基于改进SRResNet深度学习网络的低照度图像超分辨率重建方法

为解决低照度条件下低分辨率图像的超分辨率重建问题,提出一种基于改进SRResNet（super-resolution residual networks,超分辨率残差网络）深度学习网络的低照度图像超分辨率重建方法。通过将读取的图像下采样、亮度降低等处理生成低照度低分辨率图像,并将该图像与高分辨率图像作为数据对输入学习模型,以便改进SRResNet的训练数据对的生成方式,优化训练过程,从而构建面向单帧低照度彩色图像的基于改进SRResNet训练的超分辨率重建方法。实验结果表明：与现有流行的图像超分辨率重建方法相比,该方法的峰值信噪比（peak signal to noise ratio,PSNR)、结构相似性（structural similarity,SSIM）指标整体为最优,低照度环境下的超分辨率重建图像更为清晰明亮、细节更丰富,该方法训练出的深度学习网络的重建效果更好。     

单帧学习与多帧重建结合的超分辨率盲重建方法

针对模糊退化PSF未知的图像超分辨率重建问题,提出了一种以学习重建结果为参考的模糊图像PSF辨识与重建方法.对学习重建算法获得的退化图像的恢复结果,采用不同尺度的方向滤波提取恢复效果良好的强边缘区域构建参考信息块,引导最大后验概率框架下的超分辨率重建算法按照正确的PSF重建高分辨率图像.以散焦模糊图像为例进行超分辨率实验.实验结果表明,该算法能够准确辨识PSF,提升了图像重建的质量.     

基于多成分字典和稀疏表示的超分辨率重建算法

为了解决单幅图像超分辨重建的问题,该文提出了一种在稀疏表示理论框架下基于多成分字典的方法。首先根据图像的退化模型,深入分析高低分辨率图像的关系,得到高分辨图像可由低分辨率图像在对应字典下的稀疏系数来重构的结论。根据这一结论,采用多成分字典分别表示图像的不同结构特征,并用匹配追踪的方法得到低分辨图像在多成分字典下的表示系数,然后在对应的高分辨字典下对高分辨率的图像进行重建,实现了基于多成分字典的单幅图像超分辨率重建。该文所提的方法对单幅图像的超分辨率重建具有较好的通用性,相对于传统的超分辨重建算法,在自然图像和卡通图像的实验中验证了算法的有效性。     

基于位置约束的参考图引导的遥感影像超分辨率网络

在遥感对地观测领域中,往往需要对生态或地质环境进行长时间跨度的监测.然而,仅通过卫星拍摄的高分辨率影像来实现在长时间跨度范围内对同一位置区域的覆盖是较为困难的.因此,之前的研究多采用单图像超分辨率算法来对低分辨率影像进行重建.但单张低分辨率影像中的信息是有限的,所以该类算法的重建结果往往较为平滑和模糊.实际上,对于同一位置区域而言,通常可以获取到来自不同卫星在不同时间段拍摄的多幅分辨率不同的遥感影像.其中的高分辨率影像可以作为低分辨输入在重建过程中的参考影像.因此,提出了一种基于位置约束的参考图引导的遥感影像超分辨率网络.该网络首先通过一个基于位置编码的纹理转换模块来实现参考图像与低分辨率图像之间的相似特征块匹配.同时引入位置约束,即根据低分辨率输入中邻近元素所对应的参考相似块的聚合度来对转换后的参考图像进行编码,从而提高匹配的准确度.同时,还提出了一种基于通道注意力机制的多尺度特征自适应融合模块,该模块有效提高了网络在进行跨尺度特征融合时的特征表达能力,进一步提高了网络的重建性能.实验结果表明,相较于其他新近的超分辨率方法,该网络在4×和8×超分辨率任务上均表现出了更为优越的重建性能...     

基于半耦合字典的快速图像超分辨率重建算法

为了提高图像超分辨率重建的效率与质量,考虑到高、低分辨率稀疏表示系数的不同,改进了锚定邻域回归算法,并结合半耦合字典学习算法提出了一种快速图像超分辨率重建算法.首先采用半耦合字典学习算法得到高分辨率字典、低分辨率字典及映射矩阵;再采用岭回归算法求解低分辨率稀疏表示系数,并根据高分辨率稀疏表示系数与低分辨率稀疏表示系数之间的映射关系,得到高分辨率稀疏表示系数;然后,根据输入图像块特征寻找字典中与其最相关的字典原子,计算该字典原子所对应的投影矩阵,进行超分辨率重建.仿真结果表明:提出的算法不仅在重建速度上表现更快,重建图像的质量也得到提高,在客观指标和主观效果上均取得更好的效果.     

基于高能量偏移点特征的低分辨图像配准算法

当分辨率很低时,用于图像配准的常用点特征(如角点、SIFT特征等)不明显,对应的图像配准难以正常进行。针对这一问题,本文探讨一种多尺度高能量偏移点特征配准算法,该算法以图像中偏移局部能量均值较大的点作为特征,并采用经典SIFT特征的描述方式,完成低分辨图像配准。实验结果表明,该特征稳定性好,能够有效应用于低分辨率图超分辨重建领域。     

结合注意力机制的生成对抗网络图像超分辨重建

为改善图像超分辨率重建的主观视觉效果,提出一种结合注意力机制的图像超分辨生成对抗网络(generative adversarial network, GAN)模型.该模型在生成器网络中引入通道和空间双重注意力机制,选取更合适的重要特征信息进行传递;判别器网络采用WGAN进行构建,通过Wasserstein距离定义对抗损失,解决了GAN模型的训练不稳定问题.该重建模型在Set5、Set14、BSD100和Urban100共4个标准数据集上进行了实验,结果表明,和主流的超分辨重建算法相比,该模型的主客观评价指标均有所提高,图像细节信息恢复更加清晰,重建质量更好.     

双相机系统的高分辨率重建

为获取高分辨大视场的目标图像,提出了双相机系统的高分辨重建算法. 根据小视场高/低分辨图像对,学习图像的高频特征,利用线性回归函数表征图像高分辨与低分辨的高频特征映射关系;在小波域实现低分辨、大视场目标图像的超分辨重建,使其达到高分辨、小视场目标图像的分辨率水平;设计了10组双相机系统的仿真实验,并与双三次插值、小波域插值和学习自身的重建等3种流行算法进行对比. 实验结果表明,本文算法取得了最好的重建效果,时间代价也相对较小,并且重建评价指标PSNR比传统双三次插值高约0.26.      

一种基于SVM的MRI序列图像超分辨重建算法

基于SVM的MRI序列图像超分辨重构算法,在退化模型的构建方面更接近实际成像系统,通过选取相邻三个层面的低分辨图像,以及图像分块等方法合理构建学习样本集.实验结果表明:这种方法在提高图像分辨率的同时,较好地抑制了因多次迭代引起的噪声累积,得到质量较高的超分辨图像.     

基于分形残差网络的单幅图像超分辨率重建

近年来,各种基于卷积神经网络的单幅图像超分辨率方法取得了优异的性能提升.现有的超分辨率网络大多数都是使用单种尺度的卷积核来提取低分辨率图像的特征信息,这样很容易造成细节信息的遗漏,也无法很好地利用低分辨率图像的多尺度特征来提高图像的表达能力.为了解决超分辨率重建中存在的问题,提出了一种新的超分辨重建方法称为分型残差网络...     

基于参考图像的膝关节MRI超分辨率重建算法研究

针对在膝关节MRI图像重建中,传统超分辨算法存在重建图像纹理不清晰、参考图像难以与低分辨率图像纹理严格对齐等问题,提出了一种基于参考图像的膝关节MRI超分辨率成像算法。该算法利用纹理相似性,将参考图像的迁移纹理与低分辨率图像纹理自适应地对齐,丰富低分辨率图像的细节,实现膝关节MRI超分辨率成像。纹理迁移利用残差网络与跳跃链接构成的生成网络实现。实验结果表明,与传统算法相比,该算法重建图像分辨率更高、纹理更真实。     

用于CMOS图像器件的超分辨率算法研究

提出一种基于CMOS图像器件的超分辨率图像合成算法,该方法将4幅沿水平、垂直及对角线方向错位获取的CMOS图像重新组合,得到一幅重建的新图像.对重建图像的像素灰度进行了理论分析和计算,求出了重建超分辨率图像的算法.结果表明,在不提高CMOS工艺水平的条件下,该算法能将重建的CMOS图像的分辨率提高到原图像的2×2倍.实现了CMOS图像器件的超分辨率图像合成算法.对该算法进行了计算机仿真,结果同理论分析计算的结果完全一致,证明了所提出的CMOS图像器件超分辨率算法是正确的.     

基于Dirac残差模块的单幅图像超分辨率重建

针对单幅图像超分辨率重建问题(SISR),提出了一种新的基于Dirac残差的超分辨率重建算法.算法使用全局跳跃重建层来直接利用输入LR图像的低频特征,通过多个dirac残差块来自适应学习输入LR图像的高频特征,通过亚像素卷积进行图像重建.算法通过权重参数化来改进残差层,同时使用输入图像的卷积特征与残差网络学习特征结合进行重建.实验采用Adam优化器进行网络训练.使用L1范数作为损失函数.在PSNR、SSIM和视觉效果与其他先进算法进行对比,实验结果表明,在常用测试集上与其他深度学习算法相比有较大提高.     

联合稀疏表示和总变分正则化的超分辨率重建方法

为提高基于稀疏表示的图像超分辨率重建的质量,该文提出了联合稀疏表示与总变分正则化的超分辨率重建算法。首先,在字典训练阶段,从具有相似统计特征的训练图片中获取图像块,作为训练字典的样本,并用K-SVD算法进行字典训练,得到高、低分辨率的字典。在稀疏编码阶段,根据局部稀疏编码模型求解出低分辨图像的稀疏表示系数,再利用稀疏表示系数和高分辨率字典对输入低分辨率图像进行重建,得到高分辨率图像。最后,将重建得到的高分辨率图像进行总变分正则化优化,进一步提高重建效果。仿真实验结果表明,该算法在客观评价指标和主观视觉效果上,图像质量都有明显提高。     

基于特征补偿的深度神经网络重建超分辨率图像

为有效恢复图像的高频信息,本文提出一种基于特征补偿的深度神经网络重建超分辨率图像方法.该方法结合密集型深度卷积神经网络和残差网络,并将原图像的高频信息单独提取上采样后与重建后的超分辨率图像融合形成高频特征补偿,使得图像质量提升.通过实验对比,本文算法相比于SRCNN算法重建出的超分辨率图像效果提升约1 db.     

基于低秩约束和字典学习的图像超分辨率重建

基于学习的超分辨率重建算法通过对图像的整体信息学习进行重建,没有对图像的内部结构信息特征进行分解考虑.基于图像的低秩稀疏分解理论,本文提出一种新的图像超分辨率重建算法.在研究图像矩阵的低秩部分与稀疏部分信息特征的基础上,结合图像自身蕴含的先验信息,本文分两步对图像恢复重建.首先,将图像的非局部自相似性先验信息引入图像的基本重建模型.在该模型下利用相似图像块矩阵的天然低秩性约束得到初始估计高分辨率图像.第二步,提出一种改进的字典学习算法恢复出初始估计高分辨率图像中缺失的高频成份信息,获得最终的高分辨率图像.为了使高频成份得到更好的恢复,在字典学习样本集的构建阶段应用了一种基于低秩稀疏分解理论的样本集构建方法.实验分析表明,本文提出的算法与现有主流算法相比,在主观视觉效果和客观性能分析上都能显示出更好的优越性.     

基于双稀疏模型和非局部自相似约束的超分辨率算法研究

在基于稀疏表示的图像超分辨率方法中,字典的选择对最终重建质量具有重要影响.目前K-SVD作为基于外部样本学习的过冗余字典在图像重建领域取得广泛的成功,但同时也限制信号输入维度,带来信号降维过程的信息损失.针对这一问题,提出引入一种双稀疏模型,结合结构化字典和非结构化字典优点,避免降维过程信息损失同时保证训练精度;重建阶段引入非局部自相似性约束,迭代求解稀疏系数,降低编码噪声,最终重建高分辨率图像.实验结果表明,该算法在图像质量客观评价指标上优于对比算法,并且在主观视觉效果上获得更清晰的边缘等细节信息.     

基于四元稀疏正则的彩色图像超分辨率重建

为了更好地保持重建彩色图像各通道信息的相关性,有效提高彩色重建图像边缘、色彩等细节信息的恢复质量,提出一种基于四元稀疏正则模型的彩色图像超分辨率重建算法.该算法利用四元数表示彩色图像的三个通道信息,并且采用L1/2正则项代替L1正则项构建基于四元稀疏正则约束的彩色图像超分辨率字典学习及模型重建.同时在训练重建字典对中,为了更好地表征图像特征信息,采用去均值方法构造高低分辨率训练样本集;为了得到与低分辨率重建字典更匹配的高分辨率重建字典,采用字典分离训练方法分别生成高低分辨率重建字典.实验结果表明:与现有的算法相比较,本文算法在重建图像的主观和客观评价指标方面均有改善.     

一种改进的在线字典学习图像超分辨率重建算法

为提高重建图像的质量,详细表达图像高频细节信息,提出了一种改进的在线字典学习图像超分辨率重建算法.该算法在稀疏重建的字典训练阶段,采用在线字典学习以获取最优的超完备字典.在稀疏系数表示阶段,考虑图像多尺度间的冗余信息,构造L1范数正则项补偿对,抑制稀疏系数噪声提高重建效果.实验表明,该算法可更好地恢复图像细节,在客观评价和主观视觉感知上图像的重建质量均有所提高.     

联合深度置信网络与邻域回归的超分辨率算法

为了提高重建的质量和速度,提出一种联合深度置信网络与邻域回归的超分辨率算法.一方面,结合字典学习与神经网络表示的联系对传统的深度置信网络进行调整,采用该网络模型实现字典学习,充分利用该模型突出的学习能力,使字典具有更好的特征表达能力,从而提高图像的重建质量.另一方面,在基于字典学习的超分辨率框架中融入邻域回归思想.首先,利用最近邻域算法确定字典原子的最近邻域映射关系;然后以此为基础,结合邻域回归方法,离线计算高、低分辨率投影矩阵;最后在重建过程中将该投影矩阵应用于图像重建.该方法避免了字典学习中的系数求解过程,降低了计算的复杂度,提高了重建的速度.实验表明,算法具有更高的峰值信噪比和结构相似度,同时极大地提高了图像的重建速度.