基于双正则化参数的在线字典学习超分辨率重建

基于学习的单图超分辨率重建算法能获得较好的超分效果,但存在重建图像伪影较为明显的问题。为解决这一问题,提出了一种基于双正则化参数的在线字典学习超分辨率重建算法。在字典学习过程中运用在线字典学习方法（Online Dictionary Learning,ODL）,并在稀疏字典生成阶段和图像重建阶段分别设置了两个不同的正则化参数。实验中生成的目标高分辨率图像PSNR比经典的稀疏编码超分方法（Sparse Coding Super-Resolution,SCSR）平均提高了0.39dB,较好地恢复图像边缘锐度和纹理细节的同时有效地抑制了伪影。ODL和双正则化参数的引入,提高了字典训练的精度,使字典训练和图像重建阶段的稀疏系数独立可调,实验中能够有效地消除伪影,提升了超分辨率重建的效果。     

面向图像超分辨率的上下文字典学习

基于稀疏表示理论,提出了一种面向单张图片超分辨率的字典学习方法。通过对训练数据进行分类,期望在每一类训练数据训练字典的过程中,增强类内的上下文信息。与之前的面向图像分类的字典学习方法所不同的是,训练数据集由高分辨率图像块和对应的低分辨率图像块共同组成,这使训练得到的字典更适用于图像重构。利用有限的训练数据集,基于上下文的字典学习方法能够提高字典表示的拓展能力,消除由多重训练数据子集带来的冗余。     

基于过完备字典稀疏表示的图像超分辨率研究

提出一种基于过完备字典稀疏表示的通用图像超分辨率算法。利用过完备字典代替稀疏基,采用学习的方法得到低分辨率图像和高分辨率图像之间的关系,最终从高分辨率图像块的字典中重构出超分辨率图像。实现了基于matlab的稀疏表示(omp算法)和字典更新(K-SVD算法)的字典学习算法,并通过仿真实验,以PSNR等指标论证了编码算法的有效性。     

基于亚像素的图像超分辨率重建算法研究

图像超分辨率重建是指利用一幅或多幅具有互补信息的低分辨率图像,运用相应的算法来获得一幅清晰的高分辨率图像的过程。本文采用亚像素插值重建算法,利用多幅低分辨率视频图像重建出一幅高分辨率图像。重建算法有效利用了各幅图像中对应像素的相关信息,提高了图像的视觉效果和峰值信噪比。     

基于两级字典与分频带字典的图像超分辨率算法

常规基于稀疏表示的超分辨率算法使用一级高低分辨字典重构图像, 恢复细节信息不充分. 本文利用两级字典恢复尽可能多的细节信息; 然后构造联合低频字典、中频字典、高频字典的分频带字典, 利用图像低频、中频、高频三者之间的预测关系, 恢复图像中的高频信息. 利用图像的非局部相似性, 将其与迭代反向投影算法相结合, 进行图像的后处理. 实验结果表明, 与其他几种基于学习的算法相比, 本算法无论是在峰值信噪比、结构相似性指标, 还是视觉效果上都有显著的提高.     

用于超分辨率重建的同构过完备字典学习方法

构造合适的过完备字典是基于稀疏表示的超分辨率重建中的关键问题之一。在最大似然估计准则下,建立基于混合高斯的同构过完备字典学习模型。模型采用加权的l2范数来刻画分解残差,由分解残差设计权值矩阵,并且将同构的双字典学习问题转化为单字典的学习。采用稀疏编码和字典更新的交替迭代策略完成目标函数的求解,由内点法进行稀疏编码,采用拉格朗日对偶法完成字典更新。最后将学习得到的字典用于超分辨率重建实验,并与其他方法进行比较。实验结果验证了该模型和算法的有效性。     

基于结构自相似性和形变块特征的单幅图像超分辨率算法

针对单幅图像超分辨率（SR）复原样本资源不足和抗噪性差的问题，提出一种基于结构自相似和形变块特征的单幅图像超分辨率算法。首先，该方法通过构建尺度模型，尽可能地扩展搜索空间，克服单幅图像超分辨率训练样本不足的缺陷；接着，通过样例块的几何形变提升了局限性的内部字典大小；最后，为了提升重建图片的抗噪性，利用组稀疏学习字典来重建图像。实验结果表明：与Bicubic、稀疏字典学习（ScSR）算法和基于卷积神经网络的超分辨率（SRCNN）等优秀字典学习算法相比，所提算法可以得到主观视觉效果更为清晰和客观评价更高的超分辨率图像，峰值信噪比（PSNR）平均约提升了0.35 dB。另外所提算法通过几何形变的方式扩展了字典规模和搜索的准确性，在算法时间消耗上平均约减少了80 s。     

基于自适应多字典对的超分辨率复原算法

最近,双字典训练已成为在计算机视觉和图像领域解决超分辨率复原问题的有力工具。针对基于双字典训练的图像超分辨率算法中字典训练与重构阶段的重构误差,提出了一种基于自适应多字典对的超分辨
　　率复原算法。通过对样本进行聚类并训练多特征字典来适应不同类型的输入图像。在字典训练阶段,充分利用了不同次训练字典产生的差异,在重建中筛选高频补丁,进行多次重构,有效地提升了重构图像的质量。实验仿真与比较表明,该方法在重构图像的质量上有所提高,且能提供更清晰的细节。     

基于多字典学习和图像块映射的超分辨率重建

针对单一冗余字典在稀疏表示图像超分辨率重建结果出现不清晰、伪影以及重建过程编码效率不高、运算时间过长的问题,提出一种基于多字典学习和图像块映射的超分辨率重建方法。该方法在传统稀疏表示的框架下,首先探索局部图像块的梯度结构信息,按梯度角度将训练样本块分类;然后为每个子类样本集学习高低分辨率字典对,再结合最近邻思想应用生成的字典,为每个子类计算从低分辨率块到高分辨率块映射的函数;最后将重建过程简化为输入块和映射函数的乘积,在保证提高重建质量的同时减少了图像重建的时间。实验结果表明,所提算法在视觉效果有较大的提升,同时与锚点邻域回归算法相比,评价参数峰值信噪比(PSNR)平均提高约0.4 dB。     

基于双字典和稀疏表示的医学图像超分辨率重建

在医学影像图像处理过程中,由于成像技术和成像时间的限制,还无法获取满足诊断需求的清晰图像,这使得在现有技术和极短时间内所获取的医学病理图像需要进行超分辨率的重建处理;基于学习的图像超分辨率思想是从已建立的先验模型中重建出高频细节;在文章中,将要估计的高频信息认为是由主要高频和冗余高频两部分组成,提出了一种基于双字典学习和稀疏表示的医学图像超分辨率重建算法,由主要字典学习和冗余字典学习组成,分别渐近地恢复出主要高频细节和冗余高频细节;实验结果的数据分析和视觉效果显示,所提出双层递进方法能够恢复更多的图像细节且在性能指标上比现有的其他几种方法均有所提高。     

人脸识别中基于系数相似性的字典学习算法

在现有的基于稀疏表示分类算法的人脸识别中,使用通过稀疏学习得到的精简字典可以提高识别速度和精确度。metaface学习(Metaface Learning,MFL)算法在字典学习过程中没有考虑同类样本稀疏编码系数之间具有相似性的特点。为了利用这一信息来提高字典的区分性,提出了一种基于系数相似性的metaface学习(Coefficient-Simi-larity-based Metaface earning,CS-MFL)算法。CS-MFL算法的学习过程中,在更新稀疏表示系数阶段加入同类训练样本稀疏编码系数相似的约束项。为了求解包含系数相似性约束的新的最优化问题,将目标函数中的两个l2范数约束项进行合并,将原问题转化为典型l₂- l1问题进行求解。在不同的人脸库上进行实验,结果表明,提出的CS-MFL算法能够获得比MFL算法更高的识别率,说明由CS-MFL算法学习得到的字典更高效且更具区分性。     

Face Super-resolution Reconstruction and Recognition Using Non-local Similarity Dictionary Learning Based Algorithm

One of the challenges of face recognition in surveillance is the low resolution of face region. Therefore many superresolution (SR) face reconstruction methods are proposed to produce a high-resolution face image from one or a set of low-resolution face images. However, existing dictionary learning based algorithms are sensitive to noise and very time-consuming. In this paper, we define and prove the multi-scale linear combination consistency. In order to improve the performance of SR, we propose a novel SR face reconstruction method based on nonlocal similarity and multi-scale linear combination consistency (NLS-MLC). We further proposed a new recognition approach for very low resolution face images based on resolution scale invariant feature (RSIF). A series of experiments are conducted on two public face image databases to test feasibility of our proposed methods. Experimental results show that the proposed SR method is more robust and computationally effective in face hallucination, and the recognition accuracy of RSIF is higher than some state-of-art algorithms.      

用于超分辨率重建的深度网络递进学习方法

本文针对深度学习在单幅图像超分辨率方面难以恢复高频纹理细节的问题, 提出了一种基于递进学习的超分辨率算法.该算法首先采用灰度共生矩阵提取图像纹理特征, 然后利用基于密度峰值的聚类方法实现对整个训练集的分类, 其中每个训练子集具有相似的纹理复杂度.针对传统的递进学习方法会出现对已掌握知识"遗忘"的问题, 本文根据网络模型在各个训练子集上的拟合情况, 实时调整当前训练样本在各个子集上的概率分布, 从而实现快速收敛, 并获得更好的纹理细节复原效果.将本文提出的递进学习用于DRCN、VDSR、SRCNN等超分辨率网络的训练, 实验结果表明超分辨率网络收敛速度得到提升, 同时网络对复杂纹理等细节较多的图像也获得了较好的视觉恢复效果, 峰值信噪比则平均获得0.158 dB、0.18 dB、0.092 dB的提升.     

基于稀疏表示的图像超分辨率重构算法

为提高单幅图像的分辨率,提出一种基于稀疏表示的图像超分辨率重构方法。该方法的核心是联合训练高分辨率和低分辨率字典,然后利用所得字典求解高、低分辨率下图像块共有的稀疏表示系数。与已有的基于稀疏表示的图像超分辨重构算法相比,该算法在求解稀疏表示系数时并未采用拉格朗日乘子将稀疏度和重构误差相结合,而是利用对偶模型求解原始的带约束优化问题。实验表明,与其他图像超分辨率重构方法相比,该方法所需手动调节参数较少,重构效果较好。     

Imposing shift-invariance using Flexible Structure Dictionary Learning (FSDL)

Sparse representation and Dictionary learning have attracted a lot of research attention in the last couple of decades and have provided state of the art results in many fields such as denoising, classification, inpainting and compression. However, applying general dictionary learning such as Method of Optimal Directions and Recursive Least Squares Dictionary Learning Algorithm can be computationally expensive, due to the large amount of free variables to be learned. Also sometimes the signal class has obvious repetitive structure which could benefit from a structured dictionary. One way to deal with these shortcomings is to impose a structure on the dictionary itself, for example the dictionary can be sparse or the atoms can be shift-invariant. In practice, imposing a structure means limiting the number of free variables. There are many examples of structured dictionaries such as double sparsity model or shift-invariant dictionaries. We have recently proposed a closed form solution to impose arbitrary structures onto a dictionary, called Flexible Structure Dictionary Learning. In this paper, we use this method to impose shift-invariant structure when training a dictionary. This structure allows us to not only simplify the original solution and make it computationally feasible to be used for large signals but also extend the concept of shift-invariance to include variable sized shifts in different atoms. The proposed dictionary update step finds all the free variables in all the atoms jointly, whereas some shift-invariant structured dictionaries in the recent literature, update one atom at a time. We have compared our proposed method with a general dictionary learning method and another shift-invariant method. Results show that signal approximation can be a promising application.     

基于字典学习与结构自相似性的码本映射超分辨率算法

图像的空间分辨率受成像环境、硬件制造水平和成本等多方面因素的影响,存在一定的局限性.为了提高图像的空间分辨率,提出一种基于字典学习与结构自相似性的码本映射超分辨率算法.首先利用训练集构建与图像高低频分量对应的高低频码本,将高低频码本作为训练样本获取高低频字典;然后在初始重建图像中搜索目标图像块的相似图像块,利用相似图像块构建非局部约束项;最后通过求解含有非局部约束项的l0范数最小化问题获取目标图像块的稀疏表示系数,并利用高低频字典重建高分辨率图像块.该算法利用高低频字典表示目标图像块,而不是直接采用高低频码本,提高了算法的运算效率;利用相似图像块构建正则化约束项,提高了重建图像的质量.实验结果表明,与LLE,Sc SR和NARM等算法相比,文中算法取得的超分辨率重建效果更好.     

一种有效的匹配准则及块匹配算法

运动估计和补偿预测编码是视频编码标准中的一项关键技术,其核心问题在于块匹配的准确性。因此,寻找一种合理有效的块匹配准则是很必要的。传统的匹配准则是SAD,但该准则不能完全保证在满足SAD最小的情况下获得较低的编码比特率。因此,本文提出了一种改进的SAD匹配准则,提高了匹配的精确性和准确性,更加能够表示块的相似程度,并给给出了基于准则的块匹配算法。结合H.264/AVC视频编码标准的参考软件jm10.1,本文对运动估计部分采用了新的匹配准则,并进行了仿真测试。实验结果表明,在视频预测编码中,本文提出的块匹配准则可以更好地保证视频质量,提高压缩编码性能,而编码复杂性增加相对不大。     

基于分块和仿射不变性的SIFT图像匹配算法

针对传统SIFT算法在匹配时出现实时性差、匹配量低以及RANSANC算法在剔除SIFT误匹配对时误匹配率高的问题,提出一种基于距离相对性的分块匹配算法和基于仿射不变性的误匹配对剔除算法。首先利用传统SIFT算法提取图像中的特征点;然后采用基于距离相对性的分块匹配算法进行特征匹配得到初始匹配对;由于初始匹配对中存在误匹配,接下来运用基于仿射不变性的误匹配对剔除算法来剔除误匹配对;最后,在不同图像变换下进行仿真实验。实验结果表明,算法在保持SIFT算法鲁棒性的基础上,能够得到更多匹配对,正确匹配率提高了10%左右,并且实时性也得到很大改善。     

一种基于最优模块匹配的新型加权中值滤波算法

为了去除图像中的噪声,提出了一种新型的加权滤波算法,算法思想是基于大范围的最优模块匹配,根据模块之间的相似度来衡量像素点之间的相关性,从而确定对中心点像素贡献的大小,赋予像素点不同大小的权值,来恢复被噪声点污染的信号点,达到去除噪声、保护图像边缘信息的目的。实验表明新算法在滤波性能方面优于现有的一些改进算法,即使在高密度噪声下,也能取得较好的滤波效果。