基于四通道卷积稀疏编码的图像超分辨率重建方法

针对图像分辨率较低的问题,提出了一种基于四通道卷积稀疏编码的图像超分辨率重建方法。首先,该方法将输入图像依次翻转90°作为四通道的各自输入,通过低通滤波和梯度算子将输入图像分解成高频和低频部分;接着,分别利用卷积稀疏编码方法和三次插值方法对各通道低分辨率图像的高频部分和低频部分进行重建;最后,对四通道输出图像加权求均值获得重建的高分辨率图像。实验结果表明,所提方法比一些经典的超分辨率重建方法在峰值信噪比（PSNR）、结构相似度（SSIM）和抗噪性上具有更好的重建效果。所提方法不仅克服了重叠补丁破环图像补丁间一致性的缺陷,还提高了重建图像的细节轮廓,加强了重建图像的稳定性。     

基于稀疏编码的图像超分辨率复原

图像超分辨率技术一直是计算机视觉领域研究的热点,为提高图像重建速度与精度,提出了一种稀疏编码与神经网络相结合的图像超分辨率算法。首先利用前馈神经网络严格对应稀疏编码过程中的每个步骤,然后通过反向传播算法对稀疏编码的所有组成部分进行联合训练,得到最为精确的高分辨率图像。级联多个稀疏编码网络增加了算法的灵活性,并减少了伪影。     

多尺度半耦合卷积稀疏编码的遥感影像超分辨率重建

传统的卷积稀疏编码超分辨率方法在特征空间转换时仅引入线性投影关系,且在特征图的学习中未能考虑局部细节信息,使重建结果在边缘和细节方面不尽如人意.为此,将卷积稀疏编码理论引入遥感影像的超分辨重建框架中,提出ー种多尺度半耦合卷积稀疏编码的超分辨率重建方法.首先对输入影像进行多尺度分解,提取出平滑分量和多个尺度的纹理分量,并...     

基于特征损失的医学图像超分辨率重建

高分辨率的磁共振图像可以提供更加清晰的解剖图像,从而促进疾病的早期诊断。但是医疗成像系统的固有缺陷,使得高分辨率医学图像的获取面临许多问题,解决这类问题的方法之一就是使用超分辨率重建技术。针对医学图像超分辨率重建问题,设计一个前馈全连接卷积神经网络,网络包括五层卷积层和五个残差块,并且使用基于特征的损失函数,解决了使用均方误差损失函数不符合人视觉感的问题。该方法在网络内部实现图像4倍放大重建,避免了使用反卷积层上采样时出现的棋盘伪影。通过实验验证了方法的有效性,在视觉和数值结果上都有所提高。     

稀疏字典编码的超分辨率重建

基于学习的超分辨率方法通常根据低分辨率图像从样本库中选取若干特征相似的匹配对象,再使用优化算法进行超分辨率估计,但其结果受匹配对象的质量限制,并且匹配特征一般只选择图像的几何结构信息,匹配准确性较低.提出了稀疏字典编码的超分辨率模型,将高、低分辨率图像特征块统一进行稀疏编码,建立高、低分辨率图像的稀疏关联,同步实现匹配搜索和优化估计,突破了上述方法的限制.应用形态分量分析法提取图像的特征数据,提高了特征匹配的准确性,并同步实现超分辨率重建和降噪功能.优化方法采用稀疏K-SVD算法以提高稀疏字典编码的计算速度.采用自然图像进行实验与其他基于学习的超分辨率算法相比,重建所得到的图像质量更优.     

基于稀疏表示的单幅图像超分辨率重建

针对单幅低分辨率灰度图像,提出一种基于稀疏表示和字典学习的超分辨率重建算法,通过选择合适的过完备字典,图像块可表示为字典元素的稀疏线性组合。对于输入的低分辨率图像,寻求每一图像块的稀疏表示,利用此表示系数产生高分辨率图像输出。为消除Elad方法重建图像中产生的黑色边缘并提高重建图像的质量,文中在稀疏表示方法的基础上利用反向投影法对其进行改进。仿真实验结果表明,改进算法不仅实现了上述目的,而且在图像信噪比和算法运行效率上都有所提高,从而达到了算法改进的目的。     

基于预测稀疏编码的快速单幅图像超分辨率重建

针对经典的基于稀疏编码的图像超分辨率算法在重建过程中运算量大、计算效率低的缺点,提出一种基于预测稀疏编码的单幅图像超分辨率重建算法。训练阶段,该算法在传统的稀疏编码误差函数基础上叠加编码预测误差项构造目标函数,并采用交替优化过程最小化该目标函数;测试阶段,仅需将输入的低分辨图像块和预先训练得到的低分辨率字典相乘就能预测出重建系数,从而避免了求解稀疏回归问题。实验结果表明,与经典的基于稀疏编码的单幅图像超分辨率算法相比,该算法能够在显著减少重建阶段运算时间的同时几乎完全保留超分辨率视觉效果。     

基于稀疏表达的遥感影像超分辨率重建

针对其他超分辨率重建方法数据冗余量大,较为繁琐的问题,基于"稀疏表达"具备模型简单、容易理解、容易操作的特点,提出利用"稀疏表达"理论进行遥感图像的超分辨率重建的设想。先将整个图像空间分为几个不同的子空间,然后在各子空间内构建与正交匹配追踪算法迭代过程中各层面几何结构相适应的分层字典,即利用退化的遥感影像训练过完备字典。     

基于稀疏神经网络的图像超分辨率重建算法

部分基于深度学习的图像超分辨率重建算法通过扩展网络层的深度来提高网络模型的整体特征表达能力。然而,一味过度地扩展网络的深度会造成网络模型过参数化和复杂化,并且冗余的网络参数会增加特征表达的不稳定性。在LTH剪枝算法基础上改变权重参数并使用均衡学习策略,提出一种适用于图像超分辨率重建任务的神经网络非结构化剪枝算法RLTH。在不改变网络结构和不增加计算复杂度的前提下,通过搜索原始网络模型的最优稀疏子网络排除冗余参数带来的影响,在有限的参数资源中捕获更细粒度和丰富的图像特征,进而提高网络模型的整体特征表达能力。基于Set5、Set14和BSD100测试集的实验结果表明,与原始网络模型和应用LTH剪枝算法相比,应用RLTH算法获得的重建图像PSNR和SSIM均得到提升,且具有更丰富的细节特征,整体和局部轮廓更清晰。     

稀疏字典编码的超分辨率重建?

基于学习的超分辨率方法通常根据低分辨率图像从样本库中选取若干特征相似的匹配对象,再使用优化算法进行超分辨率估计,但其结果受匹配对象的质量限制,并且匹配特征一般只选择图像的几何结构信息,匹配准确性较低。提出了稀疏字典编码的超分辨率模型,将高、低分辨率图像特征块统一进行稀疏编码,建立高、低分辨率图像的稀疏关联,同步实现匹配搜索和优化估计,突破了上述方法的限制。应用形态分量分析法提取图像的特征数据,提高了特征匹配的准确性,并同步实现超分辨率重建和降噪功能。优化方法采用稀疏K-SVD算法以提高稀疏字典编码的计算速度。采用自然图像进行实验,与其他基于学习的超分辨率算法相比,重建所得到的图像质量更优。     

Two collaborative filtering recommender systems based on sparse dictionary coding

This paper proposes two types of recommender systems based on sparse dictionary coding. Firstly, a novel predictive recommender system that attempts to predict a user’s future rating of a specific item. Secondly, a top-n recommender system which finds a list of items predicted to be most relevant for a given user. The proposed methods are assessed using a variety of different metrics and are shown to be competitive with existing collaborative filtering recommender systems. Specifically, the sparse dictionary-based predictive recommender has advantages over existing methods in terms of a lower computational cost and not requiring parameter tuning. The sparse dictionary-based top-n recommender system has advantages over existing methods in terms of the accuracy of the predictions it makes and not requiring parameter tuning. An open-source software implemented and used for the evaluation in this paper is also provided for reproducibility.     

基于图像块迭代和稀疏表示的超分辨率图像重建算法

针对待复原图像内容间差异和重建速度缓慢的问题,提出基于图像块迭代分类和稀疏表示的超分辨率图像重建算法。首先,根据阈值把图像迭代分块为三种不同形态。然后,对三种形态分别处理:在重建时,对4N×4N块利用双三次插值(BI)算法重建;对2N×2N块由K-奇异值分解(K-SVD)算法得到对应的高、低分辨率字典,通过正交匹配追踪(OMP)算法重建;对N×N块用形态成分分析(MCA)法分解为平滑层和纹理层,然后由各层相应的字典对通过OMP算法重建。将所提方法与基于稀疏基的方法、基于MCA的方法和基于两级与分频带字典的方法相比,所提算法在主观视觉效果、评测指标和重建速度上都有明显的改善。实验结果表明,该方法在图像的边缘块和不规则区域获得了更为精细的细节,重建效果更明显。     

联合形态学滤波和卷积稀疏编码的图像去雨

目的 图像去雨技术是对雨天拍摄图像中雨纹信息进行检测和去除,恢复目标场景的细节信息,从而获得清晰的无雨图像。针对现有方法对雨纹信息检测不完全、去除不彻底的问题,提出一种联合自适应形态学滤波和多尺度卷积稀疏编码(multi-scale convolution sparse coding, MS-CSC)的单幅图像去雨方法。方法 考虑雨纹信息的形状结构特点,构造一种自适应形态学滤波器来滤除有雨图像中的雨纹信息,获得包含图像自身纹理的低频成分;利用全变分模型正则化方法来增强低频成分的纹理信息,并利用有雨图像减去低频成分获得包含雨纹信息的高频成分;针对高频成分,根据雨纹的方向性提出一种基于方向梯度正则化的MS-CSC方法来重构高频成分,并通过迭代求解获得包含精确雨纹的高频成分,即雨层;利用有雨图像减去雨层得到最终的去雨图像。结果 为验证本文方法的有效性,与一些主流的去雨方法进行实验比较。实验结果表明,本文方法在模拟数据集上的平均峰值信噪比(peak signal-to-noise ratio, PSNR)和平均结构相似度(structural similarity, SSIM)指标分别提高了0...     

基于稀疏谱拟合的超分辨方位估计

考虑到各阵元接收的实际环境噪声可能是相关的,以及风成噪声和远处航船噪声等因素的影响,环境噪声强度的空间分布可能具有方向性。利用非均匀环境噪声模型,结合稀疏谱拟合算法,提出了一种基于稀疏谱拟合的超分辨方位估计算法。该算法利用空间信号的稀疏性和线性噪声模型拟合误差的l2-范数联合最小化,实现非均匀环境噪声条件下的超分辨方位估计。通过计算机仿真讨论了正则参数和线性噪声模型阶数对算法性能的影响,海上试验结果表明了该算法较传统算法和稀疏谱拟合算法具有更低的旁瓣级和更好的方位分辨能力,同时有效验证了该算法在非均匀环境噪声背景下的超分辨方位估计性能。     

Single-image super-resolution reconstruction based on global non-zero gradient penalty and non-local Laplacian sparse coding

Methods based on sparse coding have been successfully used in single-image super-resolution reconstruction. However, they tend to reconstruct incorrectly the edge structure and lose the difference among the image patches to be reconstructed. To overcome these problems, we propose a new approach based on global non-zero gradient penalty and non-local Laplacian sparse coding. Firstly, we assume that the high resolution image consists of two components: the edge component and the texture component. Secondly, we develop the global non-zero gradient penalty to reconstruct correctly the edge component and the non-local Laplacian sparse coding to preserve the difference among texture component patches to be reconstructed respectively. Finally, we develop a global and local optimization on the initial image, which is composed of the reconstructed edge component and texture component, to remove possible artifacts. Experimental results demonstrate that the proposed approach can achieve more competitive single-image super-resolution quality compared with other state-of-the-art methods.     

Combining reconstruction and discrimination with class-specific sparse coding

Sparse coding is an important approach for the unsupervised learning of sensory features. In this contribution, we present two new methods that extend the traditional sparse coding approach with supervised components. Our goal is to increase the suitability of the learned features for classification tasks while keeping most of their general representation capability. We analyze the effect of the new methods using visualization on artificial data and discuss the results on two object test sets with regard to the properties of the found feature representation.     

基于各向异性滤波的人眼定位方法*

通过分析在光照变化条件下现有的一些眼睛定位算法的不足,提出一种基于各向异性滤波的人眼定位方法。利用各向异性低通滤波器对输入图像进行滤波消除光照的影响,利用多结构形态学开闭运算突出眼睛区域特征,并采用相关系数法获得眼睛粗定位,最后使用眼睛精确算法校正眼睛的位置。实验结果表明,该算法对光照变化不敏感,定位准确率更高。     

稀疏编码的最近邻填充算法

针对K最近邻填充算法(K-nearest neighbor imputation,KNNI)的参数K值固定问题进行了研究,发现对缺失值填充时,参数K值固定很大程度上影响了填充效果.为此,提出了基于稀疏编码的最近邻填充算法来解决这一问题.该算法是用训练样本重构每一缺失样本,在重构过程中充分考虑了样本之间的相关性;并用e1范数来学习确保每个缺失样本用不同数目的训练样本填充,以此解决KNNI算法参数K值选取问题.基于数据性能分析指标RMSE和相关系数的实验比较结果表明,该算法比KNNI算法的效果要好.该算法能很好地避免了KNNI算法存在的缺陷,适用于数据预处理环节需要对缺失值进行填充的应用领域.