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.     

基于改进POCS算法的太赫兹图像超分辨率重建

在太赫兹成像系统中,因衍射极限而导致图像具有较低的空间分辨率.为了提高图像的分辨率,提出了一种改进的凸集投影(POCS)算法.采用新的边缘指导插值(NEDI)算法获取初始图像;采用对中心像素在边缘的模板系数加权的方式优化点扩散函数,并且加权值能随边缘与水平方向夹角的改变而自适应调整.利用太赫兹扫描成像系统生成0.5 T...     

基于MAP技术的图像类推超分辨重建方法

在最大后验概率(Maximum A Posterior,MAP)的基础上,结合图像类推(Image Analogies,IA)思想,提出一种序列图像超分辨率重建方法--MAPIA (Maximum A Posterior Image Analogies).该算法先利用传统MAP方法将序列图像进行超分辨率重建,然后在序列图像中选取一帧图像与重建后的图像构造训练集合的图像对,学习它们之间的关系,利用图像类推技术进行超分辨率重建.实验证明文中方法不仅能有效提高图像的清晰度,而且较其它的方法,能得到边缘更加清晰、细节更加突出的重建图像.     

基于迭代条件模型算法的图像超分辨率重建

图像超分辨重建是从一系列降质的低分辨率图像中获取高分辨率的图像。在最大后验概率算法基础上提出了一种基于马尔可夫随机场的超分辨率重建算法,并通过迭代条件模型实现超分辨率图像重建。实验结果表明,与传统的超分辨率重建算法相比,该算法是一种快速的计算最大后验概率的方法,采用Potts-Strauss模型作为图像的先验概率密度函数,经过五、六次的迭代就能达到理想的迭代效果,解决了最大后验概率算法计算量大的缺点,是一种高效的超分辨率重建算法,具有一定的实用价值。     

边缘增强型非局部模型超分辨率重建算法

针对一些超分辨率重建算法鲁棒性差、边缘保持能力有限、降噪效果不理想等不足,提出一种基于最大后验概率估计的边缘增强型非局部模型超分辨率重建算法。算法引入了非局部模型,并将图像的边缘信息加入模型系数的计算中,是对基于BTV(bilateral total variance)模型超分辨率重建和基于MRF(Markov random field)模型超分辨率重建的有效改进,提高了算法的鲁棒性、边缘保持能力和降噪能力。实验结果表明,该算法性能稳定,在信噪比较低情况下也能保持图像的边缘信息,取得比较好的重建效果。     

基于峭度图像的超分辨率重建算法

针对在强噪声环境下,传统的超分辨率重建算法重建图像效果不佳的问题,提出一种基于峭度图像的超分辨率重建算法。定义峭度图像,从统计学角度分析得到峭度图像的2个重要性质,即具有高斯不变性,并且图像越模糊,峭度绝对值越小。在满足高分辨率图像与低分辨率图像之间反卷积的剩余误差有界的前提下,通过最大化峭度绝对值求解未知的高分辨率图像,采用Lagrange乘子法则求解此约束优化问题。分析高斯噪声和非高斯噪声环境下算法性能。仿真结果表明,该算法在主观视觉和客观评价上都明显优于传统算法。     

基于频域、时域相结合的自适应图像超分辨率重建

基于最大后验概率(MAP)的超分辨率(SR)重建的研究重点是规则化项的选择,且其大都在频域中实现,为此提出一种基于频域、时域相结合的图像SR重建方法.首先,根据不同图像的特点,定义了频域规则化项(FR)和时域规则化项(TR);然后,给出了图像重建模型,引入频域、时域自适应权值来加强算法的自适应性;最后,运用共轭梯度法推导出重建迭代计算公式.实验表明,所提出的算法具有良好的收敛性和精确性.     

基于学习的人脸图像超分辨率重建方法

提出一种针对正面人脸图像的超分辨率重建方法,通过学习人脸图像梯度的空间分布特性,获取梯度先验知识;通过结合贝叶斯最大后验概率估计理论,采用最速下降优化方法得到高分辨率人脸图像。实验结果表明,该方法在仅输入2—3幅低分辨率图像的情况下即可重建出具有较佳高频细节的超分辨率图像。     

一种基于MAP的超分辨率图像重建的快速算法

超分辨率图像重建技术就是通过融合多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像(或视频序列)来重建一幅高质量高分辨率图像.MAP估计算法是一种广泛使用的统计重建方法.针对标准MAP估计算法运算量大的问题提出了两点改进.第1点是当计算梯度时直接计算目标函数的增量,避免了函数值的冗余计算;第2点是采用非精确一维搜索确定步长,避免了运算量庞大的海塞矩阵的计算.实验结果表明,提出的改进在保持重建效果基本不变的前提下,在很大程度上提高了MAP超分辨率图像重建方法的速率,与此同时保证了算法的收敛性.     

亮度—梯度联合约束的车牌图像超分辨率重建

目的 受成像距离、光照条件、动态模糊等因素影响,监控系统拍摄的车牌图像往往并不具备较高的可辨识度。为改善成像质量,提升对车牌的识别能力,提出一种基于亮度与梯度联合约束的车牌图像超分辨率重建方法。方法 首先充分结合亮度约束和梯度约束的优势,实现对运动位移和模糊函数的精确估计;为抑制重建图像中的噪声与伪影,基于车牌图像的文字化特征,进一步确定了亮度与梯度联合约束的图像先验模型。结果 为验证该方法的有效性,利用监控系统获得4组车牌图像,分别进行模拟和真实的超分辨率重建实验。在模拟实验中将联合约束图像先验重建结果与拉普拉斯、Huber-Markov（HMRF）以及总变分（TV）先验的处理结果进行对比,联合约束先验对车牌纹理信息的恢复效果优于其他3种常见图像先验;同时,在模拟和真实实验中,将本文算法与双三次插值、传统最大后验概率、非线性扩散正则化和自适应范数正则化方法的超分辨率重建结果进行比较,模拟实验的结果表明,在不添加噪声情况下,该算法峰值信噪比（PSNR）和结构相似性（SSIM）指标分别为35.326 dB和0.958,优于其他4种算法;该算法在真实实验中,能够有效增强车牌图像纹理信息,获得较优的视觉效果,通过对重建车牌图像的字符识别精度比较,本文算法重建结果的识别精度远高于其他3种算法,平均字符差距为1.3。结论 模拟和真实图像序列的实验结果证明,基于亮度—梯度联合约束的超分辨率重建方法,能够降低运动和模糊等参数的估计误差,有效减少图像中存在的模糊和噪声,提高车牌的识别精度。该算法广泛适用于因光照变化、相对运动等因素影响下的低质量车牌图像超分辨率重建。     

一种自适应正则化的图像超分辨率算法

提出一种自适应正则化的图像超分辨率重建算法. 首先, 利用局部残差均值自适应地计算各低分辨率图像通道的权值参数矩阵, 可有效地利用各通道对应区域间的交叉信息; 其次, 利用正则项局部误差均值自适应地计算平衡正则项和保真项的正则化参数矩阵, 能较好地保持图像边缘纹理等信息.实验结果表明本文算法不但具有较高峰值信噪比(Peak signal to noise ratio, PSNR) 和结构相似度(Structural similarity, SSIM), 而且在边缘、纹理等细节区域具有更好的重建效果.     

基于低分辨率图像的自适应超分辨率重构算法

提出一种适用于内部独立运动、静态等多种模型的、基于多幅低分辨率图像的超分辨率重构算法。该算法赋予各低分辨率图像不同的权重和正则化参数,在每次迭代时对权重系数和正则化参数进行更新,采用松弛迭代法得到最优解,从而获得重构图像。实验结果表明,该算法获得的重构图像效果优于双三次B样条插值法和传统的最大后验概率估计方法。     

一种保边缘影像超分辨率重建方法

提出了一种基于方向性平滑测度的保边缘加权马尔可夫先验模型,并将其应用到基于最大后验估计的影像超分辨率重建中.该模型对邻域内不同方向的平滑测度使用不同的权值,以此减小对影像高频成分的惩罚约束,进而保护影像的边缘.利用不同影像对本文方法进行了验证,并用MSE影像评价方法对重建影像进行了定量评价.实验结果表明,与传统马尔可夫先验模型相比,加权马尔可夫先验模型能有效保护影像的边缘,取得更好的重建结果.     

压缩图像空时自适应正则化超分辨率重建

所谓超分辨率(SR)技术就是由低分辨率(LR)图像序列来重建高分辨率(HR)图像的技术,而基于压缩图像的SR技术正成为当前研究的热点。为了提高压缩图像的重建质量,在正则化理论的基础上,通过利用比特流中的信息,提出了一种新颖的空时自适应超分辨率重建算法,该算法先利用正则化代价函数控制时域数据和空域先验信息之间的平衡,使正则化参数在SR重建过程中得到自适应地调整,然后利用迭代梯度下降法进行超分辨率重建。仿真实验表明,该自适应算法比采用传统算法重建的图像的主、客观质量有一定的提高,适合压缩图像的应用。     

基于SIFT的POCS图像超分辨率重建

针对传统的POCS图像超分辨率重建算法中广泛使用的基于改进的Keren配准算法,对于序列帧间存在剪切和非均匀尺度变换现象时,很难做到精确的亚像素级配准,文中讨论了一种基于SIFT算法的POCS序列图像超分辨率重建算法。首先利用SIFT算法提取序列帧与参考帧间的SIFT关键点对,随后选取匹配关键点对,通过RANSAC去除误配点的同时估算出六参数仿射变换参数,最后使用POCS重建算法得到最终的重建结果。实验结果表明：该方法能有效地解决因运动估计不准而引起的重建图像效果不好的问题,特别是在序列帧间存在剪切和非均匀尺度变换现象时,重建效果明显好于传统的POCS算法,具有更强适应性。     

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.     

基于稀疏表示的单幅图像超分辨率重建

针对单幅低分辨率灰度图像,提出一种基于稀疏表示和字典学习的超分辨率重建算法,通过选择合适的过完备字典,图像块可表示为字典元素的稀疏线性组合。对于输入的低分辨率图像,寻求每一图像块的稀疏表示,利用此表示系数产生高分辨率图像输出。为消除Elad方法重建图像中产生的黑色边缘并提高重建图像的质量,文中在稀疏表示方法的基础上利用反向投影法对其进行改进。仿真实验结果表明,改进算法不仅实现了上述目的,而且在图像信噪比和算法运行效率上都有所提高,从而达到了算法改进的目的。     

基于改进上采样技术的图像超分辨率重建

图像超分辨率重建技术一直是计算机视觉领域的热门研究方向. 为了提高重建后图像的质量, 本文提出一种基于内容感知的上采样技术用于图像的重建. 将稠密残差网络作为骨干网络, 用基于内容感知上采样取代传统的亚像素卷积上采样技术, 即在特征重建阶段, 卷积核不会在整个特征图中共享参数, 而是神经网络可以根据特征图的内容在每个像...