基础上,再利用新引入的4个点的参考信息得到一个新的修复像素值,并将这两个修复像素值进行加权平均得到最终的修复像素值。最后,将提出的算法和原始的CDD算法以及改进的CDD算法用于实例验证,其结果表明,新提出的算法在不增加算法时间复杂度的条件下,使得图像边缘过渡更加自然,修复精度得到了有效提高。     

基于优化视觉词袋模型的图像分类方法

针对视觉词袋（BOV）模型中过大的视觉词典会导致图像分类时间代价过大的问题,提出一种加权最大相关最小相似（W-MR-MS）视觉词典优化准则。首先,提取图像的尺度不变特征转换（SIFT）特征,并用K-Means算法对特征聚类生成原始视觉词典;然后,分别计算视觉单词与图像类别间的相关性,以及各视觉单词间的语义相似性,引入一个加权系数权衡两者对图像分类的重要程度;最后,基于权衡结果,删除视觉词典中与图像类别相关性弱、与视觉单词间语义相似性大的视觉单词,从而达到优化视觉词典的目的。实验结果表明,在视觉词典规模相同的情况下,所提方法的图像分类精度比传统基于K-Means算法的图像分类精度提高了5.30%;当图像分类精度相同的情况下,所提方法的时间代价比传统K-Means算法下的时间代价降低了32.18%,因此,所提方法具有较高的分类效率,适用于图像分类。     

基于色度-亮度全变分模型的彩色图像放大

采用传统插值法放大的图像存在边缘锯齿化和边缘模糊化缺点。针对该问题,在分析图像复原全变分模型的基础上,将色度-亮度全变分复原模型用于彩色图像放大,使图像放大问题转化为图像修补问题。实验结果证明,该方法能保持放大后图像边缘的光滑与清晰。