自适应邻域选取的邻域嵌入超分辨率重建算法

在邻域嵌入超分辨率重建算法中,训练和重建过程均在特征空间进行的,因此,特征选择对算法的性能具有较大的影响。另外,大多数基于邻域嵌入算法对训练得到的样本库未经测试直接使用,使得邻域选择具有“盲目”性。考虑到特征选择的重要性以及避免邻域选择的盲目性,本文提出了一种新的邻域嵌入超分辨率重建算法。第一步:利用专家矢量场模型估计出输入图像的全局图像;第二步:利用邻域嵌入算法重建残差图像。在重建残差图像的过程中,首先将图像分成若干子块并利用线性滤波器提取特征;然后,将训练图像分成两组,第一组训练得到高、低分辨率重建样本库,第二组对重建样本库测试,得到邻域选择库;最后,自适应的选择输入图像子块的邻域数目,并利用重建样本库重建。仿真实验结果表明,相比其他基于邻域嵌入算法,提出算法可以重建更多的细节信息和锐利的边缘,重建得到的高分辨率图像具有较高的主客观质量。      

基于2D-PCA特征描述的非负权重邻域嵌入人脸超分辨率重建算法

在基于邻域嵌入人脸图像的超分辨率重建算法中,训练和重建均在特征空间进行,因此,特征选择对算法性能具有较大影响。另外,算法模型对重建权重未加限定,导致负数权重出现而产生过拟合效应,使得重建人脸图像质量衰退。考虑到人脸图像的特征选择以及权重符号限定的重要作用,该文提出一种基于2维主成分分析(2D- PCA)特征描述的非负权重邻域嵌入人脸超分辨率重建算法。首先将人脸图像分成若干子块,利用K均值聚类获得图像子块的局部视觉基元,并利用得到的局部视觉基元对图像子块分类。然后,利用2D-PCA对每一类人脸图像子块提取特征,并建立高、低分辨率样本库。最后,在重建过程中使用新的非负权重求解方法求取权重。仿真实验结果表明,相比其他基于邻域嵌入人脸超分辨率重建方法,所提算法可有效提高权重的稳定性,减少过拟合效应,其重建人脸图像具有较好的主客观质量。     

基于训练集分层的图像超分辨率重建

在基于邻域嵌入的图像超分辨率重建中,提出了一种对训练集进行分层的方法,可有效解决待重建图像块在训练集中搜索时间过长问题.同时对待重建的图像区域加以分类,对于平坦区域选择一般的双立方插值的重建方法,对于含有丰富细节的区域则采用邻域嵌入的重建方法.最后对重建图像进行IBP全局后处理,进一步提高图像质量.实验结果表明,利用本文方法重建的图像主观和客观质量都有较大的提高,且重建时间可以大大缩短.     

改进的基于邻域嵌入的图像超分辨率重构

为了提高传统的基于邻域嵌入的图像超分辨率重构算法的时间效率,采用了一种利用图像块方向信息进行邻域选择和训练集分类的新方法。该方法首先利用图像块方向的不同对训练集进行分类,然后在分类后的子训练集中选择与待重构图像块的方向相似的图像块作为邻域进行重构,并对重构结果进行迭代反投影全局后处理,进一步提高重构质量,最后对改进方法进行数值实验验证。结果表明,该方法不仅把超分辨率重构的时间效率提高了10倍以上,而且重构质量也得到了改善,具有较好的实际应用价值。     

基于训练集分层和图像区域分类的邻域嵌入超分辨率重建

在基于邻域嵌入的图像超分辨率重建中,本文提出了一种对训练集进行分层的方法,可有效解决待重建图像块在训练集中搜索时间过长问题。该方法无需太在意训练集大小,即使训练集建得很大,而重建搜索时间也不长。同时本文对待重建的图像区域加以分类,对于平坦区域选择一般的双立方插值的重建方法,对于含有丰富细节的区域则采用邻域嵌入的重建方法。最后对重建图像进行IBP全局后处理,进一步提高图像质量。实验结果表明,利用本文方法重建的图像主观和客观质量都有较大的提高,且重建时间可以大大缩短。     

一种基于匹配学习的人脸图像超分辨率算法

针对现有基于样本学习的人脸超分辨率算法对人脸图像采用全局搜索,存在非局部误匹配且复原图像视觉效果不佳等问题,提出了一种新的基于匹配学习的人脸图像超分辨率算法。首先根据输入图像预分类得到一个样本子类库,并构建相应的特征图像。在匹配过程中,针对不同人脸图像,采用2种新的搜索策略,考虑了图像块之间的相似性和一致性,使复原图像看起来更加连贯自然。实验结果表明,与其他方法相比,本文算法生成的高分辨率人脸图像获得了更好的视觉效果和更高的平均峰值信噪比,具有很好的实用价值。     

数学形态学与幻想脸重建

提出了基于数学形态学的幻想脸重建算法,设计了表达图像特征的张量结构,介绍了幻想脸的重建步骤.算法首先将待重建图像的整体特征按区域分块形成特征模板,然后用这些特征模板在低频特征集中搜索特征距离最小的邻域,最后把该邻域对应的高频信息通过最优化的线性组合分块实现人脸图像的超分辨率重建.实验结果表明,该算法获得的图像视觉效果明显改善,峰值信噪比(PSNR)高于其它算法2.6 dB以上.     

基于平衡二叉树的邻域嵌入单帧图像超分辨率重建算法

为了更好地解决基于学习的超分辨率算法的邻域嵌入问题,提出了一种使用k最近邻和平衡二叉树的邻域嵌入算法,该算法分为训练阶段和测试阶段.训练阶段,构建HR图像块、LR图像块的映射和平衡二叉树.测试阶段,首先将输入的去噪LR图像分离高频成分;然后训练LR特征空间,利用k最近邻寻找LR图像对应的HR图像块;最后通过高斯加权重建HR图像块,并与先前分离的高频成分合并.实验采用峰值信噪比(PSNR)、结构相似性度量(SSIM)和特征相似性度量(FSIM)评估算法的效果.从实验数据可以看出,提出的算法具有最高的PSNR值,SSIM值和FSIM值在大多数情况下高于其他算法,SSIM最高可达0.95,FSIM最高可达0.94.从实验结果图像可以看出,该算法的纹理保留得最好,图像自然丰富.此外,实验结果表明,该算法对高斯模糊和高斯噪声的鲁棒性也优于其他算法.     

相似图像块逼近的人脸超分重建残差补偿框架

为了提高人脸图像超分辨率重建算法中残差补偿步骤的效果,提出一种通用的基于内容相似图像块线性组合逼近的残差补偿框架,不经过搜索步骤,使用训练集人脸图像同一内容的图像块来进行运算。所提框架中的全局重建步骤,可以使用不同的重建方法。实验结果表明,在这种框架下的残差补偿方法,相比经典的邻域嵌入残差补偿方法,可以更好地恢复出初步重建的人脸图像细节信息。因为这是一种通用的残差补偿方法,从而可以推测凡使用邻域残差补偿的算法,均可借助本算法框架将重建结果进一步的提升。     

局部线性嵌入的快速单幅图像超分辨率技术

图像超分辨率的目的是在给定低分辨率图像的基础上产生超分辨率图像。单幅图像超分辨率是个病态和欠定的问题,需要通过样本学习和图像先验约束来重构图像丢失的高频细节。本文提出了一种基于局部线性嵌入的快速单幅图像超分辨率技术。首先,该方法利用大量的自然图像建立高低分辨率图像块样本训练库;其次,运用聚类算法将具有相似性质的高低分辨率样本块进行聚类;再次,基于局部线性嵌入技术,通过样本训练来学习低分辨率图像与高分辨率图像之间的映射函数;最后,用过映射函数来重构高分辨率图像。实验结果表明,本文算法不仅能高质量重构高分辨图像,而且快速高效。     

基于改进邻域嵌入和结构自相似性的超分辨率重建方法

现有的基于压缩感知的超分辨率重建模型需要对 高分辨率图像进行初始估计,而初始估计的准确与 否直接影响图像重建的质量与迭代次数。针对此问题,本文引入非局部均值正则项以改进邻 域嵌入方法, 从而获得更加准确的高频初始估计;同时利用低分辨率图像的局部自相似性和多尺度结构相 似性构建约 束项,从而提出了一种基于改进的邻域嵌入和结构自相似性的超分辨率重建方法,充分结合 两者的优势, 增强了先验估计的表达能力。实验结果表明,相较于现有算法,本文提出的算法在客观评价 指标和主观视觉质量上均有显著提高。     

一种具有隐蔽色特征物体的图像分类方法研究

针对图像中某几类物体具有相似颜色特征而导致的分类困难问题,本文提出了一种具有隐蔽色特征物体的图像分类方法.该方法针对可见光图像中具有颜色隐蔽性物体而难以区分的问题,通过将二维图像的邻域像素空间特征与高光谱图像的谱段特征相结合并使用改进的局部线性嵌入降维算法实现了空谱联合的特征降维,最终利用主动学习胶囊网络训练高光谱数据...     

基于低秩和邻域嵌入的单帧红外图像超分辨算法

针对非制冷红外焦平面探测器面阵规模较小,难以获取大尺度红外图像的问题,提出一种基于低秩矩阵恢复和邻域嵌入的单幅红外图像超分辨方法。利用低秩矩阵恢复算法学习出相似矩阵潜在的低秩分量,对恢复的低秩分量进行邻域嵌入以获得初始的超分辨估计值,再通过全局重建约束,最终获得超分辨结果。大量仿真实验结果表明,本文算法重建的图像无论是定量计算还是定性分析都获得较好的超分辨结果,该方法既保证重建的高分辨率图像均匀区域的一致性,又保留了图像的细节信息和边缘轮廓的完整性。     

基于聚类字典的图像超分辨率重构算法

针对图像超分辨率(SR)重构在空间邻域选取过程中 细节特征易被大幅度特征分量淹没的问题,提出 一种基于聚类字典的SR重构(DD-NE)算法。图像SR重构是利用信号处理方 法来提高图像分辨 率,针对NE算法在空间邻域选取时细节信号易被大幅度信号淹没的问题,对输入图像及邻域 利用聚类字典进行 稀疏分解。从大、小幅值表示系数中分别重构大、小幅度特征子图,保护邻域计算中的小幅 度特征,并将 低分辨率(LR)图像库及输入图像使用聚类字典表示。细节信号以字典原子的形式得到表达 ,空间邻域度 量转换为字典原子间的度量,从而细节特征对邻域的选择更加准确。实验结果表明,相对于 NE算法,本文算法图像SR 重构的峰值信噪比(PSNR)值平均提升了1.1dB,有效改善了重构效果;重构时间仅为NE算法的30.9%。     

文物图像的超分辨率重建算法研究

文物的数字化保护与分类识别是当前图像处理研究的热点之一.针对常规超分辨率算法不能充分描述现实世界中文物图像复杂纹理结构的问题，本文提出一种基于回归环金字塔型生成对抗网络的文物图像超分辨率算法（Closed-loop Pyramid Information Generative Adversarial Network,CPIGAN）.考虑文物图像的噪声等不定因素，本文采用不同的降采样方式构建了两种文物数据集且探索了一种改进信息块提取策略，提高了原始高分辨率文物图像中高频信息的利用率.本文进一步设计了一种金字塔型生成对抗网络并融入回归环结构，增强了网络从低分辨率图像到高分辨率图像映射的能力.基于自建文物图像数据集，本文算法与多种算法进行了实验对比分析，多个客观指标均有所提升且重建图像主观上更符合人类视觉标准.     

基于二次空间处理的联合稀疏表示高光谱图像分类

针对许多应用于高光谱图像分类的传统算法存在的分类精度低、光谱和空间信息利用不充分的问题,提出了一种基于二次空间处理的联合稀疏表示高光谱图像分类算法。在字典训练之前提取形态学特征,和光谱特征共同构建初始字典,以达到更快训练出较高质量的字典原子的目的。为了充分利用空间信息,首先通过超像素分割获取边缘信息,然后在超像素边缘和固定邻域双重约束下通过权值计算自适应选择邻域原子,实现空间信息的二次利用。在两个常用数据集上进行仿真实验,证明了本文所提算法可有效提升分类精度。      

基于图像分辨率增强算法的场景生成技术

针对高分辨率真实感的虚拟环境及场景浏览时变焦观察的需要,研究了基于图像的高分辨率场景生成技术。图像分辨率增强技术是指利用已采样的信息来重新构建分辨率更高的场景图像,包含单帧图像的分辨率增强和多帧图像序列的分辨率增强两种技术。对于单帧图像的分辨率增强技术,提出了一种基于熵变分的图像分辨率增强算法。该算法在贝叶斯估计和最大熵原理的基础上,将图像像素点梯度信息应用到图像分辨率增强中,从而建立起一种基于图像梯度信息的各向异性自适应分辨率增强算法。对于多帧图像序列的超分辨率复原技术,在单帧熵变分模型的基础上,将双边滤波技术引入到图像超分辨率复原中,建立了一种基于广义熵变分的图像超分辨率复原模型,提出了一种基于几何距离和梯度信息的双重加权各向异性分辨率增强算法。实验结果表明:使用本文算法得到的高分辨率复原图像具有较高的峰值信噪比和视觉质量,与传统图像分辨率增强算法相比具有一定的优势。     

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.     

多尺度残差反馈融合网络的单幅图像超分辨率重建

单幅超分辨率重建可以根据一张或多张低分辨率图像生成高分辨率图像。本文提出了一种基于神经卷积网络的单幅图像超分辨率重建算法,以恢复信息丰富的高分辨率图像。该网络由一系列具有低分辨率图像特征的递归密集连接和级联,能够生成强大的特征表示,并充分捕捉多尺度上下文信息。此外,本文设计了一种多级特征融合模块,不仅可以减少深层学习过程中损失的空间信息,还能有效缓解图像伪影问题。通过在Set5等常用数据集上的对比实验结果表明,本文算法均优于同类算法。     

快速分形图像编码的一种特征方法

快速分形图像编码的特征向量法是最具创新性、最有前途的方法之一,但它有几个缺点、特别是特征向量的高维数性.针对这个问题,本文提出减少分形编码时间的一种可选的特征方法.作为它的应用,本文先定义图像块的新特征——叉迹,然后提出一个基于叉迹的快速分形算法.这个算法把Range-Domain子块匹配问题转化为叉迹意义下的邻域搜索问题.对256×256 Lena图像的实验显示,与基于全搜索的基本分形算法比较,依赖于搜索邻域大小,该算法既能在峰值信噪比相同的情况下实现加快3倍多,也能在主观质量有一定下降的成本下实现加快100倍以上.