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。     

基于邻域回归的医学图像超分辨率重建

为了提高医学图像的分辨率,提出一种基于内部样例的邻域回归的超分辨率方法。首先,把输入的低分辨率图像当做高分辨率图像去构造基于自身实例的内部图像训练集,不再依赖外部训练集;然后,把高分辨率重建分成高频重建和低频重建,用邻域回归方法重建图像高频细节部分,用双三次插值方法重建低频部分;最后,用迭代组合的方法联合高频分量和低频分量来获得最终输出的高分辨率图像。实验结果表明,该方法性能优于传统的超分辨率重建算法,重建出的医学图像视觉效果更真实。     

图像超分辨率重建技术综述

超分辨率(SR)重建技术是利用一幅或多幅低分辨率(LR)图像的信息重建出一幅高分辨率(HR)图像,同时能够消除由成像器件引入的模糊、噪声.该技术应用领域广泛,已经成为国内外图像处理领域的研究热点之一.介绍了超分辨率重建技术的基本原理,并分别以单帧和多帧、频域和空域为分类依据,分别阐述了超分辨率重建技术的经典方法,系统地总结了各种方法的优缺点,提出了超分辨率重建技术可能的研究方向,从而为超分辨率重建相关技术的进一步研究提供一定的理论基础.     

基于深度学习的图像超分辨率重建优化研究

文章以图像超分辨率重建为研究对象,围绕深度学习方法中的超分辨率卷积神经网络（Super ResolutionConvolutionalNetwork,SRCNN）展开研究,同时引入基于正则化的优化方法。文章首先对SRCNN的基本框架进行深入研究,其次提出一种正则化优化方法,最后采用DIV2K数据集验证优化方法在图像重建任务中的有效性。实验结果表明,采用正则化优化的SRCNN在保真度和结构相似性方面均取得了显著提升。     

基于粒子滤波的人脸图像超分辨率重建方法

将人脸图像超分辨率重建描述为人脸混合模型的纹理和位置参数的贝叶斯概率估计问题,将超分辨率重建的图像配准和像素融合这两个过程置于统一的概率估计框架下,并利用基于粒子滤波的参数估计算法,同时估计纹理和位置参数,从而实现人脸图像的超分辨率重建.包含灰度和位置两种先验信息的人脸混合模型,同时用于超分辨率重建的两个过程中,提高了图像配准精度和重建算法的性能,避免了通常方法在获得准确鲁棒的运动场估计时需要清晰的高分辨图像,而获得清晰的高分辨图像时又需要准确鲁棒运动场估计的困境.正面人脸合成序列图像实验结果表明,该方法获得的重建结果较为理想.     

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.     

基于插值的遥感图像超分辨率重建

利用卫星对地观测的特点,容易得到同一地区的多幅多时相的遥感影像.这些影像提供了不同角度对地观测的数据,影像之间存在着互补性的信息.本文中提出了利用插值进行超分辨率重建的简单算法,首先对不同的遥感影像进行运动参数估计.进行图像配准.然后将低分辨率的遥感影像投影到高分辨率的网格上以获得超分辨率重建后的影像.重建后的图像的目视效果较好,图像的平均值、标准差及信息熵等对比效果有所提高.     

超分辨率图像重建方法研究

超分辨率图像重建就是由低分辨率图像序列来估计高分辨率图像，已成为当前研究的热点。对超分辨率的概念和应用场合进行了阐述，对空域的几种主要重建方法进行了详尽分析与比较，并研究了压缩域中的重建方法，指出了各自的优点与不是。研究表明，超分辨率重建具有广泛的应用前景，其成像模型、运动估计、重建算法和实时实现将是今后研究的重点。     

基于迭代反投影的彩色图像超分辨率重建磁

给出了一种结合相位相关配准算法和迭代反向投影的彩色图像超分辨率重建算法。相位相关算法是一种利用频域信息估计图像之间偏移量的快速算法。在HSV颜色空间下利用低分辨率图像间的亚像素偏移量进行迭代反投影,保留图像的 H通道只对S通道和V通道进行迭代反投影。实验证明重建后的彩色图像与原始图像色调保持一致,并且很好地重建出图像的细节和纹理,避免了经过迭代之后造成的图像过度的平滑和颜色失真。     

基于HMRF的自适应超分辨率图像重建算法

在MAP超分辨率图像重建算法中,用Huber-Markov随机场(HMRF)作为图像的先验模型相比于Gaussian-Markov随机场(GMRF)能够更好地保护图像的边缘和细节.在以往的研究中,对于如何选取Huber函数的阈值参数T并没有一个很好的方法.本文提出了一种自适应的MAP超分辨率重建算法,该算法可以自动确定参数T,并根据重建的中间结果,不断对其进行更新,通过迭带最终得到重建图像.实验结果表明,该方法实现了参数的自动选取,在得到期望的高分辨率图像的同时,有效地保护了图像的边缘信息和细节.     

基于稀疏表达的遥感影像超分辨率重建

针对其他超分辨率重建方法数据冗余量大,较为繁琐的问题,基于"稀疏表达"具备模型简单、容易理解、容易操作的特点,提出利用"稀疏表达"理论进行遥感图像的超分辨率重建的设想。先将整个图像空间分为几个不同的子空间,然后在各子空间内构建与正交匹配追踪算法迭代过程中各层面几何结构相适应的分层字典,即利用退化的遥感影像训练过完备字典。     

基于学习的超分辨率重建技术

超分辨率重建是图像处理和计算机图形学领域的热点研究问题．主要介绍基于学习的超分辨率重建技术的基本理论和研究进展,包括基于支撑向量机、流形学习和独立分量分析等几种典型的基于学习的超分辨率重建技术以及作者的最新研究结果,最后对未来可能的发展做了展望．     

基于矩阵秩估计偏移量的频域超分辨率重建

假设图像频谱是有限波段的,将低分辨率图像混迭的离散傅里叶变换系数与未知场景连续傅里叶变换的相应采样点相联系。利用矩阵相乘描述成像模型中各个元素之间的关系,基于矩阵秩的关系构造目标函数。通过对目标函数进行最小化,可以得到正确的序列图像相对位置关系和连续傅里叶变换的系数,将高精度配准与后期图像重建相结合。实验结果证明,该方法取得了良好效果。     

基于POCS算法的图像超分辨率重建

传统POCS算法对图像进行超分辨率重建时,一般都假设所处理的噪声为零均值的加性高斯白噪声,当噪声为非高斯噪声如椒盐噪声时,POCS算法的重建效果将会下降.针对这一问题,本文对含噪图像首先采用平稳离散小波变换技术进行去噪预处理,然后再用POCS算法重建图像.实验证明,此方法对信噪比较低的图像有很好的重建效果,对高斯及椒盐等噪声处理比较有效.     

基于正则化的超分辨率图像重建方法及其实现

超分辨率图像重建是用同一景物的若干低分辨率图像通过数字图像处理技术获取其高分辨率图像的一种技术.介绍了基于正则化方法的超分辨率图像重建的研究现状和以正则化为基础的几种重建方法在近几年的研究和发展趋势.在此基础上,实现了一种遥感图像的正则化超分辨率重建算法,实验验证了方法的有效性.     

图像超分辨率重建算法综述

图像超分辨率重建旨在从低分辨率图像恢复出高分辨率清晰图像.阐述了典型图像超分辨率重建方法的思想,从上采样位置和上采样方法、学习策略、损失函数等维度,对典型和最新的基于深度学习的图像超分辨率重建算法进行了评述,分析了最新的发展现状,并对未来发展趋势进行了展望.     

基于多字典的单幅图像超分辨率重建

对于目前图像超分辨率重建算法中的问题，忽略重建图像结构性和重建过程中丢失高频信息，提出了一种基于多字典的单幅图像超分辨率重建算法。在字典学习阶段根据每个图像块的主方向角，对所有训练图像块进行聚类并训练各类的字典。利用训练得到的字典重建训练样本并计算各类的残差图像块，然后对残差图像块再进行聚类、训练残差字典。用锚定邻域回归方法重建高分辨率图像，实验结果表明，该算法在客观评价和视觉效果上均优于许多优秀的图像超分辨算法。     

基于自适应运动估计的视频超分辨率重建

针对传统的空域超分辨率重建算法过度依赖配准的精度而限制了算法的适用范围,提出基于自适应运动估计的视频超分辨率重建算法。在非参数估计的核回归模型的基础上,将二维核回归函数扩展到三维,把视频序列中的每一个像素点表示成三维泰勒展开式。通过局部加权最小二乘法得到展示的系数,用核回归的权重捕捉时空局部运动信息,避免了显式的亚像素精度的运动估计。在标准测试视频数据库中的实验表明,该算法具有较好的重建效果和较大适用范围,可用于具有局部和复杂运动的视频。     

基于超分辨率重建的低质量视频人脸识别方法

随着深度神经网络的兴起,人脸识别技术得到了飞速发展.但在光照条件差、低分辨率等情况下的低质量视频S2V(Still to Video)人脸识别由于存在低质量测试视频与样本库高清图像的异质匹配问题,仍然没有达到预期的效果.针对这个问题,提出一种基于超分辨率重建的低质量视频人脸识别方法.首先根据人脸姿态对低质量视频帧采用聚类算法和随机算法选取关键帧,然后建立一个面向低质量视频S2 V人脸识别的超分辨率重建模型S2 V-SR,对关键帧进行超分辨率重建,从而获得高分辨率且更多身份特征的超分辨率关键帧,最后使用视频人脸识别网络提取深度特征进行分类投票,得到最终的人脸识别结果.所提方法在COX视频人脸数据集上进行实验测试,在相对较高质量的cam1和cam3视频中获得了最好的识别准确率,即55.91％和70.85％,而在相对较低质量的cam2视频中获得了仅次于最好方法的识别准确率.实验结果证明,所提方法能够在一定程度上解决S2 V人脸识别中异质匹配的问题,并且能够获得较高的识别准确性和稳定性.     

基于残差网络的图像超分辨率重建算法

传统的卷积神经网络用到的方法是在稀疏表示的超分辨率图像的基础上学习高/低分辨率图像之间端到端的映射,输入的是高分辨率的图像,输出的是低分辨率的图像,拥有三层卷积层的SRCNN虽然有一定的重建效果,但是感受野较低,因此,提出加深网络结构的方法,此次改进使得后面的网络层拥有更大的感受野,这样结果的像素点可以根据更多的像素点来推断。但是考虑到网络结构加深对传输速率的影响,通过引入局部残差学习和全局残差学习相结合的方法来提高学习率,通过该办法有效地加快了收敛速度,并且通过实验结果验证,与已有的Bicubic、SRCNN和VDSR相比,重建效果在峰值信噪比、结构相似性和视觉效果上均有所提升。