彩色图约束的二阶广义总变分深度图超分辨率重建

目的 针对深度图像分辨率非常低的问题,结合同场景高分辨率彩色图像,提出一种基于彩色图约束的二阶广义总变分深度图超分辨率重建方法。方法 首先将低分辨率深度图映射到高分辨率彩色空间;然后利用二阶广义总变分模型,将带有边缘指示函数的高分辨率彩色约束项作为正则项,使得深度图像超分辨率重建问题变成最优求解问题;最后通过迭代重加权和原—对偶方法进行求解。结果 实验结果表明,本文方法可以有效地保护图像的边缘结构,在定性和定量两个方面都可达到很好的效果。结论 本文方法可以有效地解决深度图分辨率非常低的问题。     

正则化超分辨率重建过程的自适应阈值去噪

为了提高正则化超分辨率技术在噪声环境下的重建能力,对广义总变分（GTV）正则超分辨率重建进行了扩展研究,提出了一种自适应阈值去噪的方法。首先,根据GTV正则超分辨率重建算法进行迭代重建;然后,利用推导出的自适应阈值矩阵,对每次迭代产生的代价矩阵进行阈值划分,小于阈值的对应像素点继续迭代,大于阈值的对应像素点被截断后重新插值并不再参与本轮迭代;最后,程序达到收敛条件时输出重建结果。实验结果表明,通过与单一GTV正则重建和自适应参数的方法相比,自适应阈值去噪的方法提高了收敛速度和重建图像的质量,使正则化超分辨率技术在噪声环境下有更好的重建能力。     

基于多种正则化的改进超分辨率重建算法

为了解决超分辨率图像重建过程中无法同时降低平滑区域噪声和保持图像细节的问题,结合改进的非局部变分（NLTV）和全变分（TV）正则项方法提出一种新的超分辨率重建算法。首先,根据图像重尾分布特性,结合高斯分布、拉普拉斯分布及柯西分布改进了传统NLTV正则项系数,提出了改进的ANLTV正则项。然后利用ANLTV正则项基于分裂Bregman算法重建了初始的高分辨率图像。最后结合TV正则项对重建的高分辨率图像进行去模糊操作,进而得到最终的超分辨率图像重建结果。为验证所提算法的性能,分别利用该算法与传统的TV和NLTV算法进行超分辨率图像重建并对比。实验结果表明,所提出的方法相比于传统的TV和NLTV重建算法,其峰值信噪比、信噪比和结构相似度均有所提高,能够同时满足超分辨率图像重建过程中抑制噪声和保持边缘细节的需求。     

基于自适应双边全变差的图像超分辨率重建

超分辨率图像重建技术就是通过融合多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像(或视频序列)来重建一幅高质量高分辨率图像.MAP估计算法是一种广泛使用的统计重建方法.针对标准的MAP算法引入了自适应概念,引入了图像自适应加权系数矩阵;据此给出一种基于自适应双边全变差的图像超分辨率重建算法,该方法不仅能在图像超分辨率重建过程中抑制噪声,而且能锐化图像中的边缘信息;建立了自适应重建模型并用梯度下降法推导出迭代计算公式.实验表明,该算法在收敛性和精确性上都达到了较好的效果.     

基于总变分的鲁棒的超分辨率重建算法

提出了一种基于L1范数和总变分规整化的超分辨率图像重建算法.采用L1范数对重建图像保真度进行约束,降低了传统算法由于模型估计不精确所带来的重建误差.利用总变分规整化克服重建问题的病态性,有效地保护了图像的边缘.运用该算法对模拟低分辨率图像序列进行重建,分别从视觉效果和峰值信噪比(PSNR)两方面与基于L2范数和Tikhonov规整化的超分辨率重建结果进行比较,实验结果验证了该算法具有更强的鲁棒性和边缘保持能力.     

空间自适应正则化超分辨率图像重建

超分辨率图像重建是一个病态问题,在重建过程中需要正则化处理,而正则化重建会引入正则化误差及重建过程中由于病态性而引入的噪声放大误差,且这两类误差均和图像的空间局部特性有关.提出根据图像的局部空间统计特性自适应控制超分辨率图像正则化重建算法,采用图像局部统计方差来区分图像棱边区域及平滑区域,在图像的棱边区域加强图像的约束重建,而在图像的平滑区域加强正则化.实验表明该算法能有效地减小重建误差,算法的信噪比得益优于传统的正则化重建算法及总变分模型重建算法,并且对正则化参数的选择具有一定的鲁棒性.     

文本图像的双边总变分超分辨率恢复方法

超分辨率图像复原的目的是从几幅包含有相同观测区域的图像序列中重建更高分辨率的图像。一般的超分辨率算法没有考虑文本图像的分段连续性,因此有可能丢失笔画边缘处的细节信息。双边总变分正则算法具有很好的边缘保持能力,因此可以应用到文本图像的超分辨率恢复。本文根据汉字的字符结构特点,对双边总变分正则算法进行了改进,根据汉字的笔画组成特征。提出新的正则项。该方法由于充分地考虑了汉字文本图像的结构特征,因此能够很好地保持汉字的笔画的尖锐边缘。实验也证明了使用本文所提出的BTVCH算法获得的超分辨率文本图像可以获得最高的字符识别率。     

基于自适应块组割先验的噪声图像超分辨率重建

要增强噪声图像的分辨率,传统的串联方式依次进行去噪与超分辨率重建两个步骤,但去噪算法去除噪声的同时也损失了部分细节信息,影响了后续超分辨率重建的质量.为了使低分辨率噪声图像中所有细节信息都能参与超分辨率重建,本文以非局部中心化稀疏表示（Nonlocally centralized sparse representation,NCSR）模型为基础,提出了基于自适应块组割（Patch-group-cuts,PGCuts）先验的噪声图像超分辨率重建方法,同时实现去噪和超分辨率重建功能.块组割先验基于新颖的三维邻域系统和块组模型,能够达到图像去噪、边缘平滑和边缘清晰等效果.重建时以边缘强度为参考对块组割先验进行自适应约束,由于块组割在平滑区域约束力较低,采用分区域融合的方式进一步抑制噪声.本文对合成的低分辨率噪声图像和真实的低分辨率噪声图像进行了重建实验,实验表明,基于自适应块组割先验的噪声图像超分辨率重建算法,在丰富细节的同时能抑制噪声的干扰,不但具有较高的峰值信噪比和结构相似度等客观评价值,而且在非光滑区域具有很好的主观重建效果.     

基于聚类的单帧图像超分辨率重建方法

为解决单幅图像的超分辨重建问题,提出一种基于聚类的单帧图像超分辨率重建方法.从高分辨率样本图像中学习一个结构聚类型的高分辨率字典,利用迭代收缩算法优化目标方程,求得高分辨率图像的表示系数,使用学习到的高分辨率字典对低分辨率图像进行重构.实验结果表明,与总变分方法、软切割方法和稀疏表示方法相比,该方法的单帧图像超分辨率重建效果较好.     

基于压缩感知的声纳图像超分辨率重建算法

超分辨率重建通用方法中,图像分解后对应小波基只能有效稀疏表示单一成分,往往只侧重边缘成分而忽略了光滑成分等。针对这个问题,本文改进了一种基于压缩感知的声纳图像超分辨率重建算法。该算法基于三种不同稀疏字典小波变换模型,运用一种基于K-均值聚类算法的结构化字典训练法,并采用Newton-Raphson法进行迭代算法处理,实现声纳图像压缩感知的超分辨率重建。最后通过仿真实验,验证了此种算法的可行性和有效性。实验结果表明,该算法获得的超分辨率图像能够很好地重建并保持原图像的特征,能高效地改善并提高重建质量。