联合运动估计与基于模式的超分辨率图像重构

超分辨率图像重构是利用关于同一场景的多帧低分辨率图像重构出一幅具有更高分辨率图像的过程.已有的超分辨率图像重构算法对于人工模拟所得到的低分辨率图像序列具有很好的效果,但对于拍摄到的真实低分辨率图像序列而言,重构后的图像往往比较模糊,有时甚至仍然无法分辨.为此,本文提出了一个联合运动估计与基于模式的超分辨率图像重构算法.实验结果表明,该算法能够得到优于常规算法的高分辨率图像.     

局部线性嵌入的快速单幅图像超分辨率技术

图像超分辨率的目的是在给定低分辨率图像的基础上产生超分辨率图像。单幅图像超分辨率是个病态和欠定的问题,需要通过样本学习和图像先验约束来重构图像丢失的高频细节。本文提出了一种基于局部线性嵌入的快速单幅图像超分辨率技术。首先,该方法利用大量的自然图像建立高低分辨率图像块样本训练库;其次,运用聚类算法将具有相似性质的高低分辨率样本块进行聚类;再次,基于局部线性嵌入技术,通过样本训练来学习低分辨率图像与高分辨率图像之间的映射函数;最后,用过映射函数来重构高分辨率图像。实验结果表明,本文算法不仅能高质量重构高分辨图像,而且快速高效。     

超分辨率重构复眼成像技术的研究进展

超分辨率图像重构复眼成像将超分辨率重构技术与复眼成像技术相结合。复眼成像系统获取低分辨率图像,超分辨率重构算法计算获取高分辨率图像。总结了超分辨率图像重构复眼成像的研究现状,介绍了复眼图像超分辨率重构的基本原理和现阶段主要成像系统。结合成像模型角度,分析了常用的复眼图像超分辨率重构算法,以及定量测试评价与视觉角度评价的主要方法。为深入研究超分辨率图像重构复眼成像提供了参考。     

基于纹理分解和联合回归分析的SAR图像超分辨率北大核心CSCD

为了有效利用合成孔径雷达(SAR)图像丰富的地物纹理信息以解决现有超分辨率算法对SAR图像进行超分辨时有限的性能,提出了一种基于纹理分解的联合优化回归器算法用于低分辨率SAR图像的超分辨任务。该算法通过对低分辨率SAR图像和重构的高分辨率图像在局部和全局视角下的联合优化并辅以图像纹理信息来有效生成高质量的高分辨SAR图像。基于多种评价方法,在模拟数据集和真实数据集上开展实验。实验结果表明:所提算法强于其他典型的超分辨率算法。     

基于稀疏表征的图像超分辨算法研究

超分辨率图像恢复的目的是由低分辨率图像得到高分辨率图像,通常需要多幅或者一系列连续低分辨率图像．在有限的条件下很难得到。针对单幅图像超分辨问题,结合当前比较先进的稀疏表征方法,利用训练集图像的先验信息．对单幅图像进行超分辨率恢复。结合当前先进的基于稀疏表征的超分辨算法,采用误差反投影方法,提出一种改进的算法．对超分辨率...     

遥感图像超分辨率复原算法的仿真实现

超分辨率图像复原是指使用一组低分辨率图像进行处理,得到一幅高分辨率图像。分析超分辨率处理算法并将其应用于遥感图像分辨率增强领域,提出一种用Matlab对遥感图像进行超分辨率处理的仿真方法,仿真结合POC原理将一组低分辨率遥感图像进行分辨率增强处理,结果表明超分辨率处理技术有效提高了遥感图像的分辨率,图像中目标更易识别。     

基于卷积神经网络的单帧毫米波图像超分辨算法

单帧毫米波图像超分辨处理就是利用一幅低分辨率的毫米波图像重建出高分辨率的毫米波图像的过程.相较于光学图像,毫米波图像空间分辨率低、受噪声污染严重.因此传统的图像超分辨算法无法在毫米波图像上取得良好的超分辨重建效果.针对毫米波图像固有的缺点,构建了一个四层的卷积神经网络对毫米波图像进行超分辨处理.仿真实验的结果表明,提出的算法对毫米波图像具有良好的超分辨重建效果.     

数字域斜模态时间延迟积分技术

为了实现遥感图像超分辨目的,提出数字域斜模态时间延迟积分(Digital Domain Tilting Model Time Delayed and Integration,DT-TDI)技术。对技术过程所涉及的数字域TDI技术、倾斜采样成像理论、数字域斜模态TDI技术等分别进行分析与研究。首先,构建通用的数字域TDI模型。之后,利用倾斜采样成像思想,构建适用于不同倾斜角度下的DT-TDI模型。然后,以45°倾角对模型进行实验验证,获取该角度一定姿轨条件下的序列低分辨率图像。最后,通过超分辨算法对具有亚像素位移的低分辨率图像序列进行超分辨重构,获取高分辨率图像。实验结果表明,DT-TDI技术可在不同倾斜模态下进行稳定成像,45°倾角时获取的低分辨率图像亚像素位移误差约15%,基本满足超分辨重构需求。重构后图像分辨率明显提升。     

基于多引导滤波器的单幅图像超分辨率技术

提出了一种基于多引导滤波器的单幅图像超分辨率方法。首先,该方法通过大量的自然图像建立高低分辨率图像块样本训练库,并通过聚类算法将具有相似性质的高低分辨率样本块进行聚类;其次,将输入低分辨率图像进行重叠分块,并在样本库中搜索最近邻的高低分辨率样本聚类;再次,将输入低分辨率图像块作为输入图像,与样本库中最近邻的低分辨率聚类样本作为引导图像,运用本文提出的多引导滤波器计算引导滤波器的参数;最后,利用样本库中最近邻的高分辨率聚类样本和引导滤波器的参数,通过多引导滤波器就可以重构高分辨率图像。实验结果表明,本文算法不仅能很好地重构图像的高频细节,还能很好地恢复图像的纹理特征。     

超分辨率重构最大后验概率算法介绍

图像超分辨率重构(super resolution reconstruction,SRR)是一个利用序列图像来求解理想图像的逆过程,基本原理就是把各图像上由于亚像素位移而存在的互补信息融合到同一幅图像中,从而达到提高分辨率的目的.我们采用最大后验概率(maximuma posteriori,MAP)算法进行超分辨率重构.根据贝叶斯原理,高分辨率图像的后验概率等价于以下两项之积:已知理想高分辨率图像的前提下,低分辨率图像出现的条件概率;理想高分辨率图像的先验概率.MAP算法的基本思想就是在己知低分辨率图像前提下,使出现高分辨率图像的后验概率达到最大.该方法的优点是在复原过程中可以直接加入先验约束,能确保解的存在和唯一,降噪能力强和收敛稳定性高等.     

一种改进的POCS算法的超分辨率图像重建

图像超分辨率是指从一组模糊的低分辨率图像重建一帧清晰的高分辨率图像的过程.从经典的基于凸集投影POCS（projection onto convex set）的超分辨率图像重建算法出发,分析重建后高分辨率图像边缘模糊的成因,提出了一种基于保留边缘信息的POCS超分辨率图像重建算法.实验结果表明该方法能够明显地提高重建图像的质量.     

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。     

一种改善被动毫米波重建图像质量的方法

凸集投影(POCS)算法是一种广泛使用的超分辨率图像重建方法.针对常规POCS算法收敛速度慢、存在边缘震荡效应的问题,论文结合被动毫米波图像降质模型,提出了一种用于被动毫米波图像超分辨率重建方法.该方法有效利用图像的边缘信息,根据不同的区域选择相应的松弛算子,同时建立边缘约束集来保证边缘图像的尖锐性.实验结果表明.在有效消除边缘震荡效应的同时提高了收敛速度,适用于被动毫米波图像的超分辨率处理.     

改进边缘质量和运动估计的超分辨率图像重构

凸集投影算法（POCS）是一种广泛使用的超分辨率图像重构方法。针对传统的POCS超分辨率图像重构算法出现的边缘模糊及匹配时的局限性问题,首先利用二阶梯度检测出像素周围0°、45°、90°、135°四个边缘。在构造参考帧时采用基于梯度的插值算法,沿边缘方向进行线性插值,沿非边缘方向进行基于一阶梯度的带权插值。在运动估计时,采用SURF匹配算法,提高匹配的鲁棒性和实时性。在修正参考帧时,分别定义中心在四个边缘方向的点扩散函数（PSF）。利用完全参考图像质量评价和无参考图像质量评价分别对仿真实验和实物实验进行了评价,评价结果表明提出的算法较传统POCS算法有明显的改善。      

基于PSF改进的POCS超分辨率图像重构

为了提高重构的图像质量,给出了模拟一修正迭代的凸集投影（POCS）超分辨率图像重构方法和具体实现步骤。针对重构的超分辨率图像高频分量不足的缺点,提出了一种有效的改进方法。该方法通过对点扩散函数（PSF）的改进做到了有效地保留POCS超分辨率图像重构算法中的边沿信息。仿真实验结果表明,该方法可行性好,能够有效地保持高频分量,从而达到提高图像质量的目的。     

一种基于凸集映射的高分辨率图像恢复算法

介绍了一种基于凸集映射(POCS)算法的高分辨率图像恢复方法，通过仿真对比了其与双线性插值方法恢复高分辨率图像的差异，仿真结果表明，该方法有助于改善高分辨率图像的恢复质量。     

一种基于MAP的图像超分辨率重建算法

引入一种基于关键点滤波(Critical-Point Filters,CPF)的图像配准方法,并在最大后验概率(Maximum a Posteriori,MAP)框架下提出一种改进的集投影法(Projections onto ConvexSets,MAP/POCS)混合算法。算法把POCS的残差约束集合加入到基于CPF图像配准的MAP正则算法中,在每次迭代重建中对重建图像的像素点进行约束,充分利用这三种算法的优点。实验结果表明,相比于传统的重建方法,该算法能够更有效地表达视频中的非平移运动,超分辨图像主观质量有明显改善。     

L1范数的图像超分辨率重建改进算法

介绍了超分辨率图像重建的数学模型和基于L1范数的超分辨率重建算法。针对在所观察到的低分辨率图像不足情况下的超分辨率重建,在L1范数重建算法框架下,提出了一种新的代价方程,在其中增加了关于丢失的低分辨率观察信息的保真度项和正则化项。该方法同时对高分辨率图像和丢失的观察信息进行迭代估计,并利用交替最小方法求解。实验结果表明,在获取低分辨率图像较少的情况下,提出的算法能够有效地改进重建的结果。     

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。     

Polyphase back-projection filtering for image resolution enhancement

The method for reconstruction and restoration of super-resolution images from sets of low-resolution images presented is an extension of the algorithm proposed by Irani and Peleg (1991). After estimating the projective transformation parameters between the image sequence frames, the observed data are transformed into a sequence with only quantised sub-pixel translations. The super-resolution reconstruction is an iterative process, in which a high-resolution image is initialised and iteratively improved. The improvement is achieved by back-projecting the errors between the translated low-resolution images and the respective images obtained by simulating the imaging system. The imaging system's point-spread function (PSF) and the back-projection function are first estimated with a resolution higher than that of the super-resolution image. The two functions are then decimated so that two banks of polyphase filters are obtained. The use of the polyphase filters allows exploitation of the input data without any smoothing and/or interpolation operations. The presented experimental results show that the resolution improvement is better than the results obtained with Irani and Peleg's algorithm.