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.     

基于深度学习的单像素相机超分辨率成像优化

基于压缩感知和单像素成像的基本原理,设计了一种用于图像超分辨率重建的新型深度卷积神经网络架构.这种单像素超分辨率成像算法成功地将深度学习图像超分辨率重建技术与压缩感知单像素成像技术相结合,从而发展出一种全新的深度学习单像素成像优化方法.与传统的常规压缩感知图像重构算法相比,该算法有效提升了图像超分辨率重建精度和单像素成像质量.通过图像重建的仿真实验和单像素相机的成像实验验证,结果表明这种基于深度学习的新型单像素相机成像方式具有良好的性能表现.     

超分辨率重建算法综述

随着高分辨率移动设备和超高清电视的发展,对已有的低分辨率视频进行超分辨率上采样成为最近的一个研究热点.对已有的超分辨率重建算法根据输入输出方式的不同,分为多图像超分辨率重建、单图像超分辨率重建、视频超分辨率重建三大类,综述了其中每类算法的发展情况及常用算法,并对不同算法的特点分析比较.随后讨论了多图像超分辨率重建和单图像超分辨率重建方法对视频超分辨率重建方法的影响,最后展望了超分辨率重建算法的进一步发展.     

基于稀疏K-SVD的单幅图像超分辨率重建算法

图像的超分辨率重建技术可以提升图像质量,改善图像视觉效果,在现实中具有很高的实用价值。针对基于K-SVD的超分辨率重建算法的不足,本文提出一种基于稀疏K-SVD的单幅图像超分辨率重建算法。首先,采用稀疏K-SVD方法进行训练获得高低分辨率字典对,以待重建的低分辨率图像及其降采样作为字典训练的样本,提高了字典和待重建的低分辨率图像的相关性;然后,采用逐级放大的思想进行重建;最后,利用非局部均值的方法,进一步提高重建效果。实验表明,与基于K-SVD的超分辨率重建算法相比,本文算法重建图像的峰值信噪比平均提高了0.6dB左右。重建图像在视觉效果上,也有一定程度的提升。     

单帧图像超分辨率重建的深度神经网络综述

随着硬件计算能力的显著提升,深度神经网络广泛应用于计算机视觉和图像处理的各个领域,获得了突出成果,受这种方法启发,单帧图像超分辨率重建(Super-resolution Reconstruction, SR)也引入深度学习思想,并且重建效果远远超越传统算法,成为研究的热点并迅速成为主流技术。将对深度神经网络的单帧图像超分辨率重建技术分为两类(基于传统深度神经网络的单帧图像超分辨率重建和基于生成对抗网络的单帧图像超分辨率重建和)进行阐述,以此为基础,对单帧图像超分辨率技术的发展趋势进行展望。     

融合内外特征的图像超分辨率算法

针对单一先验知识不足以约束病态严重的图像超分辨率问题,本文提出了融合内外特征的图像超分辨率算法.针对图像的自相似性,通过采用基于内部特征的深度卷积网络学习来增强输入图像的细节纹理,去除超分辨率图像伪影;同时,使用基于外部图像的稀疏约束方法来学习图像结构信息,并结合高频残差字典来解决超分辨率重建中的高频信息缺失问题;最后通过卷积稀疏方法分别从基础层和细节层来融合内外特征的重建图像,以获得细节清晰、去伪影的超分辨率图像,进一步提高图像质量.与传统算法相比,本文算法在重建图像的纹理特征和质量上都得到了增强,且视觉效果与峰值信噪比较传统算法有所改善.     

基于小波的图像超分辨率重建算法研究

在遥感图像、医学图像等领域，最初获得的图像分辨率往往达不到期望的水平。图像的超分辨率重建就是在低分辨率图像基础上重建出高分辨率图像的技术。针对已有重建算法中的不足，给出一种将高频能量适当降低的SHR重建算法；并进而针对高频细节不能高质量重建的问题，利用小波反变换对高频信息进行重建，提出了一种基于小波高频重建的图像超分辨率重建算法——SHW算法。实验证明，这两种算法的性能比已有图像超分辨率重建算法均有不同程度提高。     

一种光学图像的快速超分辨率重建方法

图像超分辨率重建技术旨在复原成像系统截止频率之外的信息,提高图像的分辨率．针对单幅光学图像,提出了基于分层的超分辨率重建方法．在算法的实施过程中,提出一种级联模板的快速运算方法．实验结果表明了方法的简洁和有效性．     

基于二阶广义全变差的多帧图像超分辨率重建

图像超分辨率重建是图像处理领域的重要问题.本文将二阶广义全变差用于基于正则化的多帧图像超分辨率重建问题,构建了基于二阶广义全变差正则项的图像超分辨率模型.为了更好地保持重建图像的边缘和细节,采用图像空域自适应正则化参数,并针对该重建模型的非光滑性,给出了基于半二次正则化和交替方向法的求解算法.实验结果表明该模型和数值算法能够较好地提高图像的分辨率,同时可以较好地保持图像的细节信息.     

基于自适应对偶字典的磁共振图像的超分辨率重建

为了提高磁共振成像的图像质量,提出了一种基于自适应对偶字典的超分辨率去噪重建方法,在超分辨率重建过程中引入去噪功能,使得改善图像分辨率的同时能够有效地滤除图像中的噪声,实现了超分辨率重建和去噪技术的有机结合。该方法利用聚类—PCA算法提取图像的主要特征来构造主特征字典,采用训练方法设计出表达图像细节信息的自学习字典,两者结合构成的自适应对偶字典具有良好的稀疏度和自适应性。实验表明,与其他超分辨率算法相比,该方法超分辨率重建效果显著,峰值信噪比和平均结构相似度均有所提高。     

图像超分辨率研究综述

介绍了图像超分辨率技术的概念及来源,综述了超分辨率技术在国内外发展的概况,澄清了图像超分辨率重建和超分辨率复原两个概念,对图像超分辨率的方法进行了分类对比,并对图像超分辨率的发展进行了展望.     

生成式对抗神经网络的多帧红外图像超分辨率重建

现有的红外图像超分辨率重建方法主要依赖实验数据进行设计,但在面对真实环境中的复杂退化情况时,它们往往无法稳定地表现。针对这一挑战,本文提出了一种基于深度学习的新颖方法,专门针对真实场景下的红外图像超分辨率重建,构建了一个模拟真实场景下红外图像退化的模型,并提出了一个融合通道注意力与密集连接的网络结构。该结构旨在增强特征提取和图像重建能力,从而有效地提升真实场景下低分辨率红外图像的空间分辨率。通过一系列消融实验和与现有超分辨率方法的对比实验,本文方法展现了其在真实场景下红外图像处理中的有效性和优越性。实验结果显示,本文方法能够生成更锐利的边缘,并有效地消除噪声和模糊,从而显著提高图像的视觉质量。     

基于主客观联合评价判据的红外超分辨率重建方法

在红外超分辨率成像应用中,提高主观视觉效果有着很现实的需求.当前基于深度学习的图像超分辨率重建方法大多以客观评价指标为损失函数进行训练和优化,主观评价方法因量化困难而难以应用,为此本文着重研究了主观评价和各种可量化的客观评价指标的相关性,发现相位一致性特征与主观评价结果关联度高.据此设计了基于主客观联合评价的损失函数,应用于红外图像超分辨率重建算法,实验表明,在保持客观质量评价的同时,更好地提高了图像的主观视觉效果.     

基于PSF改进的POCS超分辨率图像重构

为了提高重构的图像质量,给出了模拟一修正迭代的凸集投影（POCS）超分辨率图像重构方法和具体实现步骤。针对重构的超分辨率图像高频分量不足的缺点,提出了一种有效的改进方法。该方法通过对点扩散函数（PSF）的改进做到了有效地保留POCS超分辨率图像重构算法中的边沿信息。仿真实验结果表明,该方法可行性好,能够有效地保持高频分量,从而达到提高图像质量的目的。     

基于小波域的压缩感知超分辨率重建方法

为了提高超分辨率图像的重构效果,提出了一种基于小波域的压缩感知超分辨率重建方法.首先采用小波变换对低分辨率图像进行分解,得到低分辨率图像的低频子带与高频子带,然后采用压缩感知技术分别对低频子带和高频子带进行重建,并通过小波逆变换得到最终重建图像,最后在MATLAB 2012平台上进行仿真实验.结果表明,相对于其他图像重建方法,本文方法的重建图像视觉效果更加理想,不仅提高了低分辨率图像重建精度,而且提高了图像重建效率,可以满足图像处理的实时性、在线性要求.     

密集残差网络红外图像超分辨率重构

单幅红外图像超分辨率重构算法作为红外图像分辨率提升应用的关键技术,近年来得到了广泛的研究。为了提高红外图像的分辨力,提出了一种基于残差密集对抗式生成网络的单幅红外图像分辨力提升方法。与以往基于对抗式生成网络的分辨力提升方法不同,本文方法的新颖性主要包含两个方面。首先,在网络架构方面进行改进,以提高性能。设计密集残差网络作为对抗式生成网络的生成网络,充分利用了低分辨率图像的有效特征。在生成网络中引入了一种连续内存机制,以利用密集的剩余块。其次,将Wasserstein-GAN作为损失函数,对判别网络模型进行修正,以达到稳定训练的目的。利用红外高分辨率图像数据集进行了大量的实验,结果表明,该方法在客观评价和主观评价方面均优于目前最新的方法。     

基于投影网络的遥感影像超分辨率重建方法

针对遥感影像数据量大、地形起伏大、覆盖范围 广的特点,本文提出了一种基于卷积神经网络的遥感影像超分辨重建 方法,该方法联合密集网络和深度反投影网络,组成了密集投影单元,形成深度密集投影网 络,解决了传统算法在遥感影像超分 辨率重建中存在的纹理表征不够,细节提取不足、训练困难等问题。实验结果表明,在多个 遥感影像数据集上,本文与其他对比 方法相比,PSNR和SSIM有明显提升,重建出的遥感影像纹理标征和细节特征更加丰富。     

基于结构照明的超分辨荧光显微成像重建算法

由于具有低光毒性、高速宽视场以及多通道三维超分辨成像能力,超分辨结构照明显微术(SR-SIM)特别适合用于活细胞中动态精细结构的实时检测研究。超分辨结构照明显微图像重建算法(SIM-RA)对SR-SIM的成像质量具有决定性影响。本文首先简要介绍了超分辨显微术的发展现状,阐述了研究SR-SIM图像重建算法的必要性;然后介绍了SR-SIM的成像原理,并重点介绍了SR-SIM图像重建算法,包括SR-SIM中频繁使用的去卷积重建算法、SR-SIM校准与重建过程中参数值获取的算法,以及目前发展的超分辨结构照明显微图像重建算法,并介绍了SR-SIM工具箱;最后总结了当前发展超分辨结构照明显微图像重建算法需解决的5个问题。