基于SIFT的POCS图像超分辨率重建

针对传统的POCS图像超分辨率重建算法中广泛使用的基于改进的Keren配准算法,对于序列帧间存在剪切和非均匀尺度变换现象时,很难做到精确的亚像素级配准,文中讨论了一种基于SIFT算法的POCS序列图像超分辨率重建算法。首先利用SIFT算法提取序列帧与参考帧间的SIFT关键点对,随后选取匹配关键点对,通过RANSAC去除误配点的同时估算出六参数仿射变换参数,最后使用POCS重建算法得到最终的重建结果。实验结果表明：该方法能有效地解决因运动估计不准而引起的重建图像效果不好的问题,特别是在序列帧间存在剪切和非均匀尺度变换现象时,重建效果明显好于传统的POCS算法,具有更强适应性。     

基于SIFT的超分辨率图像配准及MATLAB实现

在超分辨率图像重建中,针对精确到亚像素的图像配准,提出了基于MATLAB和SIFT（scale invariant feature transform）配准方法。讨论了基于特征匹配的尺度不变特征变换配准方法的基本原理,并给出了相关推导公式和算法;简单介绍了MATLAB图像处理工具箱的功能;同时,以一个灰度图像为例,用MATLAB语言实现了配准,并给出了相关程序及实验结果图像。实验结果表明：MATLAB环境下的SIFT图像配准难度小,速度快,配准点准确且易于实现。     

基于支持向量机的图像亚像素配准及超分辨率重建

超分辨率重建是根据场景的一组低分辨率图像重建其高分辨率图像。重建算法中,低分辨图像之间的亚像素配准是很重要的一部分。提出了一种基于支持向量机的亚像素配准方法,将低分辨图像之间的相对旋转平移参数看成支持向量机的目标集,通过支持向量回归建立图像特征与目标集之间的映射关系,从而计算图像间的相对运动参数。实验表明,与现有算法相比,所提出的算法具有较高的精度。     

基于一种优化的配准算法的图像超分辨率重建

提出了一种优化的图像配准算法.该算法充分结合了时域基于全局运动模型的配准算法和频域基于傅立叶变换的配准算法,并运用到超分辨重建中.假设序列低分辨率图像之间存在旋转和平移,首先运用全局配准法求出旋转参数,对图像进行旋转补偿,然后对补偿后的图像用频域配准法估计平移参数,针对估计出的旋转参数和平移参数对序列低分辨率图像进行超分辨率图像重建,实验表明该方法能较有效地提高图像分辨的效果,并且本文还阐述了低分辨率图像帧数的影响.     

基于L1和L2混合范式的序列图像超分辨率重建

针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L₁和L₂混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L₁和L₂混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 dB~5.2 dB。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。     

基于多尺度联合网络的图像超分辨率重建方法

图像超分辨率在视频修复等方面具有广泛应用。针对基于深度学习的图像超分辨率重建(FSRCNN)方法存在的问题，提出基于多尺度联合网络的图像超分辨率重建方法。首先，通过构建基于多尺度网络的特征采样模型来提取低分辨率(LR)图像的特征；其次，通过特征融合和构造亚像素卷积层的方法对特征进行增强；最后，定义基于均方误差MSE和峰值信噪比PSNR的联合损失函数。在Set5、Set14和BSD100数据集上进行了对比实验，实验结果表明，该方法获得了相对较好的结果。最后针对低分辨率影视作品《西游记》和《红楼梦》进行了高分辨率修复，取得了一定的效果。     

基于亚像素位移的超分辨率图像重建算法

针对多帧图像超分辨率重建问题, 利用一阶泰勒展式, 在亚像素级上对图像退化过程进行建模, 并建立极小化能量函数, 选择Graph-cut算法进行能量极小化求解. 为了验证本文算法的有效性, 采用模拟图像退化过程和直接用相机拍摄两种方式获得低分辨率图像序列. 从4×4倍重建结果的比较来看, 本文算法不仅对模拟退化过程产生的低分辨率图像序列有效, 而且在提高真实低分辨率图像的分辨能力方面也有很好的效果. 此外, 实验结果表明本文算法对噪声有较好的抗干扰能力.     

基于改进SIFT的SAR图像配准方法

针对尺度不变特征变换(SIFT)配准方法在处理SAR图像时精度不高的问题,提出一种基于改进SIFT的精确配准方法。在提取关键点SIFT描述子及其邻域多尺度自卷积矩不变特征的基础上,利用基于典型相关分析的融合算法对SIFT与矩不变特征进行融合,形成新的关键点描述子,使用阈值实现粗匹配,并结合关键点的距离与邻域灰度相关性构建相似矩阵,采用奇异值分解方法精确确定匹配点对,求出仿射变换模型参数,从而完成图像配准。实验结果表明,该方法的配准结果优于SIFT方法,且配准精度达到亚像素级。     

耦合光度配准的双边全变差正则化MAP超分辨率重建算法

针对曝光量不同的序列图像超分辨率重建问题,提出一种耦合光度配准的双边全变差正则化MAP超分辨率重建算法。首先计算感兴趣区域图像的方向梯度直方图(HOG)并以此为匹配的特征,其次采用直方图匹配的方法估算序列图像之间的光度映射函数,最后采用双边全变差正则化的超分辨率重建算法进行重建。通过计算重建图像的平均梯度、标准差及图像对比度发现,该算法能够有效提高重建图像的细节信息,并能有效减小重建图像间的亮度差异,提高图像对比度。     

基于双匹配配准算法的多重复纹理图像拼接

针对目前图像配准算法对于多重复纹理图像配准位置偏差的问题,提出图像内自匹配与图像间互匹配相结合的双匹配配准(Double-match image registration,DMIR)算法.首先在对待匹配图像提取尺度不变特征转换(Scale-invariant feature transform,SIFT)特征之后,通过...     

基于运动信息与多尺度分水岭的视频目标分割

从视频序列中提取视频目标是基于内容编码中的一项关键技术。提出了将高阶统计运动检测和多尺度分水岭相结合的视频目标分割算法。该算法首先利用高阶统计运动检测算法检测出运动区域,通过后处理得到运动目标的初始模板。然后,用小波变换对视频图像进行多分辨率分解。在最低分辨率上应用分水岭算法分割得到具有精确边缘的分割区域,通过将区域融合后的区域逐步投影到高分辨率图像上并结合高分辨率图像上的分水岭算法逐步提取出具有精确边缘的区域。最后,将运动目标的初始模板和多尺度分水岭分割得到的区域结合起来提取出具有精确边缘的视频对象。实验结果表明该算法能有效地分割和提取出视频序列中的视频对象。     

一种基于SIFT特征的快速逐层遥感图像配准方法

当前SIFT特征分层配准方法中存在特征点匹配复杂度高以及不同时相地物变化导致特征点误匹配等问题,提出一种基于SIFT特征的“低分辨率配准\,高分辨率验证”快速逐层遥感图像配准方法。该方法针对同源同分辨率不同时相的遥感图像,通过在金字塔的低分辨率图层匹配特征点对并建立仿射变换模型,在金字塔的高分辨率图层评估并修正模型。实验表明：提出的方法在保证配准精度的前提下,有效提高了配准算法的效率。
     

基于改进头脑风暴优化算法的医学图像配准方法

针对精准医疗中图像配准方法收敛速度慢、精度不够高的问题,提出一种基于改进头脑风暴优化（Improved brain storm optimization, IBSO）算法的医学图像配准方法。配准过程分为3个阶段：首先,将待配准图像进行多分辨率分解;然后,使用IBSO算法对低分辨率图像进行全局粗配准;最后,利用单纯形搜索法对高分辨图像精配准。相比粒子群和单纯形结合算法、差分进化和Powell结合算法,以及头脑风暴和Powell结合算法,在单模态实验中,所提算法平均耗时较以上3种算法分别降低了32.89%、13.91%和13.66%,且最大误差、平均误差最小;在多模态实验中,互信息、归一化互信息、交叉累计剩余熵与归一化互相关指数均优于上述3种配准算法。实验结果表明,所提算法可以有效地提升医学图像配准的精度与速度。     

基于特征点匹配的全景图像拼接技术研究

提出了一种基于特征点匹配的全景图像拼接算法,首先提取各图像中的SIFT特征,通过特征点匹配完成两幅图像的配准;再根据图像配准结果计算出图像间的变换矩阵;最后采用渐入渐出加权平均的融合方法对两幅图像进行无缝拼接。实验表明,该算法具有匹配精度高、鲁棒性强等特点,可以快速而自动地生成全景图像。     

自适应变异差分算法与Powell算法相结合的医学图像配准

图像配准是医学图像处理中的关键技术。文中提出一种自适应差分算法(Difference Algorithm,DE)和Powell算法相结合的多分辨率医学图像配准方法,其不仅可以克服Powell算法依赖初始点的缺点,还可以降低陷入局部极值的几率。首先,对源图像进行多分辨处理,获得包括源图像在内的三层图像;然后,在低分辨率图像上使用自适应DE算法进行全局变换参数的搜索,获得的变换参数作为Powell算法的初始点;最后,在高分辨率图像及源图像上使用Powell算法进行配准。与传统实验相比,该方法具有更高的精确度,能够有效避免局部收敛问题。     

基于SIFT特征的多帧图像超分辨重建

精确的亚像素级图像配准是图像超分辨重建中的关键问题.在图像超分辨重建中广泛使用的基于像素特征的光流法,对于大幅度运动场的计算很难做到精确的亚像素级配准.本文考虑了一种基于SIFT(scale invariant feature transform)特征的鲁棒性多帧图像超分辨重建算法.首先提取输入的低分辨待匹配图像对的SIFT关键点及其特征矢量.随后选取候选匹配关键点对,通过RANSAC(random sample consensus)鲁棒方法去除奇异值,并根据假设的平移性几何约束模型,获得图像对的平移运动配准参数,然后选取视场中心对应的或指定的图像帧为初始参考帧,再使用传统的超分辨重建框架获得最终的重建结果.仿真实验结果表明,提出的基于SIFT特征的图像超分辨重建方案是有效的,超分辨重建的图像质量在主观评价和客观指标上都获得了优于经典算法的效果.     

基于深度学习的水下图像超分辨率重建方法

由于水体本身的特性以及水中悬浮颗粒对光的吸收和散射作用,水下图像普遍存在信噪比（SNR）低、分辨率低等一系列问题,但大部分方法传统处理方法包含图像增强、复原及重建,都依赖退化模型,并存在算法病态性问题。为进一步提高水下图像恢复算法的效果和效率,提出了一种改进的基于深度卷积神经网络的图像超分辨率重建方法。该方法网络中引入了改良的密集块结构（IDB）,能在有效解决深度卷积神经网络梯度弥散问题的同时提高训练速度。该网络对经过配准的退化前后的水下图像进行训练,得到水下低分辨率图像和高分辨率图像之间的一个映射关系。实验结果表明,在基于自建的水下图像作为训练集上,较卷积神经网络的单帧图像超分辨率重建算法（SRCNN）,使用引入了改良的密集块结构（IDB）的深度卷积神经网络对水下图像进行重建,重建图像的峰值信噪比（PSNR）提升达到0.38 dB,结构相似度（SSIM）提升达到0.013,能有效地提高水下图像的重建质量。     

基于小波域HMT模型的序列图像超分辨率重建*

鉴于基于小波域隐马尔可夫树的噪声抑制性和较好的边缘保持性,提出一种基于小波域隐马尔可夫树的序列图像的超分辨率重建算法。针对小波系数进行统计建模,讨论了不同尺度小波系数之间的隐马尔可夫树结构,利用了序列图像的运动信息,运用极大后验概率估计和贝叶斯原理,将小波域HMT作为图像先验知识并给出了超分辨率重建算法,最终通过EM算法和共轭梯度算法的交替迭代进行优化计算。实验结果表明方法的重建效果得到了明显的改进。