一种参数自适应正则化超分辨率图像重建算法

在正则化超分辨率重建算法中,正则化参数自适应对于抑制噪声和保持边缘非常重要.参数自适应通常是通过建立空间信息与参数的关系来实现的.在近期文献中,提出了一些空间信息自适应超分辨率重建方法,取得了较好的实验结果.然而在这些方法中,提取空间信息方法的计算量大,导致重建速度慢,限制了算法的应用.提出一种快速空间信息提取方法,并构建自适应参数模型,实验结果显示,该方法在大幅提高重建速度的同时,获得了更好的重建效果.     

采用自适应正则参数的超分辨率加权重建

采用L1(一阶)、L2(二阶)范数是当前较为流行的2种图像超分辨率重建算法。在对这2种算法的优缺点进行分析的基础上,提出了一种采用L1和L2范数混合加权的参数自适应双边全变差正则化重建算法,将正则化参数作为重建图像的一个函数。实验证明这种算法有很好的边缘保持和去除椒盐噪声的能力,重建图像的质量有显著提高。     

基于L曲线的自适应时空正则化视频超分辨率重建

为了解决视频超分辨率重建的病态问题,以得到良好的重建效果,提出了一种新颖的视频超分辨率重建算法。在算法中引入了时空联合正则化算子,通过视频帧本身的空间平滑信息和视频相邻帧的帧间相关先验信息的引入,提高了解的质量;同时,为了选择合适的时空正则化系数,提出了基于L曲线的自适应时空正则化系数计算方法,可以自适应地计算合适的正则化系数。通过对模拟图像序列和真实视频序列的实验结果表明,算法能得到较为精确的解,重建出具有良好视觉效果的高分辨率视频。     

基于正则化处理的超分辨率重建

针对超分辨率重建的病态反问题进行研究。该文首先介绍超分辨率重建的数学模型,分析了最小二乘估计及其病态性。其次给出病态问题的正则化泛函,并提出一种自适应动态确定正则化系数的方法,主要研究了迭代算法的收敛性和参数选择等问题。实验结果验证了方法的有效性。     

自适应约束下的双边全变差正则化超分辨率重建

在经典的双边全变差( BTV)超分辨率重建中,加权系数和正则化参数的恒定性导致重建结果边缘保持能力受限。为此,提出了一种自适应约束的BTV正则化先验模型。算法首先定义了图像的局部邻域残差均值以区分当前像素属于平坦区域还是边缘区域;然后针对加权系数的不变性导致边缘削弱的问题,利用边缘方向和垂直边缘方向扩散性的不同,设计自适应权重矩阵;最后根据代价函数的极值问题推导出迭代公式,从而进行图像的超分辨率重建,重建过程中采用自适应的方法确定正则化参数,以便求得代价函数的全局最优解,提高了算法的鲁棒性。实验结果表明：与双三次线性插值法和经典BTV算法相比,该算法取得了更好的视觉效果和更高的峰值信噪比,更多地保留了图像的边缘细节信息。     

基于总变分正则化算法的散射计图像重构

目前业务化运行的星载散射计分辨率一般为25 km,在分辨率需求较高的应用中(如极地海冰监测、热带雨林监测、近岸风场研究等)受到了限制。散射计图像重构技术可以在不改变系统硬件的前提下,通过数据处理方法的改进,提高分辨率。现有的散射计图像重构方法(SIR)是基于图像处理领域中较早期的乘性代数重建技术(MART)。该文针对星载扇形旋转扫描散射计,将一种新的图像重构方法总变分正则化 (total variation regularization) 算法应用于散射计图像重构,并通过仿真实验说明,新算法可以在增强分辨率的同时减少噪声,提高重构图像的质量。     

图像静态超分辨率重建

给出一种图像重建算法,从一组静态低分辨率图像中重建高分辨率图像,算法适合观测条件都相似的情况.利用场景空间到观测图像的映射关系,将重建问题描述成一个典型的线性系统求逆问题,并借助总变分整形约束克服病态情况,最后实验表明了算法在改善空间分辨率和噪声抑制上的显著效果．     

基于稀疏正则化结合NLS的超分辨率图像重建

为了保持高光谱(HS)超分辨率重建过程中的频谱一致性和边缘锐度,提出一种基于空间谱结合非局部相似性的超分辨率重建算法。首先,使用HS图像生成模型,采用稀疏正则化解决全色(PAN)图像和HS图像重建的病态问题求逆;然后分析了从高空间分辨率到低空间分辨率数据生成的丰度系数映射;最后利用非局部相似性,设计空间谱联合正则化项。实验结果表明,本文算法重建图像在PSNR,SSIM和FSIM方面明显高于其他优秀算法,在SAM和ERGAS方面明显低于其他优秀算法,在光谱失真方面丢失最少,仅有2%-3%,低于其他算法30%左右,且重建效果更加清晰自然。     

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。     

基于变分方法的超分辨率

基于全变分先验和变分分布.提出一个新颖的超分辨率算法,使用分级的贝叶斯框架,能够同时计算出重建的高分辨率图像和模型参数.本算法利用变分推论给出变量的后验分布近似.因为能够同时估计出模型参数,是自动的过程,无需对参数人工调节.实验结果表明所提算法在重建质量上优于当前主流的算法.     

基于二阶广义全变差的多帧图像超分辨率重建

图像超分辨率重建是图像处理领域的重要问题.本文将二阶广义全变差用于基于正则化的多帧图像超分辨率重建问题,构建了基于二阶广义全变差正则项的图像超分辨率模型.为了更好地保持重建图像的边缘和细节,采用图像空域自适应正则化参数,并针对该重建模型的非光滑性,给出了基于半二次正则化和交替方向法的求解算法.实验结果表明该模型和数值算法能够较好地提高图像的分辨率,同时可以较好地保持图像的细节信息.     

基于自适应加权非凸正则化和全变分的稀疏SAR成像

针对传统压缩感知(Compressive Sensing,CS)重构算法成像精度低及抗噪性能差等问题,提出了一种基于自适应加权极小极大凹罚函数和全变分的稀疏合成孔径雷达(Synthetic Aperture Imaging Radar,SAR)成像重建方法。首先,将加权思想同非凸函数簇中的极小极大凹罚函数结合,以进一步促进解的稀疏性;然后,与全变分判罚函数线性组合构成复合正则化器,以进一步提高抗噪性能;最后,采用交替方向乘子法求解该成像模型,并在求解过程中使用方位-距离解耦算子替换测量矩阵及其厄米特转置以减少存储空间。仿真与实测数据处理结果表明,所提方法相比于其他算法有更好的聚焦性能和重建精度。     

一种基于压缩感知全变差算法的图像去噪方法

压缩感知技术突破了奈奎斯特准则的局限性,在图像处理方面有着广泛的应用。提出一种改进的基于压缩感知的图像去噪方法。该方法中,对混有噪声的图像首先进行稀疏变换,然后对变换后的部分系数采用测量矩阵进行测量,最后通过全变差(TV)重建算法进行图像重建。仿真结果证实全变差重建算法在图像去噪中优于其他压缩感知重建算法,可以有效地去除图像中混有的噪声,实现图像的良好去噪。     

基于整体变分降噪算法下的多频率超声衍射层析成像

 根据傅立叶衍射投影定理,不同频率超声波得到的投影数据的傅立叶变换分布在复平面为不同半径的圆弧,提出了多频率超声衍射层析成像思想,并进行了实验研究,重建的时间比单频率法短约70%.由于多频率投影数据傅立叶变换比单频率法在复平面上分布更加不均匀,故重建的噪声也更大,整体变分法将图像恢复的数学模型转化为带有整体变分正则化项的能量泛函问题,采用变分原理将其中的最小化问题转为偏微分方程的求解.降噪后的多频率超声图像的误差比降噪前的图像小约50%.     

基于全变差正则化的相位恢复算法

相位恢复问题是指仅通过信号傅立叶变换（或其它线性变换）的幅值恢复原始信号.由于相位信息的缺失,该问题是一个不适定问题,因此需利用先验知识确保精确重建.本文基于非线性压缩感知框架,提出利用自然图像在梯度算子下的稀疏性进行相位恢复的算法.该算法将全变差正则项融合到基于支撑约束和幅值约束的相位恢复问题中,并利用交替方向乘子法（ADMM）对所对应的非凸优化问题进行求解.实验结果表明,该算法明显优于HIO,RAAR等经典的相位恢复算法,并对噪声具有鲁棒性.     

一种基于图割的全变差图像去噪算法

本文提出一种基于图割的全变差(TV)图像去噪算法.该算法将全变差去噪模型的能量函数最小化问题转化为图的最小割问题,然后采用图割技术(最大流/最小割算法)求得能量函数的全局最优解.并给出了去噪模型中,均衡系数的自适应设定方案.实验结果及分析表明,该算法能有效抑制以往最小化方法产生的阶梯效应,具有较优的复原效果.     

基于全变差和小波硬阈值的图像去噪

本文提出了一种将小波硬阈值与带有自适应逼近项的全变差相结合的方法．该方法利用小波硬阈值和带有自适应逼近项的全变差的特性对图像进行处理,不仅很好地抑制了噪声,而且尽可能地保留了图像的特征结构,实验结果表明具有良好的视觉效果．     

二阶Hopfield型神经网络的稳定性 分析及收敛速度的估计

本文讨论二阶连续Hopfield型神经网络平衡点的全局稳定性问题,利用LMI方法和Lyapunov方法得到了网络平衡点全局渐近稳定和全局指数稳定的几个充分条件,并对其指数收敛速度进行了估计.