超分辨率图像重建分析和应用

高分辨率图像是人们一直追求的目标。超分辨率图像重建技术就是人们获取高分辨率图像的一种很重要的方法。本文分析了超分辨率图像重建的原理,总结了各种重建方法的特点,指出超分辨率图像重建的发展历史、应用场合和前景。     

超分辨率重构

利用低分辨率的图像序列来估计高分辨率图像的方法称为超分辨率图像重建,逐步成为当前科研热点.本文通过POCS视频图像重建算法为例,阐述了超分辨率的概念、应用场合及基本策略和分类,并对超分辨率的重构方法和前景进行了展望.     

超分辨率重构

利用低分辨率的图像序列来估计高分辨率图像的方法称为超分辨率图像重建,逐步成为当前科研热点。本文通过POCS视频图像重建算法为例,阐述了超分辨率的概念应用场合及基本策略和分类,并对超分辨率的重构方法和前景进行了展望。     

图像超分辨率重建算法综述

介绍了超分辨率重建的基本原理与数学模型,对现有的图像超分辨率重建算法进行了总结.将当前的超分辨率算法分为基于重建约束的方法和基于学习的方法两大类,分别阐述了超分辨率重建技术的经典方法,最后指出了低质量图像超分辨率技术进一步的研究方向.     

超分辨率图像重建技术

本文介绍了超分辨率图像重建的基本概念、应用场合和主要的重建方法，着重分析了压缩域中的超分辨率重建技术，并对未来的研究问题进行了展望。     

图像超分辨率重建研究综述

图像超分辨率重建（Super-resolution Reconstruction,SR）是由一张或多张低分辨率图像得到高分辨率图像的过程.近年来,SR技术不断发展,在许多领域被广泛应用.本文在回顾SR技术发展历史的基础上,全面综述了SR技术在各个时期的代表性方法,重点介绍了基于深度学习的图像超分辨率工作.我们从模型类型、网络结构、信息传递方式等方面对各种算法进行了详细评述,并对比了其优缺点.最后探讨了图像超分辨率技术未来的发展方向.     

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。     

多帧超分辨率重建中的图像插值

为了实现多帧超分辨率重建,必须从图像序列中提取子像素信息,因此要求图像的配准精确到子像素级。本文提出了一种超分辨率重建中运动矩阵的构造方法。为了提高矩阵的构造精度,该方法引入图像插值,用性能好但计算量较小的三次插值算子实现插值运算,并比较了三种常用插值核的性能。实验结果表明,选择适当的插值函数不仅不会明显增加计算量,而且可以显著提高矩阵的构造精度,从而大大提高多帧超分辨率重建图像的质量。     

基于卷积神经网络的单幅图像超分辨率重建算法综述

近年来,单幅图像超分辨率重建技术成为机器视觉领域的研究热点。随着深度学习的发展,卷积神经网络在单幅图像超分辨率重建方面取得了前所未有的成功。文章对典型的图像超分辨率重建的卷积神经网络模型进行综合论述,比较分析了不同模型之间的异同点和优缺点,并对基于卷积神经网络的单幅图像超分辨率重建方法的未来研究方向进行展望。     

无人机激光雷达遥感图像超分辨率重建方法

通过无人机激光雷达技术获取遥感图像的过程中易受外界干扰，出现图像清晰度低、细节信息模糊等问题，提出无人机激光雷达遥感图像超分辨率重建方法。在最小二乘滤波方法的协助下对无人机激光雷达遥感图像进行多尺度分解后，增强遥感图像纹理信息，并利用图像局部特征自适应融合方法对遥感图像进行融合处理，将预处理后的遥感图像超分辨率重建视作信息测量值的信号重建问题，不断地利用稀疏系数以及联合字典学习法训练得出最终结果，从而实现遥感图像超分辨率重建。实验结果表明，所提方法的遥感图像重构效果好、信息融合质量优、重构图像效率高以及MSE均方根误差低。     

基于各向异性的快速超分辨率图像重建

针对传统超分辨率图像重建算法速度慢的缺点,提 出了一种基于自适应各向异性正则化的快速超分辨率图像重建算法。本文 算法兼顾重建图像质量的同时,提升了图形的重建速度。基于传统迭代算法,本文算法通过 优化约束条件,大量剔除了冗余过程, 弥补了传统算法的不足;同时引入一种具有自适应能力的各向异性平滑项,可以适应各种 复杂的运动模型。另外,提出 以图像的峰值信噪比(PSNR)为标准,作为重建迭代的截止 条件。运 用本文算法对序列低分辨率图像进行重建,证明了本文算法可以更快实现超分辨率图像重 建。     

基于局部约束的人脸图像超分辨率重构算法

基于超完备稀疏表示理论,并根据人脸图像的特征,提出一种基于局部约束的人脸图像超分辨率重构算法。该算法首先通过样本训练出一对高、低分辨率相关联的冗余字典;再根据局部范围内人脸图像的相关性,重构出高分辨率图像;最后对图像进行全局优化。为验证算法的有效性,本文利用ORL标准图像库进行了对比实验,实验结果表明,该算法能够有效提高峰值信噪比,同时能够更好地恢复人脸图像的高频信息,有一定的实用价值。     

基于改进生成对抗网络的红外图像超分辨率重建

由于硬件成本和拍摄条件等限制,很难直接获取高分辨率红外图像。生成对抗网络可以实现红外图像的超分辨率重建,但仍存在训练不稳定,训练时不收敛等不足。针对这些问题,本文使用Wasserstein距离代替KL散度,结合图像间的欧式距离构造新的损失函数,优化原有网络结构和算法流程,使网络更准确地学习低分辨率图像与重建图像的对应特征映射关系,网络训练更加稳定。实验结果表明,重建图像的边缘过渡平缓,目标细节得到有效保证,并获得了更好的客观评价结果。     

红外图像超分辨率重建技术研究

利用图像超分辨率重建技术可以在不改进硬件的情况下提升现有成像系统的图像分辨率。为提升红外图像质量,提出了一种基于NSCT变换与自适应正则化重建相结合的图像超分辨率重建算法。算法充分考虑了实际红外图像中噪声特点,利用NSCT变换特点在尽可能减少图像信息损失的条件下,对加性噪声与乘性噪声采用不同策略进行了抑制,并对预处理后的红外图像序列进行自适应正则化重建。实验结果表明本算法处理后的红外图像在主观视觉效果与客观指标上较传统图像处理方法均有改善。     

相似图像块逼近的人脸超分重建残差补偿框架

为了提高人脸图像超分辨率重建算法中残差补偿步骤的效果,提出一种通用的基于内容相似图像块线性组合逼近的残差补偿框架,不经过搜索步骤,使用训练集人脸图像同一内容的图像块来进行运算。所提框架中的全局重建步骤,可以使用不同的重建方法。实验结果表明,在这种框架下的残差补偿方法,相比经典的邻域嵌入残差补偿方法,可以更好地恢复出初步重建的人脸图像细节信息。因为这是一种通用的残差补偿方法,从而可以推测凡使用邻域残差补偿的算法,均可借助本算法框架将重建结果进一步的提升。     

图像超分辨率重建处理算法研究

超分辨算法为实现图像和视频分辨率提高的一种方法。其广泛应用于数字电视、医学图像处理、军事与遥感等领域。超分辨率图像通过融合多帧相似的低分辨率图像达到提高图像细节的目的。本文对使用较为普遍的频域方法、非均匀差值算法、凸集投影算法、迭代反投影算法、最大后验概率方法及基于学习的方法进行了分析,并简要讨论了超分辨算法未来的发展方向。     

一种快速超分辨铜带表面缺陷图像复原方法

在铜带表面缺陷检测系统中,针对仅硬件改善缺 陷图像精细特征信息,受制造水平、成本等因素制 约以及传统超分辨复原方法实时性不强等问题,提出一种基于粗糙集(RS) 与纹理特征预分类的快速超分辨率(SR)图像复原方法。本文方法利用RS属性约简原理,选择并优化对弱纹理缺陷目标 描述性较好统计特 征参数,并在匹配搜索时根据纹理特征对样本库进行预搜索分类,然后在分类得到的纹理内 容相近的样本 子集中对输入的低分辨率(LR)样本块精确匹配搜索。理论和实验结果表明:本文方法应用 于铜带缺陷在线 检测系统中,可使缺陷区域的高频信息增强、边缘和细节更加清晰,且算法实时性较好,在 兼顾图像复原质量和运行效率上具有优越性和可行性;并可用于其它金属表面的图像复原。     

多尺度残差特征融合的轻量级真实图像超分辨率重建

基于深度学习的真实图像超分辨率(super-resolution, SR)重建算法目前存在参数量过大的问题,为解决该问题,提出了一种多尺度残差特征融合的轻量级真实图像SR重建算法。首先利用深度可分离卷积和复用卷积针对多尺度特征提取块进行改进,在提取特多尺度特征的同时实现了模块的轻量化,参数量仅为改进前的7.5%。其次使用残差特征融合操作将4个多尺度深度可分离特征提取块(multi-scale depthwise separable block, MSDSB)聚合成一个残差特征融合块,以减少残差路径长度。然后使用增强型注意力模块从通道和空间维度进行自适应调整以提升算法性能。最后使用自适应上采样模块获得SR重建图像。在消融实验中,本文算法重建性能超过原始算法,且参数量仅为3.53×10⁶,是原始算法的34.5%。在对比实验中,其重建性能超过了当前主流算法,与组件分而治之(component divide-and-conquer, CDC)算法相比,PSNR和SSIM指标分别提升了0.01 dB与0.001 0,且参数量仅为组件CDC算法的8.84%,在保证重建性能的同...     

基于训练集分层和图像区域分类的邻域嵌入超分辨率重建

在基于邻域嵌入的图像超分辨率重建中,本文提出了一种对训练集进行分层的方法,可有效解决待重建图像块在训练集中搜索时间过长问题。该方法无需太在意训练集大小,即使训练集建得很大,而重建搜索时间也不长。同时本文对待重建的图像区域加以分类,对于平坦区域选择一般的双立方插值的重建方法,对于含有丰富细节的区域则采用邻域嵌入的重建方法。最后对重建图像进行IBP全局后处理,进一步提高图像质量。实验结果表明,利用本文方法重建的图像主观和客观质量都有较大的提高,且重建时间可以大大缩短。     

改进的基于邻域嵌入的图像超分辨率重构

为了提高传统的基于邻域嵌入的图像超分辨率重构算法的时间效率,采用了一种利用图像块方向信息进行邻域选择和训练集分类的新方法。该方法首先利用图像块方向的不同对训练集进行分类,然后在分类后的子训练集中选择与待重构图像块的方向相似的图像块作为邻域进行重构,并对重构结果进行迭代反投影全局后处理,进一步提高重构质量,最后对改进方法进行数值实验验证。结果表明,该方法不仅把超分辨率重构的时间效率提高了10倍以上,而且重构质量也得到了改善,具有较好的实际应用价值。