改进的最大后验概率估计法实现单幅图像超分辨率重建

从图像降质模型出发,研究运用最大后验概率(MAP)估计法实现图像超分辨率重建。简单介绍了MAP方法的发展现状,并分析了该算法中存在的缺陷,即目标函数的吉布斯(Gibbs)项对于重建图像的噪声抑制力不均衡。针对该缺陷采用原始低分辨率图像插值后图像的梯度场对MAP目标函数的Gibbs项系数进行修正,使该系数对各像素根据相应梯度值自适应的调整,在一定程度上均衡了目标函数对于不同梯度值区域的约束力。采用共轭梯度法对改进前后MAP算法分别求解并进行了仿真。结果显示相比传统MAP算法,改进的MAP算法得到的超分辨率图像,既很好地恢复了细节,又很好地抑制了重建过程中引入的噪声,总体像质有了明显提高,同时在迭代求解过程中也表现出很好的收敛性与稳定性。     

一种改进的超分辨率算法

利用多帧低分辨率图像重建一幅高分辨率图像成为迫切需要解决的难题,传统基于插值的超分辨率算法的发展受到了限制。本文基于重建方法,根据低分辨率图像帧间运动参数,提出了合理的权重分配算法。实验结果表明,图像超分辨率重建取得了良好效果。     

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。     

基于非冗余信息的超分辨率算法

对于多帧超分辨率技术而言,最理想的情况是让高分辨的图像包含低分辨序列中所有信息。因此,序列各帧之间的差异信息,即非冗余信息,对于超分辨率重建而言有着非常重要的作用。然而,序列各帧在时空域有很强的相关性,非冗余信息相对于冗余信息十分微弱,难以直接提取。提出了一种改进超分辨率算法,提取并单独处理非冗余信息,再将其融合入超分辨率结果图像中,使超分辨率图像最大限度的保留低分辨序列中的非冗余信息。试验表明:该算法性能较为优异。     

超分辨率图像重构算法的研究

图像重构是数字图像处理的一个重要分支。文章在图像配准的基础之上，采用后向投影迭代算法对图像序列进行了高分辨率重构，并给出了其中详细的算法和实现过程。实验仿真结果表明该算法运算量小，收敛速度较快．具有良好重构效果。     

基于极大后验概率估计的高光谱图像融合算法研究

本文研究了基于PCA和极大后验估计的高光谱图像融合算法。该算法首先挖掘影像内在的观测模型,建立极大后验估计的目标函数。针对高光谱影像数据量大的特点,通过简化观测模型获得参数估计。融合实验结果表明,基于极大后验估计的高光谱影像融合算法不仅理论严密,而且图像融合效果较其他的增强方法的效果好。     

基于最大后验概率的SAR图像目标分割算法

文中使用最大后验概率(MAP)分类方法实现合成孔径雷达(SAR)图像目标分割,并与基于偏微分方程(PDE)的各向异性扩散(AD)过程结合起来,使MAP分类准则得到更好的分割结果。AD过程是作用在后验概率上的空域滤波器,具有高效、精确和简洁的优点,并对图像数据的分布特性具有很强的适应性。这种方法需要先将图像从灰度域转化到后验概率域,因此需要对像素灰度分布进行条件概率分布建模,并进行参数估计。文中巧妙的使用有限混合高斯分布模型来逼近条件概率分布,并用期望最大化(EM)方法用来实现参数估计。在引入这种新奇的混合高斯分布模型后,基于MAP-AD的分割算法对地面SAR图像获得了很好的分割结果并对图像灰度分布具有很强的鲁棒性。     

基于聚类字典的图像超分辨率重构算法

针对图像超分辨率(SR)重构在空间邻域选取过程中 细节特征易被大幅度特征分量淹没的问题,提出 一种基于聚类字典的SR重构(DD-NE)算法。图像SR重构是利用信号处理方 法来提高图像分辨 率,针对NE算法在空间邻域选取时细节信号易被大幅度信号淹没的问题,对输入图像及邻域 利用聚类字典进行 稀疏分解。从大、小幅值表示系数中分别重构大、小幅度特征子图,保护邻域计算中的小幅 度特征,并将 低分辨率(LR)图像库及输入图像使用聚类字典表示。细节信号以字典原子的形式得到表达 ,空间邻域度 量转换为字典原子间的度量,从而细节特征对邻域的选择更加准确。实验结果表明,相对于 NE算法,本文算法图像SR 重构的峰值信噪比(PSNR)值平均提升了1.1dB,有效改善了重构效果;重构时间仅为NE算法的30.9%。     

基于序列图像的超分辨率重建

提出一种从序列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算法,通过利用梯度投影的方法对重建结果不断进行迭代优化得到最终的理想高分辨率影像.实验结果证明,该方法有效,它不仅能够非常容易的引入各种先验条件进行约束从而提高解的收敛速度,并且能够得到质量较好的高分辨率重建图像.在取得相同质量图像的前提下,该算法所需时间明显降低.     

一种改进的IBP超分辨率重构算法

低分辨率图像的信噪比(SNR)和图像之间的配准误差对超分辨率重构效果的影响是该技术应用在遥感领域的瓶颈.本文针对图像信噪比对超分辨率重构的影响,对IBP算法进行了改进.实验表明,改进的IBP算法收敛速度快,相对于传统的POCS与IBP算法,它对低信噪比低分辨率图像的重构具有更好的效果.     

一种基于权值矩阵的序列图像超分辨率盲复原算法

 建立准确的观测模型是提高现有超分辨率复原算法性能的关键.本文提出一种基于权值矩阵的超分辨率盲复原算法:定义了一种新的基于权值矩阵和运动补偿矩阵的观测模型,在最大后验概率框架下,采用交替最小化方法对权值矩阵和高分辨率图像进行联合优化求解.静止和动态图像序列的测试结果表明,该方法能够实现对低分辨率图像降质过程的准确描述,其复原性能明显优于传统基于理想观测模型的算法,部分结果甚至超过了观测模型已知的算法.     

一种基于对象的动态视频超分辨率复原算法

从视频序列中复原高分辨率的运动对象在众多研究领域具有重要的应用意义.本文针对动态视频中整体运动的刚性或准刚性对象,提出一种基于对象的超分辨率复原方案,首先引入基于6参数仿射模型的对象跟踪和匹配算法,用于视频中运动对象的自动跟踪和匹配.进而将该运动模型与最大后验概率(MAP)算法相结合实现了所跟踪对象的超分辨率复原.对仿真和实测序列的实验结果表明,这种基于对象的处理方法能够实现更为准确的运动估计,因而收到了更好的复原效果.     

MIMO系统中一种新颖的联合信道估计与检测算法

本文基于EM(Expectation-Maximum)算法,提出了一种简单而有效的联合信道估计与检测接收机结构。接收机中通过采用非穷尽列表形式的后验概率检测算法,避免了传统干扰抵消结构中各天线发送信号间的残余干扰对后验概率计算的影响。并进一步针对常用的非穷尽列表形式后验概率检测算法存在的列表冗余度大的问题,提出了自适应长度的列表球形译码算法(ASLSD,Adaptive Size List Sphere Decoding)。该算法通过更新检测半径和设置停止条件,使检测列表长度可随信噪比和迭代次数自适应变化。而且通过将列表操作与LSD(List Sphere Decoding)算法相结合,避免了符号序列在不同半径下的重复检测和排序操作。仿真表明,在复杂度方面,该算法需搜索的路径数远小于LSD算法。在算法性能方面,以3次迭代10~(-4)误码率为例,该算法与PIC算法相比可以获得近2dB的性能增益,因而具有更优的性能与复杂度的折衷。     

基于OMP算法的可见光图像超分辨率重构方法

为了提高可见光图像的识别和检测能力,提出基于OMP算法的可见光图像超分辨率重构方法。建立可见光图像的视觉信息采集模型,采用空间锚点邻域特征匹配方法进行的可见光图像超分辨特征分解,提取可见光图像边缘轮廓特征量,结合残差特征估计高分辨率图像特征融合和优化分割,建立可见光图像的超分辨率重建特征分布集,采用边缘信息空间区域融合方法进行可见光图像的像素信息融合和优化特征重组,提取可见光图像的模糊度特征分布集,结合OMP算法实现可见光图像超分辨率重构。仿真结果表明,采用该方法进行可见光图像超分辨率重构的特征分辨能力较高,提高了可见光图像重构的输出峰值信噪比,且输出信噪比最高可达到61. 2。     

POCS超分辨率图像重构的快速算法

超分辨率图像重构是将多帧低分辨率图像重构成一幅高分辨率图像的过程。由于其求解是一大型病态求逆问题，计算量随着放大倍数的增加而急剧上升，如何降低计算复杂度是超分辨率成像所面临的一个急需解决的课题。提出了一个基于PoCs的高分辨率图像重构的快速算法。其原理是利用各低分辨率图像之间位移的关系将所有的低分辨率图像进行重组，然后对每个组进行PoCs超分辨图象重构。实验结果表明。该快速算法较大地提高了超分辨图像重构的速度。     

压缩视频超分辨率重建技术

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,而压缩视频的重建正成为当前研究的热点。本文首先分析了压缩视频重建的基础,建立了高、低分辨率图像间的关系,给出了量化噪声和运动矢量的模型;接着对目前最具有代表性的最大后验概率(MAP)算法、凸集投影(POCS)算法和迭代反向投影(IBP)算法进行了详细的阐述,并分别给出了实验结果;然后分析了运算的复杂度,介绍了几种实时化方法;最后针对目前存在的问题进行了展望,指出降质模型、运动估计、重建算法和实时应用将是今后研究的重点。     

嫦娥一号卫星CCD立体相机影像超分辨率重建算法

针对嫦娥一号卫星CCD立体相机空间分辨率不足的问题,运用最大后验概率估计法(MAP)实现了月表影像的超分辨率重建。介绍了嫦娥一号卫星CCD立体相机的成像模型,分析了图像获取过程中的主要影响因素,并建立了相应的超分辨率重建模型。基于该模型,首先采用误差-参数分析法估计嫦娥一号卫星CCD立体相机动态成像光学系统的点扩散函数(PSF);然后将估计的PSF应用到MAP算法所建立的目标函数中,采用共轭梯度法对目标函数进行最值求解;再通过VC软件平台编程实现了对单帧正视月表影像的超分辨率重建;最后从信息熵、清晰度和频谱等方面对重建图像进行评价,结果表明重建图像像质优良。     

基于DAMRF先验模型的MAP超分辨率重建算法

本文提出了一种基于非连续自适应MRF(DAMRF)先验模型的最大后验概率(MAP)超分辨率重建算法,此算法能对图像相邻像素之间的梯度影响进行自适应调整,从而较好的保持图像的连续性.仿真实验结果表明,该算法在保持图像边缘特性的同时,也较好的维持了图像的平滑性.     

复眼图像超分辨率重构中配准算法研究进展

高分辨率图像能够提供更多的图像细节和更清晰的图像质量,因此模仿生物复眼高分辨率这一特性、研究复眼超分辨率对于航天侦查和军事目标的识别具有重要意义。近年来亚像素级图像配准作为超分辨率重构中的关键步骤成为了研究热点,新的配准算法层出不穷。图像配准作为复眼图像超分辨率重构技术中至关重要的一步也是超分辨率重构中的一个难点,图像配准的精度以及图像配准算法的运算复杂程度直接影响着超分辨率重构的质量和效率。文中总结了近年来国内外超分辨率重构中配准算法的研究进展,介绍了图像配准技术和复眼超分辨率重构技术的基本原理和应用背景,阐明了课题的研究目的、意义以及发展前景,并且重点研究与分析了目前主流的配准算法以及各自的优缺点,并对今后的研究趋势进行了展望,同时为今后的配准算法研究提供了重要参考。     

说话人识别中基于最大后验概率的通道补偿方法

为了解决通道变化对说话人识别系统性能的影响,将最大后验概率方法应用到具体的通道补偿中.首先设置标准通道,然后利用其他通道和标准通道偏差的分布作为先验知识,通过少量自适应数据获得当前通道的偏差对特征进行调整,达到补偿的目的.实验结果表明,在1s自适应数据时,该方法的识别率达到89.1%,和倒谱平均减方法相比识别率提高4.2%,随着自适应数据的增加,采用该方法的系统性能可进一步提高.