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。     

基于改进SIFT的SAR图像配准方法

针对尺度不变特征变换(SIFT)配准方法在处理SAR图像时精度不高的问题,提出一种基于改进SIFT的精确配准方法。在提取关键点SIFT描述子及其邻域多尺度自卷积矩不变特征的基础上,利用基于典型相关分析的融合算法对SIFT与矩不变特征进行融合,形成新的关键点描述子,使用阈值实现粗匹配,并结合关键点的距离与邻域灰度相关性构建相似矩阵,采用奇异值分解方法精确确定匹配点对,求出仿射变换模型参数,从而完成图像配准。实验结果表明,该方法的配准结果优于SIFT方法,且配准精度达到亚像素级。     

基于SIFT的超分辨率图像配准及MATLAB实现

在超分辨率图像重建中,针对精确到亚像素的图像配准,提出了基于MATLAB和SIFT（scale invariant feature transform）配准方法。讨论了基于特征匹配的尺度不变特征变换配准方法的基本原理,并给出了相关推导公式和算法;简单介绍了MATLAB图像处理工具箱的功能;同时,以一个灰度图像为例,用MATLAB语言实现了配准,并给出了相关程序及实验结果图像。实验结果表明：MATLAB环境下的SIFT图像配准难度小,速度快,配准点准确且易于实现。     

基于支持向量机的图像亚像素配准及超分辨率重建

超分辨率重建是根据场景的一组低分辨率图像重建其高分辨率图像。重建算法中,低分辨图像之间的亚像素配准是很重要的一部分。提出了一种基于支持向量机的亚像素配准方法,将低分辨图像之间的相对旋转平移参数看成支持向量机的目标集,通过支持向量回归建立图像特征与目标集之间的映射关系,从而计算图像间的相对运动参数。实验表明,与现有算法相比,所提出的算法具有较高的精度。     

多分辨率图像序列的超分辨率重建

针对不同焦距下拍摄的多分辨率尺度的图像序列,本文提出了一种基于尺度不变特征转换(Scale invariant feature transform, SIFT)和图像配准的超分辨率(Super resolution, SR)图像盲重建算法.首先提取图像SIFT特征点,然后用向量夹角余弦进行特征描述符向量的初匹配,并用随机抽样一致性 (Random sample consensus, RANSAC)算法消除误匹配提高配准精度.计算变换参数后,将低分辨率图像(Low-resolution, LR)像素点映射到高分辨率(How-resolution, HR)网格,最后利用像素可信度加权算法填充缺失像素值,重建更高分辨率的图像.实验表明, 本文算法能精确估计图像序列的缩放因子,可以有效处理仿射变换模型,对配准误差也具有一定的鲁棒性.算法从实质上提高了多分辨率尺度图像序列的分辨率,尤其在低分辨率帧数较少可用于重建的信息量严重不足时也能获得比较满意的重建效果.     

基于亚像素块匹配和字典学习的超分辨率算法

针对基于字典学习算法的计算效率低,且大多局限于处理单帧图像的问题,提出了一种基于亚像素块匹配和字典学习的超分辨算法,以实现对多帧图像的重构。采用亚像素块匹配方法对图像进行配准,依据配准结果构造低分辨率字典,并通过计算辅助图像块与目标图像块的相似度来选择用于重构的图像块。在Matlab平台上,将该算法用于静态图像和视频图像处理,获得了较好的重构效果。     

基于一种优化的配准算法的图像超分辨率重建

提出了一种优化的图像配准算法.该算法充分结合了时域基于全局运动模型的配准算法和频域基于傅立叶变换的配准算法,并运用到超分辨重建中.假设序列低分辨率图像之间存在旋转和平移,首先运用全局配准法求出旋转参数,对图像进行旋转补偿,然后对补偿后的图像用频域配准法估计平移参数,针对估计出的旋转参数和平移参数对序列低分辨率图像进行超分辨率图像重建,实验表明该方法能较有效地提高图像分辨的效果,并且本文还阐述了低分辨率图像帧数的影响.     

基于SIFT特征和对极几何约束的图像配准算法

基于SIFT（尺度不变特征变换）特征匹配思想,提出了一种应用对极几何约束的图像特征配准算法。首先对图像提取SIFT特征点,然后通过欧氏距离估算对SIFT特征描述子进行初始匹配得到预匹配点集;采用基于单应矩阵的抽样算法计算初始基础矩阵,通过RANSAC算法计算精确的基础矩阵和匹配点集,进而实现图像配准。实验表明,该算法可以获得更准确的匹配点,得到精度较高的图像配准效果。     

基于特征的眼底图像配准方法

研究眼底图像的精确配准问题,眼底图像配准,需经仿射变换等.由于分辨率不高,达不到要求.针对传统基于跟底图像的血管分支和交叉点等配准方法的局限性,提出一种基于不变特征的眼底图像配准方法.在尺度不变特征变换( Scale Invariant Feature Transform,SIFT)的基础上,建立特征点对之间的初始匹配,并利用特征点的方向特征和空间几何特性去除误匹配.根据匹配特征进行层次估计,求解图像对间的变换关系矩阵,利用Akaike Information Criteria(AIC)模型选择技术判断变换关系矩阵的类型,再通过得到的变换关系对配准图像进行修正.实验结果表明,改进方法具有良好的配准效果,配准精度可以达到亚像素级要求.     

一种新的基于多特征的图像自动配准技术

提出了一种新的基于多特征的图像自动配准技术。该方法使用不变矩对图像中的区域进行匹配,然后利用匹配区域的区域标记寻找大尺度上的特征点作为控制点进行初始配准,进而在此基础上指导改进链码的方法对开放边缘进行二次配准。最后根据所得到的控制点构成的超定方程组利用最小二乘拟合的方法得到配准参数。经过实验证明该算法能够达到亚像素级的配准精度,并且适用于不同传感器图像以及同传感器同波段或不同波段图像之间的精确配准。     

基于L1和L2混合范式的序列图像超分辨率重建

针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L₁和L₂混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L₁和L₂混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 dB~5.2 dB。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。     

新颖的频域图像超分辨重建方法

图像频域解混叠超分辨算法要求输入低分辨率图像帧数及其帧间亚像元位移满足一定的条件,因此限制了其应用范围。利用单帧超分辨技术和再采样函数从每帧输入低分辨率图像产生16帧相同分辨率的图像,再从中挑选满足限制条件的图像帧,从而消除了原算法要求的两个主要限制条件,建立了改进的二至多帧输入图像频域解混叠超分辨算法。三组仿真实验结果表明,该算法消除了输入帧数和帧间亚像元位移的限制条件,并且可以使峰值信噪比提高5dB左右。     

基于金字塔式双通道卷积神经网络的深度图像超分辨率重建

针对深度图像分辨率低的问题,构建了一种金字塔式双通道深度图像超分辨率卷积神经网络。在金字塔的每一级,通过两个通道对低分辨率深度图像提取不同的有效特征,通道1为增强型残差结构,可以将丰富的图像细节传递到后面的图层,通道2将不同卷积层提取的特征连接起来作为此通道最后一层卷积层的输入,有益于局部特征和全局特征的结合。接着,通过将不同通道融合后的特征输入亚像素卷积实现超分辨率重建。实验结果表明,相比其他方法,该方法得到的超分辨率图像缓解了边缘失真和伪影问题,有较好的视觉效果。     

全相位内插交错采样超分辨率融合

利用超分辨率重建技术可提高图像的空间分辨率,但是低分辨率图像序列的配准精度直接影响超分辨率重建的效果。如果能在现有硬件设备的基础上,通过合理安排CCD线阵对图像进行错位,就能对图像间的子像素位移进行精确控制,消除运动参数估计对图像超分辨率重建的制约,从而提高图像的空间分辨率。对超模式影像所代表的交错采样图像的超分辨率重建进行了研究,基于全相位滤波理论,构造了具有交错采样结构的全相位内插滤波器,并将其用于交错采样图像超分辨率内插融合。为交错采样图像超分辨率重建提供了快速、实用且性能优异的高分辨率图像初始估计,大大提高了图像超分辨率重建质量。     

An MRF-Based Approach to Generation of Super-Resolution Images from Blurred Observations

This paper presents a new technique for generating a high resolution image from a blurred image sequence; this is also referred to as super-resolution restoration of images. The image sequence consists of decimated, blurred and noisy versions of the high resolution image. The high resolution image is modeled as a Markov random field (MRF) and a maximum a posteriori (MAP) estimation technique is used for super-resolution restoration. Unlike other super-resolution imaging methods, the proposed technique does not require sub-pixel registration of given observations. A simple gradient descent method is used to optimize the functional. The discontinuities in the intensity process can be preserved by introducing suitable line processes. Superiority of this technique to standard methods of image expansion like pixel replication and spline interpolation is illustrated.     

基于纹理特征的图像自动配准方法研究

精确的图像配准是超分辨率重建取得成功的前提。为此,针对大多数图像配准算法存在精度低、抗噪声能力差等缺点,提出一种基于纹理特征的图像自动配准方法。首先用Canny边缘检测算子提取裂缝纹理图像,然后用Photoshop图层工具,通过对待配准帧关于参考帧作变换,得到空间几何变换参数,最后用Matlab编程实现待配准帧的缩放、旋转和平移。对配准后的酸蚀岩板裂缝图像,进行超分辨率重建,结果证明,该方法具有抗噪声能力强、配准精度高、易于编程实现等优点,取得了较好的效果。     

图像超分辨重建算法综述

图像超分辨重建是一种提升图像分辨率的图像处理技术,而超分辨问题是一个难解的欠定问题,近些年来研究人员主要采用基于学习的方法,从大量数据中学习图像先验信息,以实现对解空间的约束。本文介绍了近20年来主流的图像超分辨重建算法,主要分为基于传统特征的方法和基于深度学习的方法。对于传统的超分辨重建算法,阐述了基于邻域嵌入的方法、基于稀疏表示的方法以及基于局部线性回归的方法。对于基于深度学习的超分辨重建算法,详细总结了网络模型结构设计、上采样方式、损失函数形式以及复杂条件下的算法设计4个方面。此外,本文简要分析了超分辨重建技术在视频超分辨、遥感图像超分辨以及在视觉高层任务方面的应用。最后,本文展望了图像超分辨重建技术的未来发展方向。