基于小波融合的图像残差金字塔超分辨率研究

提出了基于小波融合的残差金字塔超分辨率方法.算法包括2部分:1) 通过残差金字塔分别估计多幅低分辨率图像的高频信息;2) 对获得的多幅高分辨率图像进行小波融合.图像的低频部分采用能量加权法融合,高频部分采用最大值规则融合,融合后经过小波反变换得到最终的高分辨率图像.研究结果表明,该算法避免了大量的迭代运算,降低了计算复杂度,使大尺寸图像的超分辨率成为可能.     

一种有效的图像复原方法

图像超分辨率复原技术是由一序列低分辨率变形图像估计一幅或多幅较高分辨率的非变形图像,同时还能够消除加性噪声以及由有限检测器尺寸和光学产生的模糊,是图像融合领域中的一个重要分支。先把高分辨率图像变换成低分辨率图像,然后对低分辨率图像进行运动估计和运动补偿计算,最后再把低分辨率图像映射灰高分辨率图像。     

基于稀疏表征的图像超分辨算法研究

超分辨率图像恢复的目的是由低分辨率图像得到高分辨率图像,通常需要多幅或者一系列连续低分辨率图像．在有限的条件下很难得到。针对单幅图像超分辨问题,结合当前比较先进的稀疏表征方法,利用训练集图像的先验信息．对单幅图像进行超分辨率恢复。结合当前先进的基于稀疏表征的超分辨算法,采用误差反投影方法,提出一种改进的算法．对超分辨率...     

超分辨率重构最大后验概率算法介绍

图像超分辨率重构(super resolution reconstruction,SRR)是一个利用序列图像来求解理想图像的逆过程,基本原理就是把各图像上由于亚像素位移而存在的互补信息融合到同一幅图像中,从而达到提高分辨率的目的.我们采用最大后验概率(maximuma posteriori,MAP)算法进行超分辨率重构.根据贝叶斯原理,高分辨率图像的后验概率等价于以下两项之积:已知理想高分辨率图像的前提下,低分辨率图像出现的条件概率;理想高分辨率图像的先验概率.MAP算法的基本思想就是在己知低分辨率图像前提下,使出现高分辨率图像的后验概率达到最大.该方法的优点是在复原过程中可以直接加入先验约束,能确保解的存在和唯一,降噪能力强和收敛稳定性高等.     

利用图像翻转和复域编码的离轴干涉载频消除

提出一种利用图像翻转和复域编码消除离轴干涉载频影响,进而实现相位恢复的方法。方法通过旋转样品干涉图180,得到翻转干涉图。样品干涉图与翻转干涉图首先被复数域编码为一幅合成的干涉图。继而进行傅里叶变换,可通过带通滤波器提取频谱中相互分离的共轭项用于相位恢复。通过逆傅里叶变换,可以获得含有样品干涉图和翻转干涉图的相位分布、载频信息的结果。通过除法运算,载频得以在无需复杂运算、解包裹、系统先验信息的情况下被消除。通过仿真和实验验证了算法的可行性。实验结果表明该方法可获得精确的相位恢复结果。在恢复薄相位样品时,该方法的恢复时间仅为原图像翻转方法的23.32%。     

基于深度学习的红外夜视图像超分辨率重建

针对红外夜视图像对比度低、成像质量不高的问题,提出适合红外夜视图像超分辨率重建方法。在自然图像超分辨率重建模型的基础上增加基于Retinex的对比度增强预处理步骤,并对网络模型做如下改进:构建超深卷积神经网络学习低分辨率图像与高分辨率图像之间的映射关系,增大感受野,提升网络学习能力;仅学习高低分辨率图像间的差值信息加速网络收敛。针对高分辨率红外夜视图像不易获得,数据量较少的问题,利用迁移学习理论,使用少量的高分辨率红外夜视图像为目标样本,对自然图像超分辨率重建模型进行微调,得到适合红外夜视图像重建的网络权重模型。实验结果证明:使用该方法得到的红外夜视图像信息丰富,层次分明,具有良好的视觉效果。     

基于小波变换与稀疏傅里叶变换相结合的光场重构方法

随着计算机图形学和计算机视觉技术的发展,光场开始进入人们的视线并被迅速应用于各个领域.然而光场的获取需要大量的图像,具有数据量大,获取成本高等特点,因此学者们越来越关注如何利用少量的光场数据获取整个光场这一问题,并且做出了大量的工作.针对上述问题,本文将小波变换与稀疏傅里叶变换相结合,利用光场在角度域的稀疏性提出一种新的光场重构方法.首先,利用小波变换多分辨率分析的特点,通过小波变换将原始图像分解为多个不同频率的子图像;然后分别对每个子图像通过傅里叶切片定理恢复其频率位置,从而可以分别得到它们的二维角度谱;最后将每个子图像的二维角度谱合并,进行小波逆变换获得整个光场.本文方法利用小波变换将原图像分解为多个不同频率的子图像分别同时处理,不仅降低了算法的复杂度,大大减少了算法的运行时间,为光场的广泛应用提供了条件,而且相比于单独运用稀疏傅里叶算法重构,本方法有效地抑制了窗口效应,使重构结果更加准确.此外,本文方法将高频信息和低频信息分开重构,可以有效地改善并网恢复中小频率丢失的问题,进一步改进重构结果.最后通过仿真验证了算法的有效性.     

POCS超分辨率图像重构的快速算法

超分辨率图像重构是将多帧低分辨率图像重构成一幅高分辨率图像的过程。由于其求解是一大型病态求逆问题，计算量随着放大倍数的增加而急剧上升，如何降低计算复杂度是超分辨率成像所面临的一个急需解决的课题。提出了一个基于PoCs的高分辨率图像重构的快速算法。其原理是利用各低分辨率图像之间位移的关系将所有的低分辨率图像进行重组，然后对每个组进行PoCs超分辨图象重构。实验结果表明。该快速算法较大地提高了超分辨图像重构的速度。     

基于邻域匹配度和能量的curvelet变换融合

提出一种基于邻域匹配度和能量加权平均的多源遥感图像曲波变换融合方法。对低分辨率的多光谱图像和高分辨率的全色图像作曲波变换,融合图像的曲波系数中的低频分量取自多光谱图像的低频分量。求两幅图像高频系数邻域内的匹配度,与阈值相比较,根据比较结果分别采用不同方法确定高频系数。对生成系数进行逆曲波变换后得到融合图像。实验表明融合后的图像清晰度和光谱性得到有效提高。     

联合运动估计与基于模式的超分辨率图像重构

超分辨率图像重构是利用关于同一场景的多帧低分辨率图像重构出一幅具有更高分辨率图像的过程.已有的超分辨率图像重构算法对于人工模拟所得到的低分辨率图像序列具有很好的效果,但对于拍摄到的真实低分辨率图像序列而言,重构后的图像往往比较模糊,有时甚至仍然无法分辨.为此,本文提出了一个联合运动估计与基于模式的超分辨率图像重构算法.实验结果表明,该算法能够得到优于常规算法的高分辨率图像.     

高分辨率LED显示屏中图像适配问题研究

随着LED显示屏分辨率的日益增长,低分辨率图像的显示模糊问题已不容忽视。本文采用图像超分辨率技术对低分辨率图像进行信息填充,仿真结果表明,处理后的图像在不同规格的高分辨率LED显示屏播放时均具有更好的视觉效果。     

单次曝光频域振幅编码压缩成像

超分辨率被认为是光学成像和图像处理的“圣杯”之一.有别于传统的多幅亚像素图像配准融合实现超分辨率的方法面临的配准误差以及高成本问题,得益于大多数图像普遍具有的稀疏表示特性,本文将压缩传感理论引入超分辨率成像,提出一种新的单次曝光频域振幅编码压缩成像方法.利用4-f傅里叶光学架构实现图像信息的频域0/1振幅随机调制,然后可以使用低分辨率CCD器件实现积分下采样记录对应的测量值,最后利用优化方法从少量的测量值中重建原高分辨率图像.模拟实验验证了本文提出的方法可以有效地实现二维图像信息的获取与重构.此外,本文的方法可以有效地处理大尺寸图像的压缩成像问题,具有重要的应用前景.     

基于瓦片金字塔模型的高分辨力岩心图像浏览

相对低分辨力岩心图像,高分辨力岩心图像由于像素点较多,数据量较大,在传输、处理和显示过程中都将占用很大的内存开销,传统的处理方式无法实现高分辨力岩心图像的浏览显示。针对此问题,提出一种基于瓦片金字塔模型的瓦片图像分割技术,将原始高分辨力岩心图像转换为以瓦片结构存储的具有多个分辨力层的标签图像文件格式（TIFF）图像,利用分块传输和分块加载来实现高分辨力岩心图像在浏览器端的浏览显示。     

Hyperspectral image quality based on convolutional network of multi-scale depth

Hyperspectral imagery has been widely used in military and civilian research fields such as crop yield estimation, mineral exploration, and military target detection. However, for the limited imaging equipment and the complex imaging environment of hyperspectral images, the spatial resolution of hyperspectral images is still relatively low, which limits the application of hyperspectral images. So, studying the data characteristics of hyperspectral images deeply and improving the spatial resolution of hyperspectral images is an important prerequisite for accurate interpretation and wide application of hyperspectral images. The purpose of this paper is to deal with super-resolution of the hyperspectral image quickly and accurately, and maintain the spectral characteristics of the hyperspectral image, makes the spectral separability of the substrate in the original image remains unchanged after super-resolution processing. This paper first learns the mapping relationship between the spectral difference of low-resolution hyperspectral image and the spectral difference of the corresponding high-resolution hyperspectral image based on multiple scale convolutional neural network, Thus, apply this mapping relationship to the input low-resolution hyperspectral image generally, getting the corresponding high resolution spectral difference. Constrained space by using the image of reconstructed spectral difference, this requires the low-resolution hyperspectral image generated by the reconstructed image is to be close to the input low-resolution hyperspectral image in space, so that the whole process becomes a closed circulation system where the low-resolution hyperspectral image generation of high-resolution hyperspectral images, then back to low-resolution hyperspectral images. This innovative design further enhances the super-resolution performance of the algorithm. The experimental results show that the hyperspectral image super-resolution method based on convolutional neural network improves the input image spatial information, and the super-resolution performance of the model is above 90%, which can maintain the spectral information well.     

基于自注意力深度网络的图像超分辨率重建方法

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。     

一种改进的POCS算法的超分辨率图像重建

图像超分辨率是指从一组模糊的低分辨率图像重建一帧清晰的高分辨率图像的过程.从经典的基于凸集投影POCS（projection onto convex set）的超分辨率图像重建算法出发,分析重建后高分辨率图像边缘模糊的成因,提出了一种基于保留边缘信息的POCS超分辨率图像重建算法.实验结果表明该方法能够明显地提高重建图像的质量.     

基于聚类和高斯过程回归的超分辨率重建

在样本学习的思想框架下,针对图像超分辨率问题的研究,提出了数据聚类和高斯过程回归相结合的解决方法.使用K-means对数据进行聚类,在各类中利用高斯过程回归对样本库中高低分辨率图像之间的对应关系进行学习.根据得到的学习模型对需要处理的低分辨率图像所对应的高分辨率图像进行预测,有效地利用了高低分辨率图像之间的统计特性.实验结果表明该方法可以较好地改善超分辨率重建效果.     

Integrating the Missing Information Estimation into Multi-frame Super-Resolution

Multi-frame super-resolution image reconstruction aims to restore a high-resolution image by fusing a set of low-resolution images. The low-resolution images are usually subject to some degradation, such as warping, blurring, down-sampling, or noising, which causes substantial information loss in the low-resolution images, especially in the texture regions. The missing information is not well estimated using existing traditional methods. In this paper, having analyzed the observation model describing the degradation process starting with a high-resolution image and moving to the low-resolution images, we propose a more reasonable observation model that integrates the missing information into the super-resolution reconstruction. Our approach is fully formulated in a Bayesian framework using the Kullback–Leibler divergence. In this way, the missing information is estimated simultaneously with the high-resolution image, motion parameters, and hyper-parameters. Our proposed estimation of the missing information improves the quality of the reconstructed image. Experimental results presented in this paper show improved performance compared with that of existing traditional methods.