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。     

多尺度残差网络的单幅图像超分辨率重建

针对目前提高图像分辨率的卷积神经网络存在的特征提取尺度单一以及梯度消失等问题,提出了多尺度残差网络的单幅图像超分辨率重建方法.采用多尺度特征提取和特征信息融合,解决了对图像细节特征提取不够充分的问题;将局部残差学习和全局残差学习相结合,提高了卷积神经网络信息流传播的效率,减轻了梯度消失现象.在Set5、Set14和BS...     

基于自适应分数阶全变分的超分辨率图像重建

超分辨率图像重建在各领域有重要的应用价值,具有广阔的应用前景。超分辨率图像重建是一个病态求逆问题,最有效的解决方法是添加正则化项进行处理。本文在传统的全变分的基础上,添加分数阶全变分作为正则化项约束解空间,并利用纹理检测函数判断图像中不同位置的局部特征,自适应地选择其合适的阶次。采用交替方向乘子算法(ADMM)将优化函数划分为多个子问题进行求解,降低运算的复杂程度。本文全变分和自适应分数阶全变分的双正则化约束,在去除噪声锐化边缘的同时,根据图像的特征,自适应地重建出了纹理细节信息。实验结果表明,与其他方法相比,本文方法提高了图像的重建质量,且峰值信噪比（PSNR）和结构相似度（SSIM）值都有一定提高。     

单幅图像超分辨率重建技术研究进展

图像分辨率是衡量一幅图像质量的重要标准. 在军事、医学和安防等领域, 高分辨率图像是专业人士分析问题并做出准确判断的前提. 根据成像采集设备、退化因素等条件对低分辨率图像进行超分辨率重建成为一个既具有研究价值又极具挑战性的难点问题. 首先简述了图像超分辨率重建的概念、重建思想和方法分类; 然后重点分析用于单幅图像超分辨率重建的空域方法, 梳理基于插值和基于学习两大类重建方法中的代表性算法及其特点; 之后结合用于超分辨率重建技术的数据集, 重点分析比较了传统超分辨率重建方法和基于深度学习的典型超分辨率重建方法的性能; 最后对图像超分辨率重建未来的发展趋势进行展望.     

基于分数阶全变分正则化的超分辨率图像重建

从退化的低分辨率图像重建得到高分辨率图像的本质是一病态逆问题,针对该问题,通过添加正则项进行处理。在使用传统的全变分(TV)的基础上,添加了分数阶全变分(FOTV)作为另一正则项来约束解空间。分数阶全变分正则项的使用可以更好地重建图像的细节纹理信息,弥补了全变分算子在平滑区域易出现阶梯效应的缺陷。利用交替方向乘子(ADMM)算法将问题划分为子问题,将全变分和分数阶全变分算子作为循环矩阵,通过傅里叶变换将其对角化,降低了计算的复杂程度。实验结果表明,与已有的方法相比,所提方法有效地避免了阶梯效应的产生,较好地保持了细节信息,并且具有更好的峰值信噪比(PSNR)和结构相似度(SSIM)。     

基于总变分的鲁棒的超分辨率重建算法

提出了一种基于L1范数和总变分规整化的超分辨率图像重建算法.采用L1范数对重建图像保真度进行约束,降低了传统算法由于模型估计不精确所带来的重建误差.利用总变分规整化克服重建问题的病态性,有效地保护了图像的边缘.运用该算法对模拟低分辨率图像序列进行重建,分别从视觉效果和峰值信噪比(PSNR)两方面与基于L2范数和Tikhonov规整化的超分辨率重建结果进行比较,实验结果验证了该算法具有更强的鲁棒性和边缘保持能力.     

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.     

基于总变分的超分辨率图像重建

超分辨率图像重建是指从一组降晰的低分辨率图像重建出一帧清晰的高分辨率图像的过程。建立了超分辨率图像重建的数学模型,估计出场景在观测图像中的运动参数,选择总变分规整化克服问题的病态性得到重建结果。运用算法对模拟和实际图像序列进行重建,分别从主观效果和客观衡量标准两方面与基于Tikhonov规整化的超分辨率重建结果进行比较,结果表明该算法具有更好的处理效果。     

基于亚像素的图像超分辨率重建算法研究

图像超分辨率重建是指利用一幅或多幅具有互补信息的低分辨率图像,运用相应的算法来获得一幅清晰的高分辨率图像的过程。本文采用亚像素插值重建算法,利用多幅低分辨率视频图像重建出一幅高分辨率图像。重建算法有效利用了各幅图像中对应像素的相关信息,提高了图像的视觉效果和峰值信噪比。     

单幅图像超分辨率重建方法研究

该论文研究了单帧低分辨率图像重建方法,主要有插值方法、插值法与迭代反投影法和凸集投影法相结合的方法。仿真实验结果表明插值与迭代反投影和凸集投影相结合的方法均比单独进行插值放大效果更好,在提高图像分辨率的同时能较好的复原图像细节。     

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。     

基于改进卷积神经网络的单幅图像超分辨率重建方法

对于重建图像存在的边缘失真和纹理细节信息模糊的问题，提出一种基于改进卷积神经网络（CNN）的图像超分辨率重建方法。首先在底层特征提取层以三种插值方法和五种锐化方法进行多种预处理操作，并将只进行一次插值操作的图像和先进行一次插值后进行一次锐化的图像合并排列成三维矩阵；然后在非线性映射层将预处理后构成的三维特征映射作为深层残差网络的多通道输入，以获取更深层次的纹理细节信息；最后在重建层为减少图像重建时间在网络结构中引入亚像素卷积来完成图像重建操作。在多个常用数据集上的实验结果表明，与经典方法相比，所提方法重建图像的纹理细节信息和高频信息能得到更好的恢复，峰值信噪比（PSNR）平均增加0.23 dB，结构相似性（SSIM）平均增加0.0066。在保证图像重建时间的前提下，所提方法更好地保持重建图像的纹理细节并减少图像边缘失真，提升重建图像的性能。     

基于低层次计算机视觉的超分辨率图像重建

在基于低层次计算机视觉的超分辨率图像重建过程中,角点检测和插值是两个关键的技术。首先在SUSAN角点检测算法的基础上提出了改进算法,改进后的算法根据图块对比度的不同,在确定位于不同图块中的像素的USAN面积时采用了可变灰度阈值,可变灰度阈值的采用,使得检测出的角点分布更加均匀,而角点分布均匀则使得图像配准更加精确,有利于后期的重建工作。其次,提出了一种适合于超分辨率图像重建的插值算法：基于圆区域的自适应插值算法。该算法可以根据待插值点周围的灰度特征自适应决定插值策略,将线性插值、最邻近插值和中值插值法有机地结合在一起。大量的仿真实验证明了提出算法具有运算量小、图像重建后的效果出重,易于实现。     

空间自适应正则化超分辨率图像重建

超分辨率图像重建是一个病态问题,在重建过程中需要正则化处理,而正则化重建会引入正则化误差及重建过程中由于病态性而引入的噪声放大误差,且这两类误差均和图像的空间局部特性有关.提出根据图像的局部空间统计特性自适应控制超分辨率图像正则化重建算法,采用图像局部统计方差来区分图像棱边区域及平滑区域,在图像的棱边区域加强图像的约束重建,而在图像的平滑区域加强正则化.实验表明该算法能有效地减小重建误差,算法的信噪比得益优于传统的正则化重建算法及总变分模型重建算法,并且对正则化参数的选择具有一定的鲁棒性.     

基于密集Inception的单图像超分辨率重建方法

近几年,基于卷积神经网络（CNN）的单图像超分辨率（SR）重建方法成为了主流。通常情况下,重建模型的网络层数越深,提取的特征越多,重建效果越好;然而随着网络层数的加深,不仅会出现梯度消失的问题,还会显著增加参数量,增加训练的难度。针对以上问题,提出了一种基于密集Inception的单图像SR重建方法。该方法引入Inception-残差网络（Inception-ResNet）结构提取图像特征,全局采用简化后的密集网络,且仅构建每一个模块输出到重建层的路径,从而避免产生冗余数据来增加计算量。在放大倍数为4时,采用数据集Set5测试模型性能,结果显示与超深卷积神经网络的图像超分辨率（VDSR）相比,所提方法的结构相似性（SSIM）高了0.013 6;与基于多尺度残差网络的图像SR（MSRN）相比,SSIM高了0.002 9,模型参数量少了78%。实验结果表明,所提方法在保证模型的深度和宽度的情况下,显著减少了参数量,从而降低了训练的难度,而且取得了比对比方法更好的峰值信噪比（PSNR）和SSIM。     

基于图像块分类的图像超分辨率重建

针对当前图像超分辨率重建算法中存在的字典单一而导致重建图像质量不佳的问题，提出一种将图像块分类与图像卡通纹理分解相结合的单幅图像超分辨率重建算法。首先，将图像分块，并将图像块分为边缘类、纹理类和平滑类三类，其中纹理类用形态成分分析（MCA）算法分解为卡通部分和纹理部分；然后，对边缘类、卡通部分和纹理部分分别训练高低分辨率字典；最后，求解稀疏系数并与高分辨率字典重建图像块。仿真结果显示，与基于稀疏表示的超分辨率重建（SCSR）算法和单幅图像超分辨率重建（SISR）算法相比，所提算法的峰值信噪比（PNSR）值分别提高了0.26 dB和0.14 dB，表明该算法的重建效果更好，重建图像纹理细节更丰富。     

在多尺度Contourlet域中的SAR图像正则化超分辨

针对SAR图像超分辨重构问题,建立了基于多尺度Contourlet域的正则化模型。在选取正则化参数时,提出一种自适应确定方法,该方法无需知道噪声大小和图像的先验知识,提高了确定正则化参数的准确性;求解模型时用FR共轭梯度法来改善算法的收敛性。将该算法分别与空域中正则化算法和小波域中正则化算法进行了比较,仿真实验结果表明,该算法较好地再现了各种边缘信息,其重构结果均优于其他两种方法。     

联合多任务学习的人脸超分辨率重建

目的 人脸超分辨率重建是特定应用领域的超分辨率问题,为了充分利用面部先验知识,提出一种基于多任务联合学习的深度人脸超分辨率重建算法。方法 首先使用残差学习和对称式跨层连接网络提取低分辨率人脸的多层次特征,根据不同任务的学习难易程度设置损失权重和损失阈值,对网络进行多属性联合学习训练。然后使用感知损失函数衡量HR（high-resolution）图像与SR（super-resolution）图像在语义层面的差距,并论证感知损失在提高人脸语义信息重建效果方面的有效性。最后对人脸属性数据集进行增强,在此基础上进行联合多任务学习,以获得视觉感知效果更加真实的超分辨率结果。结果 使用峰值信噪比（PSNR）和结构相似度（SSIM）两个客观评价标准对实验结果进行评价,并与其他主流方法进行对比。实验结果显示,在人脸属性数据集（CelebA）上,在放大8倍时,与通用超分辨率MemNet（persistent memory network）算法和人脸超分辨率FSRNet（end-to-end learning face super-resolution network）算法相比,本文算法的PSNR分别提升约2.15 dB和1.2 dB。结论 实验数据与效果图表明本文算法可以更好地利用人脸先验知识,产生在视觉感知上更加真实和清晰的人脸边缘和纹理细节。     

图像插值的一个变指数变分模型

为了消除插值图像在边缘的锯齿现象、在平坦区域的分块现象,提出了一种变指数变分模型的图像插值方法。通过对变指数变分模型扩散特性的研究,引入了一个满足插值扩散特性的指数函数。指数函数中的两个参数实现两方面的功能：一个参数控制扩散强度从而减小图像边缘宽度,另一个控制平滑强度从而保持细小的纹理。这个新的变指数变分模型使总变差（TV）模型沿着图像轮廓方向扩散消除锯齿现象,而热扩散在图像平坦区域起光滑作用消除分块现象。数值实验结果显示,该方法能很好地重建插值图像的边缘。与Chen等的方法（CHEN Y M, LEVINE S, RAO M. Variable exponent, linear growth functionals in image restoration. SIAM Journal on Applied Mathematics, 2006, 66（4）： 1383-1406）以及鲁棒软决策插值方法相比,所提方法对细微纹理的保持有明显的视觉效果改善,平均结构相似度（MSSIM）指标提高0.03左右。该模型对进一步研究符合具体图像处理任务的变指数变分模型具有一定的探索意义,对图像网络传输、打印等具有很强的实际应用价值。     

基于联合插值—恢复的超分辨率图像盲复原

常规的超分辨复原方法需要预知退化图像的点扩展函数,但实际应用中许多退化图像的点扩展函数是未知的,因此提出一种新的超分辨率图像盲复原算法,在点扩展函数未知或不确知的情况下对图像进行恢复。该联合插值—恢复的超分辨率图像盲复原方法,利用多信道盲复原估计未知的点扩展函数,迭代运用帧间相似性确定模糊特性,同时结合超分辨率方法得到高分辨率图像。实验结果表明,该算法能有效地实现超分辨率图像的盲复原。