改进的自适应冲击滤波图像超分辨率插值算法

针对基于插值的图像超分辨算法造成图像边缘扩散和引入噪声的缺点,该文提出一种改进的自适应冲击滤波模型的图像超分辨率插值方法.根据插值后的初始高分辨率图像梯度自适应调整冲击滤波的权重,针对不同的图像边缘相应地减少图像的边缘扩散,同时利用前向扩散消除噪声,相对传统冲击滤波方法,避免了锯齿、块效应等人工痕迹,有效的保留了细节纹理特征.理论分析和实验结果表明,文中方法获得更好的超分辨率结果,主观效果得到明显改善,客观指标得到一定提高.     

基于POCS算法的序列图像超分辨率复原技术研究

本文针对POCS超分辨率算法降噪能力差的缺陷,对含噪图像首先利用小波技术进行去噪预处理,然后再用POCS算法复原。实验证明,本文提出的方法对低信噪比序列图像的超分辨率复原有很好的复原效果,并且对各种噪声处理基本有效。     

基于GEP多标记学习的图像超分辨率复原算法

基于图像单一特征进行支持向量机预分类的超分辨率复原算法通过离线建立分类模型,减少了传统基于范例学习算法的样本块误匹配现象,提高了图像质量和计算速度。但由于图像特征的多样性,此类算法易造成复原结果的不稳定。本文提出一种基于基因表达式编程多标记学习的超分辨率复原算法,筛选出与目标图像相关性高的样本子库,在多标记框架下进行样本预分类。实验结果表明,本文算法稳定性强、鲁棒性好,进一步缩小了低分辨率图像块的匹配范围,更好的提高了超分辨率复原的效果和效率。     

基于深度学习的图像超分辨率复原研究进展

图像超分辨率复原（Super resolution restoration,SR）技术是图像处理领域的研究热点,在视频监控、图像处理、刑侦分析等领域具有广泛的应用需求.近年来,深度学习在多媒体处理领域迅猛发展,基于深度学习的图像超分辨率复原技术已逐渐成为主流技术.本文主要对现有基于深度学习的图像超分辨率复原工作进行综述.从网络类型、网络结构、训练方法等方面分析现有技术的优势与不足,对其发展脉络进行梳理.在此基础上,本文进一步指出了基于深度学习的图像超分辨率复原技术的未来发展方向.     

基于区域自适应学习的人脸图像超分辨率复原

提出一种基于区域自适应学习的人脸图像超分辨率复原算法.算法根据图像的纹理特征将人脸分为平坦区和细节区.对面部平坦区直接采用双线性插值放大;对于眼睛、鼻子和嘴等细节区,采用分类预测器重建高频信息.在细节区,将相似纹理结构的图像块分为一类,对每类纹理结构分别训练线性预测器,进行高频信息预测.实验结果表明,本算法在图像重建质量的主观效果和实现速度上都有很好的表现.     

基于非局部算法的序列图像超分辨率重构

提出了一种基于非局部算法的多帧图像超分辨率重构算法,该方法无需进行图像校正。为克服传统图像复原算法基于图像局部点领域的影响,指出可以使用非局部去噪模型的优越边缘保持性和去噪性来重构高分辨率图像。实验证明,该算法在低信噪比情况下,可以取得较好结果,有效解决了低信噪比条件下图像复原的一个难点。     

基于改进机器学习的超分辨率图像细节复原

相对于低分辨率图像,高分辨率图像需要增加的像素数目更多,且需要增加高频信息以提升图像的清晰度,当图像目标与背景之间对比度较大时,图像高频细节信息复原难度较高。为此,提出基于改进机器学习的超分辨率图像细节复原方法。对图像去噪,并结合采用双边滤波方法实现图像的对比度增强;利用改进字典的机器学习算法建立双层字典,结合稀疏表示算法获取一层的粗略复原图像;通过二层字典计算一层复原图像与原始图像之间的差值,建立高分辨率样本,并对其开展二层字典训练,通过训练结构实现超分辨率图像的细节复原。实验结果表明,研究方法应用下峰值信噪比可保持在20dB以上,细节复原均方差低于4×10^-3,结构相似性指标更高,高分辨率图像的训练效果更好,特征对比明显,细节信息突出。     

超分辨率复原技术的发展

超分辨率原复技术就是由一序列低分辨率变形图像来估计一幅（或一序列）较高分辩率的非变形图像，同时还能够消除加性噪声以及由有限检测器尺寸和光学元件产生的模糊，它是图像融合领域中的一个重要分支。这项技术广泛应用于遥感，医学成像和高清晰度电视等多个领域，2人超分辨率复原的含义，应用场合，技术种类和未来研究展望等多个方面，对超分辨率复原领域的发展进行了论述。     

基于并行遗传算法的图像超分辨率复原

图像超分辨率复原技术，提供了一种利用低分辨率像机获取高分辨率图像的可能途径。图像超分辨率复原有频域方法和空域方法两类：其中频域方法主要基于频谱解混叠；空域方法又分迭代反投影方法、凸集投影方法、Bayesian估计方法等。为了提高图像超分辨率复原的效率和提高复原图像的质量，提出了一种基于并行遗传算法的图像(序列)超分辨率复原的新框架方法，由于遗传算法采用实值编码方式，且基于岛模型的并行机制也有利于多帧图像信息的融合，因而使得算法直观和高效；同时提出采用其他超分辨率复原方法的迭代形式来充当遗传算法的变异算子，因为它能有效地利用已有方法的优点。最后，借用图像复原的客观评价指标来评价超分辨率复原算法的效果。实验证明，该方法有效可行。     

基于Contourlet域的遥感图像超分辨率复原技术

通过Contourlet域对遥感图像进行超分辨复原,采用了具有的更好方向性和各向异性特点的Contourlet系数作为特征表示,并通过最小欧氏距离进行全局的匹配选择。根据匹配的高频细节信息分布特点,引入了隐马尔可夫树（HMT）模型对遥感图像的Contourlet系数建模,运用期望最大（EM）算法对其进行参数估计,并结合贝叶斯估计原理,对叠加后的Contourlet系数进行修复、反变换后,最终完成了对低分辨率遥感图像的超分辨率复原。     

一种基于偏微分方程的图像超分辨方法

在图像超分辨方法中,经典插值方法存在块状效应和图像模糊的情况,而以经典插值方法为基础,用偏微分方程进行后处理的方法则较为复杂。运用各向同性方程与各向异性方程进行耦合得到了一个新的偏微分方程模型,用该模型对图像进行超分辨处理,既降低了计算复杂度,又能保证得到较好的图像超分辨效果。实验结果表明了本文方法的优越性。视觉感知具有良好的一致性。     

一种基于偏微分方程的图像平滑技术

图像平滑是大多数图像分析和计算机视觉问题中必需的环节。文中探讨了噪声图像的噪声抑制方法,利用了基于偏微分方程的平滑技术。该方法的优点在于可以在消除噪声的同时有效地保持空间分辨率。最后采用数据验证了方法的有效性。     

加权型曲率保持 PDE 图像滤波方法

提出了一种加权型曲率保持偏微分方程(Partial differential equation, PDE)滤波方法.传统曲率保持PDE 滤波方法未考虑各积分曲线可能经历不同的图像结构,如此影响了其对图像边缘的保持能力.在此基础上, 利用局部图像方向信息为不同积分曲线设计了相应的权重,得到了一种张量驱动的加权型曲率保持PDE滤波方法. 实验结果表明该方法在滤波的同时能较好地保持图像中边缘与曲率结构,且对图像具有一定增强能力.     

基于PDE正则化的超分辨率图像重构方法

采用非线性扩散模型建立超分辨率图像重构的偏微分方程,利用各向异性扩散方程的方向选择平滑的特性,在重构高分辨率图像的同时能够很好地消除系统噪声,保持细节信息。实验结果表明,该方法有效地提高了重构的图像质量,在视觉观察和数值评价上都优于原有正则化方法,并且对不同噪声水平的图像具有很好的鲁棒性。     

PDE技术的图像放大模型

偏微分方程(PDE)已成为图像处理与分析中的重要工具。而数字图像处理的一个基本内容是图像放大,即从低分辨率图像获得高分辨率图像的图像处理技术。通过两种泛函模型,利用变分的思想,提出了基于TV-norm (total variation norm)插值模型和四阶偏微分方程插值模型的图像放大算法。通过仿真实验结果及均方误差（MSE）和峰值信噪比（PSNR）两种评价准则说明了该算法的有效性和可行性。     

基于最大后验概率和鲁棒估计的图像恢复推广变分模型

基于最大后验概率和MRF理论的图像恢复描述框架,提出一个面向图像恢复的推广变分模型.模型中将噪声建模为广义正态分布,利用最大似然法估计形状参数自动选择合适的范数作为数据保真项;将图像梯度场的分布建模为混合密度类,利用鲁棒估计理论构造一个耦合全变差积分和Dirichlet积分的图像先验模型作为正则化项.利用推广泛函的凸性,讨论了该推广模型的最优解存在性.最后提出结合梯度加权最速下降和半点格式的数值迭代算法.实验结果表明,推广模型能自动区分污染图像中的噪声分布特性,对于高斯噪声和脉冲噪声的污染图像都能取得很好的恢复效果.通过计算峰值信噪比和边缘保护指数,分析和评价了推广模型与目前其他变分方法的性能.     

基于矩形NAM和偏微分方程的灰度图像压缩方法

借助矩形NAM图像表示方法和偏微分方程技术,提出一种新的灰度图像压缩方法.该方法在编码端把原始图像逆布局为若干矩形子块,并采用坐标压缩方法存储每个子块的位置、大小.在解码端,采用偏微分方程进行图像修复,有效消除解码图像中的方块效应.该方法的时间复杂度为 ,其中n为灰度图像像素数.实验表明:在保持图像质量的前提下,该方法具有更高的压缩比和更少的块数,具有较高实用价值.     

基于多重网格的遥感影像融合方法研究

目前常用的遥感影像融合方法大都从离散角度出发,一定程度上失去图像本身的物理意义,得到图像的质量不高。本文从连续图像出发,将二阶偏微分算子应用于影像函数,利用多重网格算子能得到近似影像的性质,得出一种多分辨影像分解的方法,经过图像重建过程得到融合影像。试验表明本融合方法可应用于遥感影像融合。     

基于深度可分离卷积的轻量级图像超分辨率重建

图像超分辨率重建旨在依据低分辨率图像重建出接近真实的高分辨率图像,现有基于卷积神经网络的图像超分辨率重建方法存在网络参数量大、重建速度慢等问题,从而限制其在内存资源小的终端设备上的应用。提出一种基于深度可分离卷积的轻量级图像超分辨率重建网络,利用深度可分离卷积提取图像的特征信息,减少网络的参数量,采用对比度感知通道注意力机制获取图像的对比度信息,并将其作为全局信息,同时对提取特征的不同通道权重进行重新分配,增强重建图像的细节纹理信息。在此基础上,采用亚像素卷积对图像特征进行上采样操作,提高整体重建图像质量。实验结果表明,当放大倍数为2、3和4时,该网络的参数量分别为140 000、147 000和152 000,重建时间为0.020 s、0.014 s和0.011 s,相比VDSR、RFDN、IDN等网络,在保证重建效果的前提下能够有效减少网络参数量。     

基于多窗口残差网络的单图像超分辨率重建

基于卷积神经网络的单图像超分辨率模型网络结构过深,导致高频信息丢失以及模型体积庞大等问题.提出一种由多个残差模块构成的多窗口残差网络优化模型,通过使用多个不同尺寸的窗口对同一特征图进行提取,获取更丰富的高频与低频信息,并过滤出深层网络的所需特征.残差模块中较大尺寸的窗口采用较小尺寸的滤波器和多层映射层叠加组成,可在减少...