一种基于多字典学习的图像分割模糊方法

本文提出一种基于多字典学习的图像分割模糊模型和算法.在模型中,结合多字典学习和模糊方法,考虑了分割区域内部的一致性和边界的正则性：一方面使用区域块均值和带有类标的结构字典重构图像块,利用重构误差和l2正则能量共同度量分割区域内部的一致性,该度量能够刻画图像不同区域的灰度信息和纹理模式;另一方面采用小波系数稀疏正则保持分割区域边界的几何结构.基于交替方向乘子法和字典学习方法给出新模型的快速求解算法.在该算法中,除了小波阈值,每一步都是显示表达式,因此简单易用.一系列实验结果验证了本文算法的有效性.     

基于字典稀疏表示的图像超分辨率重建

针对单字典学习的稀疏表示超分辨算法不能保证相邻图像块的兼容性而导致稀疏重建后图像质量低的问题,提出了图像块对学习的稀疏表示的改进方法。该方法使用主成份分析法处理训练样本的图像特征块;然后在输入的低分辨率图像块的稀疏表示系数中恢复出高分辨率图像块;最后将低分辨图像块的稀疏表示与高分辨图像块字典组合生成高分辨率图像块的超分辨重建算法。实验数据对于提出的算法能有效地恢复出质量更好的图像且峰值信噪比有所提高。     

基于投影的稀疏表示与非局部正则化图像复原方法

提出一种基于投影的稀疏表示与非局部正则化相结合的图像去模糊、去噪图像复原方法.该方法结合了自适应构造字典的稀疏表示与非局部总变差,提出的正则化模型分解为三个投影子问题进行求解以提高求解效率.实验结果表明,本文所提出的图像复原方法能够有效地保持原图像的纹理细节信息,对于不同程度的退化图像上均有较好的复原结果,在视觉效果和客观评价指标上均优于相比较的现有方法.     

基于块分类稀疏表示的图像融合算法

针对基于单一字典训练稀疏表示的图像融合算法忽略图像局部特征的问题,提出了基于块分类稀疏表示的图像融合算法。此算法是根据图像局部特征的差异将图像块分为平滑、边缘和纹理三种结构类型,对边缘和纹理结构分别训练出各自的冗余字典。平滑结构利用算术平均法进行融合,边缘和纹理结构由对应字典利用稀疏表示算法进行融合,并对边缘结构稀疏表示中的残余量进行小波变换融合。实验结果证明,该算法相对于单一字典稀疏表示算法,在融合图像的主观评价和客观评价指标上都有显著改进,并且算法速度也有提高。     

基于几何字典学习和耦合约束的超分辨率重建

传统的基于稀疏表示的超分辨率重建算法对所有图像块,应用单一冗余字典表示而不能反映不同几何结构类型图像块间的区别。针对这一问题,本文探索图像局部几何结构特性,提出一种基于结构特性聚类的几何字典学习和耦合约束的超分辨率重建方法。该方法首先对训练样本图像块进行几何特性聚类,然后应用K-SVD算法为每个聚类块联合训练得到高低分辨率字典。此外,在重建过程中引入局部可控核回归和非局部相似性耦合约束,以提高重建图像质量。实验结果表明,与单一字典超分辨率算法相比,本文方法重建图像边缘和细节部分明显改善,评价参数较大提高。     

基于图像分解的稀疏正则化多区域图像分割方法

针对图像具有不同特征的成分,提出一种基于图像分解的多区域图像分割模型和算法.首先将图像分解项引入到图像分割模型中,递减了纹理和噪声对分割的影响;其次使用稀疏正则化方法保持分割区域的边缘几何结构;最后基于增广Lagrange乘子法,给出一种由扩散流引导的小波迭代阈值图像分割算法.一系列实验结果表明,提出的方法抗干扰能力强,对噪声具有更好的鲁棒性.提出的方法不仅能够分割结构图像,并且能够分割较复杂的纹理图像.     

基于Gabor特征的稀疏表示纹理分割研究

稀疏表示和字典学习在图像去噪、图像重建和模式识别等应用上取得了良好的效果,其利用稀疏系数和重构误差来作为模式分类的判别准则。稀疏表示纹理分割方法是将图像分割问题转换为像素点的分类问题。但通常稀疏表示分类方法是基于图像块特征,难以准确表征图像纹理信息。为了解决上述问题,提出基于Gabor特征的稀疏表示纹理分割方法。因为Gabor特征对图像纹理信息的鲁棒性,算法首先从每类纹理中选择一些像素点作为训练样本,计算其不同尺度和方向下的Gabor特征,将其作为初始化字典,通过判别性的字典学习算法(D-KSVD)更新字典,该字典学习算法在KSVD基础上使得字典更具有类别判别能力,最后以待分割图像的每个像素点作为测试样本,计算其Gabor特征。利用OMP算法得到测试样本在字典下的稀疏系数,根据稀疏系数得到类标签,进而对像素点进行分类,完成分割。通过在Brodatz纹理库上的实验结果表明,该方法有效提高了稀疏表示算法对纹理图像分割的正确率。     

图像稀疏表示及图像超分辨应用分析

随着科学技术的进步,图像稀疏表示以及图像超分辨在当下的图像处理中得到了较为广泛的应用,对于图像高效率表示来说,具有十分重要的影响。图像稀疏表示技术以及图像超分辨应用对于促进图像应用发展起到了较为不错的效果,其在应用过程中,主要基于图像稀疏表示模型,对稀疏分解以及字典构造问题进行了表述。文章对图像稀疏表示及图像超分辨过程中的稀疏表示及图像超分辨应用上的图像去噪、修复以及识别问题进行了总结和分析,希望能够为图像稀疏表示及图像超分辨应用提供一些参考和建议。     

基于稀疏优化的图像压缩感知重建算法

在信号的稀疏表示方法中,传统的基于变换基的稀疏逼近不能自适应性地提取图像的纹理特征,而基于过完备字典的稀疏逼近算法复杂度过高.针对该问题,文章提出了一种基于小波变换稀疏字典优化的图像稀疏表示方法.该算法在图像小波变换的基础上构建图像过完备字典,利用同一场景图像的小波变换在纹理上具有内部和外部相似的属性,对过完备字典进行灰色关联度的分类,有效提高了图像表示的稀疏性.将该新算法应用于图像信号进行稀疏表示,以及基于压缩感知理论的图像采样和重建实验,结果表明新算法总体上提升了重建图像的峰值信噪比与结构相似度,并能有效缩短图像重建时间.     

基于紧致字典的基追踪方法在SAR图像超分辨中的应用

基追踪方法是信号稀疏表示领域的一种新方法.它寻求从超完备的基集合(字典)中得到信号的最稀疏的表示,即用尽可能少的基尽可能精确地表示原信号,从而获得信号的内在本质特性.本文将基追踪方法的应用扩展到SAR(Synthetic Aperture Radar)图像的超分辨问题上来.首先在相位历史域依据SAR目标属性散射模型构造了一类紧致字典,从而大大减小了所求解问题的维数,其次设计了一种新的迭代算法进行快速求解,得到SAR图像中各散射中心位置和幅度的高精度估计,最后依据相位历史域SAR目标属性散射模型,生成更大尺度的相位历史数据,对生成的相位历史数据成像即得到更高分辨率的SAR图像.仿真算例和MSTAR实测数据计算表明,基于紧致字典的基追踪方法能够快速稳定实现,同时具有良好的超分辨性能.     

基于正则化稀疏表示的图像超分辨率算法

为了从单幅低分辨率(LR)图像恢复出高分辨率(H R)图像,提出了一种应用正则化稀疏表示和基于机器学习 的超分辨率(SR)图像恢复算法。构造了一种基于稀疏表示的SR凸变模型,为了提高 恢复效果,针对模型 提出了两种稀疏正则化约束条件,一是将分类效果更好的图表拉普拉斯作为正则化约束条件 ,从而找到与 输入LR图像块在结构上最接近的学习样本;另一种是针对冗余的学习样本进行约 束,保证了图像边 缘的锐利。将输入的每一块LR图像应用正则化稀疏表示,经过学习得到与之对应的HR图像块 , 最终得到整幅HR图像。试验结果表明,算法恢复出的HR图像峰值信噪比(PSNR )值较双三次插值算法最高提升约2dB,主观目视清晰、边缘锐利。     

Application of regularization technique in image super-resolution algorithm via sparse representation

To make use of the prior knowledge of the image more effectively and restore more details of the edges and structures, a novel sparse coding objective function is proposed by applying the principle of the non-local similarity and manifold learning on the basis of super-resolution algorithm via sparse representation. Firstly, the non-local similarity regularization term is constructed by using the similar image patches to preserve the edge information. Then, the manifold learning regularization term is constructed by utilizing the locally linear embedding approach to enhance the structural information. The experimental results validate that the proposed algorithm has a significant improvement compared with several super-resolution algorithms in terms of the subjective visual effect and objective evaluation indices.     

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...     

基于改进稀疏表示正则化的SR重建算法

基于视觉的无人机自主导航过程中,对航路点进行准确识别是引导无人机朝着航路点方向精确飞行的关键。然而,当无人机到达航路点识别距离后,由于机载图像传感器受天气因素及成像过程中的脱焦、衍射等现象影响,常导致获取到的航拍图像模糊、空间分辨率较低,从而直接影响了后续航路点识别的精度。针对这一问题,提出了一种改进稀疏表示正则化的航拍图像超分辨率重建算法。首先,基于稀疏表示正则化框架,利用自回归和非局部相似约束构建目标函数的正则化项;其次,根据图像局部方差能有效区分图像的边缘区域和平滑区域这一特性,自适应地选取正则化参数得到超分辨率重建模型中的目标函数;最后,使用MM (Majorization-Minorization) 算法求解目标函数的凸优化问题,得到重建后的高分辨率图像。实验结果表明:与传统的正则化SR重建算法相比,文中算法能够有效的提高航拍图像的空间分辨率,使得重建后的图像包含了更多的特征细节信息,这为航路点识别提供了帮助。     

基于稀疏表示的超分辨率图像重建

针对单幅低分辨率图像的超分辨率重建,提出一种基于稀疏表示的改进算法。通过联合输入低分辨率图像块和对应生成的高分辨率图像块,求解其在高低分辨率字典对上的稀疏表示系数,再将系数与高分辨率字典结合,修正输出的高分辨率图像块。仿真实验表明,文中提出的算法有效提升了重建图像的质量。     

一种混合红外云图超分辨率重建算法

红外云图具有分辨率较低、图幅大和纹理丰富等特点。针对相关研究目前在算法效率优化和局部细节分析方面仍有不足,提出了一种混合超分辨率重建算法。该方法结合双三次插值重建方法和基于稀疏表达的重建方法在不同类型图像区域中的各自优势,利用方差将滑动窗口中的图像块区分为平坦和边缘两种类型;采用双三次插值方法重建平坦型图像块,采用基于稀疏表达的方法重建边缘型图像块。利用目视、峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)以及残差图评估了算法效果。实验结果表明,本文方法在PSNR指标上比插值法平均提高了1 dB,比稀疏法也略有提升;经局部观察发现,改进重建结果中平坦区域噪声减少;该方法的重建耗时明显减少。     

一种新的基于MAP的纹理自适应超分辨率图像复原算法

 本文论证了超分辨率图像复原计算中的两个性质,并基于此在MAP(Maximum A Posteriori)框架下提出了一种新的纹理自适应算法.算法首先根据低分辨率图像和高分辨率图像近似计算的可类比性质计算初始图像,使初始图像的质量更高,并根据超分辨率复原图像阶跃边缘的陡坡性质,将三边滤波正则化应用于迭代运算中,更好地保护了图像的陡坡和屋顶边缘.算法可根据图像的纹理自动计算初始图像融合参数以及正则化函数中的梯度阈值等参数,解决了以往超分辨率图像复原算法参数调整复杂的问题.实验结果表明,本文算法在没有人工参与的情况下,重建图像的客观评价和主观质量均有明显提高.     

Single image super-resolution using self-examples and texture synthesis

An algorithm for single image super-resolution based on example-based super-resolution and example-based texture synthesis is proposed. While many other techniques for single image super-resolution are mainly effective on edges, the proposed algorithm enhances both edges and texture detail. The algorithm does not use an additional example database as it uses self-examples to synthesize new detail and texture, assuming that images contain a sufficient amount of self-similarity. The texture synthesis component of the algorithm enables the re-synthesis of texture at the output resolution to achieve super-resolution. The algorithm aims to create plausible, visually pleasing detail rather than reconstructing the true high-resolution image. Experimental results for natural images confirm the algorithms ability to create visually pleasing results, but also indicate that its performance is highly content dependent. Future efforts will be aimed at improving the robustness of the method.     

基于稀疏表示的Shearlet域SAR图像去噪

该文通过分析SAR图像的噪声成因以及其斑点噪声模型,结合图像的稀疏表示理论提出一种基于稀疏表示的Shearlet域SAR图像去噪算法。算法从整体上对SAR图像进行去噪:首先对SAR图像进行Shearlet变换,然后利用稀疏表示模型构造出去噪的最优化模型,在此基础上进行迭代去噪,然后重构SAR图像得到去噪后的图像。实验结果表明:该文所提出的算法不仅可以显著去除相干斑噪声,提高去噪图像的峰值信噪比(Peak Signal to Noise Ratio, PSNR),还明显地改善了图像的视觉效果,更好地保留了图像纹理信息。