三维显微图像PML超分辨率复原算法及VC实现

将PML二维图像复原算法进行了三维拓展,应用于三维显微图像复原,并在VC 6.0中实现了该算法。使用该三维拓展算法对退化图像进行复原,仿真实验结果表明,图像散焦信息的干扰得到有效的排除,信噪比得到明显的改善,频谱均值提高,频谱相关性较好,该算法有较强的超分辨率复原能力。     

图像超分辨率复原技术的现状与展望

图像超分辨率复原技术是由一序列低分辨率变形图像来估计一幅或多幅较高分辨率的非变形图像，同时还能够消除加性噪声以及由有限检测器尺寸和光学产生的模糊，是图像融合领域中的一个重要分支。对此分别从超分辨率复原技术的理论基础、发展现状以及未来的研究发展方向进行了论述。     

一种静态图像的超分辨率技术

为了从一组序列模糊的、有噪声的静态的低分辨率图像，复原出一帧或一序列高分辨率图像，提出了基于最大似然算法的超分辨率技术。该算法利用贝叶斯原理，分析了降采样、运动模糊、几何形变以及加性噪声几种因素的影响。最后通过仿真实验得到该算法复原的高分辨率图像。将其与双线性插值得到的图像相比可知，该方法较好地改善了复原图像的视觉效果，使有用信息和细节也更加清晰。     

超分辨率复原技术的发展

超分辨率原复技术就是由一序列低分辨率变形图像来估计一幅（或一序列）较高分辩率的非变形图像，同时还能够消除加性噪声以及由有限检测器尺寸和光学元件产生的模糊，它是图像融合领域中的一个重要分支。这项技术广泛应用于遥感，医学成像和高清晰度电视等多个领域，2人超分辨率复原的含义，应用场合，技术种类和未来研究展望等多个方面，对超分辨率复原领域的发展进行了论述。     

融合学习算法的单帧图像超分辨率复原

为从高度降质的单帧图像中重建出高分辨率图像,提出了一个结合自适应正则化与学习算法的超分辨率复原方法。该方法基于图像的局部特征,实现了正则化方法动态自适应控制过程,优化了学习算法中的训练集、预测原则和搜索过程,以降低基准图相关性要求、提高搜索效率。仿真实验分步论证了该方法的有效性,以及对复原效果的提升。     

基于稀疏编码的图像超分辨率复原

图像超分辨率技术一直是计算机视觉领域研究的热点,为提高图像重建速度与精度,提出了一种稀疏编码与神经网络相结合的图像超分辨率算法。首先利用前馈神经网络严格对应稀疏编码过程中的每个步骤,然后通过反向传播算法对稀疏编码的所有组成部分进行联合训练,得到最为精确的高分辨率图像。级联多个稀疏编码网络增加了算法的灵活性,并减少了伪影。     

一种自适应的MAP超分辨率复原算法

提出一种图像超分辨率复原算法,该算法考虑了运动矢量和点扩散函数估计不精确的情况。由于估计的不精确造成每帧低分辨率图像具有不同的噪声,算法根据各帧低分辨率图像的可靠性,相应地给它们赋予不同的权值,应用梯度下降法不断对权值及高分辨率图像进行更新。实验结果表明该算法较传统的MAP算法具有更好的复原效果。     

基于最大化自相似性先验的盲单帧图像超分辨率算法

图像的自相似性质和图像质量之间存在着密切的关系,清晰的自然图像中几乎所有的图像片都在其自身或较低尺度内存在着重复。然而,在存在噪声或模糊等降质处理的图像中,这一性质明显减弱。针对这一现象,提出一种最大化自相似性先验的盲单帧图像超分辨率算法。该算法通过迭代计算求解超分辨率图像和降质过程的模糊核,使得到的超分辨图像中的任一图像片在输入的低分辨率图像中都以最大的概率存在。这一算法不仅能够准确地计算降质过程的模糊核,得到高质量的高分辨率图像,而且其先验知识随着输入图像的不同而自动进行调整,使得算法具有更强的鲁棒性。大量实验表明,该算法的PSNR,SSIM参数结果较主流算法都有着明显的优势。     

基于局部结构相似性的单幅图像超分辨率算法

单幅图像放大是一个病态问题,约束信息的不足令问题的解决难以有突破性的进展．基于图像局部结构的相似性和在不同分辨率尺度上的相似保持,提出了利用局部结构相似性来约束超分辨率问题的思路．根据相似判断规则发现图像中的相似区域,根据相似程度生成多幅相似图像,从而可以利用图像序列超分辨率的算法来求解．文中使用最大后验概率估计方法,在最大后验概率意义下得到最优解．实验表明,该算法用于存在着大量相似结构的图像超分辨率问题中有着很好的效果,譬如文字图像,集成电路图像等。     

基于峭度图像的超分辨率重建算法

针对在强噪声环境下,传统的超分辨率重建算法重建图像效果不佳的问题,提出一种基于峭度图像的超分辨率重建算法。定义峭度图像,从统计学角度分析得到峭度图像的2个重要性质,即具有高斯不变性,并且图像越模糊,峭度绝对值越小。在满足高分辨率图像与低分辨率图像之间反卷积的剩余误差有界的前提下,通过最大化峭度绝对值求解未知的高分辨率图像,采用Lagrange乘子法则求解此约束优化问题。分析高斯噪声和非高斯噪声环境下算法性能。仿真结果表明,该算法在主观视觉和客观评价上都明显优于传统算法。     

基于分割的图像超分辨率重构算法

鉴于当前算法不能很好解决重构效果和算法复杂度之间的矛盾,提出了一种基于分割的图像超分辨率重构算法.首先提出了一种基于纹理的图像分割方法,将图像分为纹理较多和较少两个区域,然后针对纹理较少区域提出了改进型小波多尺度插值方法,纹理较多区域提出了固定训练集神经网络方法.本算法综合了小波方法的简单性和神经网络方法的精确性.实验结果表明,新算法重构效果良好,复杂度较低,操作性好.     

Super-Resolution Image Restoration from Blurred Low-Resolution Images

In this paper, we study the problem of reconstructing a high-resolution image from several blurred low-resolution image frames. The image frames consist of decimated, blurred and noisy versions of the high-resolution image. The high-resolution image is modeled as a Markov random field (MRF), and a maximum a posteriori (MAP) estimation technique is used for the restoration. We show that with the periodic boundary condition, the high-resolution image can be restored efficiently by using fast Fourier transforms. We also apply the preconditioned conjugate gradient method to restore the high-resolution image. Computer simulations are given to illustrate the effectiveness of the proposed method.Research supported in part by Hong Kong Research Grants Council Grant Nos. HKU 7130/02P, 7046/03P, 7035/04P and HKU CRCG Grant No. 10205775.Michael K. Ng is a Professor of the Mathematics Department, Hong Kong Baptist University, and is Adjunct Research Fellow in the E-Business Technology Institute at the University of Hong Kong. Michael was a Research Fellow (1995–1997) of Computer Sciences Laboratory, Australian National University, and an Assistant/Associate Professor (1997–2005) of the Mathematics Department, the University of Hong Kong before joining Hong Kong Baptist University in 2005. Michael was one of the finalists and honourable mention of Householder Award IX, in 1996 at Switzerland, and he obtained an excellent young researcher’s presentation at Nanjing International Conference on Optimization and Numerical Algebra, 1999. In 2001, he has been selected as one of the recipients of the Outstanding Young Researcher Award of the University of Hong Kong. Michael has published and edited several books, and published extensively in international journals and conferences, and has organized and served in many international conferences. Now he serves on the editorial boards of SIAM Journal on Scientific Computing, Numerical Linear Algebra with Applications, Multidimensional Systems and Signal Processing, International Journal of Computational Science and Engineering, Numerical Mathematics, A journal of Chinese Universities (English Series), and several special issues of the international journals.Andy C. Yau received the undergraduate (1998–2001) from the Chinese University of Hong Kong, and the M.Phil degree (2002–2004) from the University of Hong Kong. He is a PhD student of the University of Hong Kong. His research area is image processing and scientific computing.     

基于曲率带的超分辨率图像复原参数估计

在很多超分辨率复原应用中,正则化参数是未知的。然而通过L-曲线估计正则化参数的计算代价十分昂贵。本文提出在超分辨率复原中使用基于Lanczos算法和Gauss积分的方法来高效计算正则化参数。该方法用Gauss积分来计算矩阵矩,通过部分Lancros算法来计算L曲线的曲率带。该方法可减少正则化参数的计算代价和确定Lancros算法的恰当迭代次数。     

基于低分辨率图像融合的超分辨率恢复方法

提出一种基于多帧低分辨图像融合的超分辨率图像恢复算法。将多帧低分辨图像融合成一帧与高分辨图像分辨率一致的图像,并对其中一幅低分辨图像插值,形成迭代恢复算法的初始值,在此基础上以Tikhonov正则化方法求解原始高分辨图像。分析和实验结果表明,该算法具有良好的鲁棒性,并且计算速度较快。     

基于HMRF的自适应超分辨率图像重建算法

在MAP超分辨率图像重建算法中,用Huber-Markov随机场(HMRF)作为图像的先验模型相比于Gaussian-Markov随机场(GMRF)能够更好地保护图像的边缘和细节.在以往的研究中,对于如何选取Huber函数的阈值参数T并没有一个很好的方法.本文提出了一种自适应的MAP超分辨率重建算法,该算法可以自动确定参数T,并根据重建的中间结果,不断对其进行更新,通过迭带最终得到重建图像.实验结果表明,该方法实现了参数的自动选取,在得到期望的高分辨率图像的同时,有效地保护了图像的边缘信息和细节.     

改进的SRGAN图像超分辨率重建算法

图像超分辨率重建技术可以提高图像的分辨率,在医学、军事等领域都发挥着重要作用.传统的SRGAN图像超分辨率重建算法训练收敛速度慢,高频纹理锐化过度导致部分细节扭曲,影响重建图像质量.针对以上问题,对传统SRGAN模型的生成网络和损失函数进行改进,用于图像超分辨率重建.采用稀疏残差密集网络(SRDN)代替传统的SRRes...     

在小波变换域内实现图像的超分辨率复原

提出了在小波域内实现图像的超分辨率复原的方法，这种方法可以达到自适应边缘保持的目的，算法特点如下：(1)对观测模型实施正交小波变换，获得超分辨率复原问题的空频域描述；(2)采用广义高斯概率模型来构建超分辨率图像的尺度系数和小波系数的先验描述；(3)采用半二次正则化迭代方法来完成小波域超分辨率复原的求解过程。