基于小波变换和迭代反向投影的超分辨率算法

针对单帧图像的超分辨率的重建问题,在分析基于小波域及空间域相关算法的基础上,提出了一种基于小波变换和迭代反向投影的超分辨率重建算法。该算法结合了小波域和空间域算法的优势,在小波域通过小波变换对图像进行分解,再利用迭代反向投影方法使重构误差最小化,在小波域和空间域均采用简单插值方法来降低计算复杂度。实验数据表明,该算法与现有其他算法相比,得到的峰值信噪比较高,且运算复杂度较低,对图像的重建质量有明显改善。     

基于聚类的单帧图像超分辨率重建方法

为解决单幅图像的超分辨重建问题,提出一种基于聚类的单帧图像超分辨率重建方法.从高分辨率样本图像中学习一个结构聚类型的高分辨率字典,利用迭代收缩算法优化目标方程,求得高分辨率图像的表示系数,使用学习到的高分辨率字典对低分辨率图像进行重构.实验结果表明,与总变分方法、软切割方法和稀疏表示方法相比,该方法的单帧图像超分辨率重建效果较好.     

改进的基于稀疏表示的图像超分辨率重建算法

为改善单帧退化图像的分辨率,提出一种改进的基于超完备字典的图像超分辨率稀疏重构算法。该算法主要在字典训练过程中引入联合训练的思想以确保高、低分辨率图像块在其对应的过完备字典上具有相同的表示系数,并在图像重建过程中,利用迭代反投影加强全局重建约束。实验表明,与现有的几类算法相比较,该算法的重建图像无论在峰值信噪比还是结构相似性上均有明显提高。并且可应用于单帧模糊图像的超分辨率重建,有效地提高了图像的分辨率。     

基于字典学习和非局部相似的超分辨率重建

为提高单帧降质图像的分辨率,提出了一种基于字典学习和非局部相似性的超分辨率重建算法。该算法主要将高分辨率图像减去利用迭代反投影重建结果得到差值图像,再利用K-奇异值分解(K-SVD)算法和联合字典生成的思想形成的字典训练方法,训练差值图像块和低分辨率图像块得到对应的高、低分辨率字典用于超分辨重建。此外,引入非局部相似性的正则项约束以提高重建图像的质量。实验结果表明,所提算法重建得到的图像在主观视觉效果和客观评价上优于基于例子学习的超分辨率算法。     

基于小波变换和非局部平均的超分辨率图像重建

针对小波域超分辨率方法中重建图像存在的模糊效应,提出一种结合离散小波变换(DWT)、平稳小波变换(SWT)和非局部平均(NLM)的单帧图像重建方法DSNLM。算法首先对低分辨率图像同时进行DWT和SWT,得到四个子带图像;然后结合对应高频子带图像,直接将原始低频图像作为低频子带,各子带利用NLM滤波处理,得到待重建高分辨率图像的各子带图像;最后,通过离散小波逆变换(IDWT)得到最终的重建高分辨率图像。实验结果和重建视觉效果表明,所提方法与已有的超分辨率方法相比更优,在峰值信噪比(PSNR)、均方差(MSE)和结构相似性度量(SSIM)的评价指标上有显著的提高,对图像去噪、去模糊有效。     

跨尺度多分支网络的单帧图像超分辨率重建

超分辨率重建算法是计算机视觉领域的重点研究问题之一,目前各个领域对图像要求逐渐提高,现有的超分辨率重建算法通过加深单一网络深度来提升图像质量,忽略了重建时的计算复杂度问题,同时缺少利用图像自身信息来提升图像的重建效果。针对以上问题提出了一种跨尺度多分支的单帧图像超分辨率重建网络,跨尺度模块探索图像内部相似区域的相关性,用于提升重建图像细节信息的能力,并获得更好的视觉效果。多分支结构将图像中重建难度不同的区域,通过不同复杂度的网络分别进行重建,解决了深度网络计算复杂度高的问题。实验结果表明,该模型在Urban100和Manga109测试集上相比其他方法具有更高的峰值信噪比和结构相似度。     

基于小波稳健的超分辨率图像重建算法

针对超分辨率图像重建算法多存在计算量大、收敛稳定性不高且收敛慢的问题,提出一种基于小波稳健的正则化超分辨率图像重建算法。该算法利用小波变换生成初始图像,对重建图像的质量有明显提高。采用1-范式(L1)度量正则项,增强了算法的稳健性,通过导入自适应的正则参数提高了算法的效率。经仿真实验证明了算法的有效性。     

基于压缩感知的声纳图像超分辨率重建算法

超分辨率重建通用方法中,图像分解后对应小波基只能有效稀疏表示单一成分,往往只侧重边缘成分而忽略了光滑成分等。针对这个问题,本文改进了一种基于压缩感知的声纳图像超分辨率重建算法。该算法基于三种不同稀疏字典小波变换模型,运用一种基于K-均值聚类算法的结构化字典训练法,并采用Newton-Raphson法进行迭代算法处理,实现声纳图像压缩感知的超分辨率重建。最后通过仿真实验,验证了此种算法的可行性和有效性。实验结果表明,该算法获得的超分辨率图像能够很好地重建并保持原图像的特征,能高效地改善并提高重建质量。     

基于深度学习特征字典的单帧图像超分辨率重建

在基于字典的单帧图像超分辨率重建算法中,依赖人工浅层特征设计的字典表达图像特征能力有限。为此,提出基于深度学习特征字典的超分辨重建方法。该算法首先利用深度网络进行高、低分辨率训练样本图像深层次特征学习;然后,在稀疏字典超分辨框架下联合训练特征字典;最后,输入单帧低分辨率图像并利用该字典实现超分辨率重建。理论分析表明,引入深度网络提取图像深层次特征并用于字典训练,对低分辨率图像的高频信息补充更加有利。实验证明,与双三次插值以及基于一般人工特征字典的超分辨重建算法相比,本文算法的主观视觉和客观评价指标均高于对比算法。     

基于小波域HMT模型的序列图像超分辨率重建*

鉴于基于小波域隐马尔可夫树的噪声抑制性和较好的边缘保持性,提出一种基于小波域隐马尔可夫树的序列图像的超分辨率重建算法。针对小波系数进行统计建模,讨论了不同尺度小波系数之间的隐马尔可夫树结构,利用了序列图像的运动信息,运用极大后验概率估计和贝叶斯原理,将小波域HMT作为图像先验知识并给出了超分辨率重建算法,最终通过EM算法和共轭梯度算法的交替迭代进行优化计算。实验结果表明方法的重建效果得到了明显的改进。     

基于Curvelet变换的图像压缩感知重构

压缩感知主要采用离散余弦变换(DCT)和正交小波进行图像的稀疏表示,但是DCT时频分析性能不佳,小波方向选择性差,不能很好地表示图像边缘的信息。为此,利用Curvelet变换具有的多尺度、各向奇异性、更高稀疏表示性能等特性,提出基于Curvelet变换的图像压缩感知重构算法,采用Curvelet对图像进行稀疏表示和小波域阈值处理,以此解决信号重构噪声问题。实验结果证明,与传统小波变换和Contourlet变换相比,该算法在Lena图像上峰值信噪比平均提高了1.86 dB和1.15 dB。将Curvelet变换应用于压缩感知,能使图像边缘和平滑部分得到最优的表示,图像细节部分重构效果得到大幅提升,有效提高图像整体重构质量。     

一种基于静态小波变换的图像融合算法

给出了一种基于静态小波多尺度边缘检测的图像融合算法,是一种适用于微光和红外图像融合的多分辨率方法。该方法选择á trous多孔算法为基础,并选取不同尺度参数的LOG算子作边缘检测,利用了图像的多尺度边缘信息确定图像的边缘位置进行融合。在小波域中,对高频信息依据边缘检测的边缘点进行融合,对低频信息利用取加权法进行融合,再进行小波逆变换重构融合图像。通过红外和微光图像的融合实验结果表明,该方法能有效地突出边缘细节,提高图像分辨效果和人眼对场景目标的发现和识别概率。     

自适应多尺度分块压缩感知算法

目的 基于小波域的多尺度分块压缩感知重构算法忽略了高频信号在重构过程中的作用,丢失了大量的边缘与细节信息。针对上述问题,提出一种自适应多尺度分块压缩感知算法,不仅合理利用低频信息还充分利用图像的高频信息,在图像细节复杂度提高的情况下保证图像重构质量的提高。方法 首先进行3层小波变换,得到一个低频信号和9个高频信号,分别进行小波逆变换后分成大小相同互不重叠的块,对低频部分采用2维邻块边缘自适应加权滤波的方法进行处理,对高频部分采用纹理自适应分块采样,最后利用平滑投影Landweber（SPL）算法对其进行重构。结果 与已有的分块压缩感知算法、基于边缘和方向的分块压缩感知算法和基于纹理和方向的分块压缩感知算法相比,本文算法在不同的采样率下,性能均有所提升,代表细节信息的高频信号得到充分重建,改进的算法所得到的重建图像具有较高的分辨率,尤其对细节较为丰富的图像进行重建后具有较高的峰值信噪比;2维邻块边缘自适应加权滤波有效的去除了重建图像的块效应,且重建时间平均减少了0.3 s。结论 将三层小波变换后的高频分量作为纹理部分,利用自适应多尺度分块重建出图像的轮廓与边缘;将低频分量直接视为平坦部分,邻块边缘自适应加权滤波重建出图像细节,不仅充分利用了图像的高低频信息,还减少了平坦块检测过程,使得重建时间有效缩短。经实验验证,本文算法重建图像质量较好,尤其是对复杂图像明显消除了块效应,边缘和纹理细节较清晰。因此主要适用于纹理细节较复杂的人脸图像、建筑图像和遥感图像等。     

基于Laplacian金字塔和小波变换的医学CT图像增强算法

对医学图像进行增强可提高信息的利用率。传统的图像增强方法应用于医学图像时处理效果一般,存在诸多问题,如在增强图像的同时使图像的细节丢失,减弱了图像中目标的边缘信息,降低了图像的对比度。针对上述问题,提出一种基于小波变换和Laplacian金字塔分解的图像增强算法。首先,对原医学图像进行小波变换分解,得到处理结果;然后,对原医学图像进行Laplacian金字塔分解,得到医学图像的高频信息;最后,利用小波变换的结果和Laplacian金字塔分解的结果进行重构,得到增强后的图像。实验结果表明,该方法的增强效果明显优于传统的图像增强算法,对医学图像具有较好的增强效果,同时能更好地抵抗噪声。     

基于小波域的深度残差网络图像超分辨率算法

单幅图像超分辨率（SISR）是指从一张低分辨率图像重建高分辨率图像.传统的神经网络方法通常在图像的空间域进行超分辨率重构，但这些方法常在重构过程中忽略重要的细节.鉴于小波变换能够将图像内容的"粗略"和"细节"特征进行分离，提出一种基于小波域的深度残差网络（DRWSR）.不同于其他传统的卷积神经网络直接推导高分辨率图像（HR），该方法采用多阶段学习策略，首先推理出高分辨率图像对应的小波系数，然后重建超分辨率图像（SR）.为了获取更多的信息，该方法采用一种残差嵌套残差的灵活可扩展的深度神经网络.此外，提出的神经网络模型采用结合图像空域与小波域的损失函数进行优化求解.所提出的方法在Set5、Set14、BSD100、Urban100等数据集上进行实验，实验结果表明，该方法的视觉效果和峰值信噪比（PSNR）均优于相关的图像超分辨率方法.     

基于小波变换和曲波变换的图像边缘检测新算法

针对图像处理中的边缘检测问题,提出了一种基于小波变换和曲波变换的图像边缘检测新算法。首先对原始图像进行小波变换得到小波边缘图像;然后对原始图像进行曲波变换并使用Canny算子得到曲波边缘图像;最后基于小波变换的窗口内边缘强度自适应融合算法将小波边缘图像和曲波边缘图像进行融合得到最终边缘图像。该方法结合了小波变换描述图像细节特征的优势和曲波变换处理曲线或直线边缘特征的优势,能全面刻画边缘图像的纹理与细节信息,提高了图像清晰度。仿真实例表明了该算法的有效性。     

基于Sobel算子的小波包变换遥感图像融合算法

针对遥感图像融合时图像的空间信息与光谱信息不易兼容的问题,在小波包变换的基础上提出了一种基于Sobel算子的图像融合算法。该方法将多光谱图像与高分辨率图像进行小波包变换,根据阈值选用不同的融合准则得到小波低频系数,利用Sobel算子提取图像高频特征值,采用最值法获取高频系数。实验结果表明,所提算法优于传统的HIS(Intensity,Hue,Saturation)变换、小波变换以及两者结合的方法,在较好地保留图像光谱信息的同时,进一步增强图像的细节信息、边缘特征,从而提高图像的清晰度。     

小波变换与纹理合成相结合的图像修复

目的 为了克服传统的图像修复算法在结构和纹理边界的错误修复,利用小波变换域的系数特征,探讨了一种基于小波变换与纹理合成相结合的修复算法。方法 算法先利用小波变换将待修复图像分解成具有不同分辨率的低频子图和高频子图,然后根据不同子图各自的特征分别进行修复。对代表图像结构信息的低频子图,采用FMM(fast marching method)算法进行修复;对代表图像纹理信息的高频子图,根据各子图中小波系数的特征,利用纹理合成方法进行修复。结果 分层、分类修复方法对边缘破损具有良好的修复效果,其峰值信噪比相比于传统算法提高了1~2 dB。结论 与相关算法相比,本文算法的综合修复能力较好,可以有效修复具有较强边缘和丰富纹理的破损图像,尤其对破损自然图像的修复,修复后图像质量得到较大提升,修复效果更符合人眼视觉效应。     

基于边缘方向性的小波边缘检测算法

现有的基于小波变换的图像边缘提取方法会导致边缘细节的损失且边缘位置会发生偏移,因此本文给出了一种改进的边缘检测方法。该算法先对图像进行平滑处理,然后用小波变换提取边缘。传统的平滑方法避开了边缘的方向性,且对图像的边缘保持效果不佳。本文提出了基于边缘方向性的平滑算法,该算法在处理边缘像素时可自动搜索边缘方向进行平滑,用该算法和小波方法结合进行边缘检测。仿真实验给出的实验结果有力地证明了该方法的有效性。     

基于自适应块组割先验的噪声图像超分辨率重建

要增强噪声图像的分辨率,传统的串联方式依次进行去噪与超分辨率重建两个步骤,但去噪算法去除噪声的同时也损失了部分细节信息,影响了后续超分辨率重建的质量.为了使低分辨率噪声图像中所有细节信息都能参与超分辨率重建,本文以非局部中心化稀疏表示（Nonlocally centralized sparse representation,NCSR）模型为基础,提出了基于自适应块组割（Patch-group-cuts,PGCuts）先验的噪声图像超分辨率重建方法,同时实现去噪和超分辨率重建功能.块组割先验基于新颖的三维邻域系统和块组模型,能够达到图像去噪、边缘平滑和边缘清晰等效果.重建时以边缘强度为参考对块组割先验进行自适应约束,由于块组割在平滑区域约束力较低,采用分区域融合的方式进一步抑制噪声.本文对合成的低分辨率噪声图像和真实的低分辨率噪声图像进行了重建实验,实验表明,基于自适应块组割先验的噪声图像超分辨率重建算法,在丰富细节的同时能抑制噪声的干扰,不但具有较高的峰值信噪比和结构相似度等客观评价值,而且在非光滑区域具有很好的主观重建效果.