超分辨率数字图像特征提取及重构方法研究

当前超分辨率数字图像特征提取及重构方法容易受到外界环境的干扰,导致重构结果不可靠,重构图像质量较低。为此,提出一种新的超分辨率数字图像特征提取方法,通过BRISK描述子对超分辨率数字图像特征进行提取,以提高重构图像质量。详细分析了重构约束的构建过程;在此基础上,通过低分辨率数字图像与平滑性求解获取高分辨率数字图像,从而实现超分辨率数字图像的重构。实验结果表明,采用所提的新的超分辨率数字图像特征提取及重构方法对图像进行重构,不仅匹配性能高,而且重构图像质量优、效果佳。     

基于IBP的天气雷达超分辨率重建算法

雷达基数据分辨率不够会导致灾害性天气系统预报、跟踪的准确率低.为了提高基数据的分辨率,将迭代反投影算法应用于雷达回波超分辨率重建中,并对算法进行了改进.该方法基于对天气雷达回波使用滑动窗的重建模型,并引入时间相关性约束,由低分辨率回波重建出高分辨率回波.基于天气雷达提供的实例反射率回波,给出其超分辨率重建后的结果,并对其重建效果进行估计和比较.实验表明该方法在定量估计和视觉评价上都具有良好的高分辨率重建效果.     

一种基于样本块的图像超分辨率方法研究

提出了一种在马尔科夫网络框架下基于样本块的图像超分辨率算法。算法根据相似性选取多个样本块作为图像重建的候选,在候选集中计算图像块先验概率和图像块之间的相容性,最后在马尔科夫框架下选取最优图像块,合成最终的高分辨率图像。实验证明本文提出的算法具有较好的超分辨率效果。     

基于L1范数的总变分正则化超分辨率图像重建

设计了一种基于L1范数的总变分正则化超分辨率图像序列重建算法.采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘并且提高了运算速度;运用设计的算法对模拟的低分辨率图像序列进行重建,分别从主观效果和客观衡量指标两方面与基于L2范数的总变分正则化的超分辨率重建结果进行比较,实验结果表明该算法在保持图像边缘的同时,提高了超分辨率重建算法的运算速度.     

基于残差神经网络的高强度运动超分辨率图像重构

针对实际拍摄的亚像素信息较少的低分辨率运动图像,重构图像通常较为模糊,甚至不能分辨。为此,提出一种新的基于残差神经网络的高强度运动超分辨率图像重构方法。令沿运动方向的亮度保持恒定,通过光流场匹配实现高强度运动图像的运动估计;根据运动估计结果和超分辨率重构的基本思想,将BP神经网络看作残差神经网络的基础建立残差神经网络,对残差神经网络进行训练,参照训练样本将经插值法放大若干倍的待重构高强度运动图像作为输入,将高分辨率图像和输入图像间的残差作为输出,把输入和输出累加获取超分辨率图像,实现若干放大倍数高强度运动超分辨率图像的重构。实验结果表明,所提方法运动估计准确,重构图像清晰、质量佳。     

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.      

基于图像重建的智能监控系统教学实验平台设计

针对当前高校计算机等相关学科教学手段多样化的特点,设计了基于超分辨重建技术的目标检测与跟踪教学平台.介绍了实验平台的硬件部分设计和构建,给出了基于视频序列超分辨率盲重建的图像预处理方法,提出了基于高斯混合模型的目标检测算法以及基于视觉显著性特性的目标跟踪算法.各个模块的实验结果表明该平台很好地满足计算机视觉相关课程的教学实践需要.     

序列图像运动目标检测的一种快速算法

研究了序列视频图像中运动目标的检测与跟踪快速算法．研究基于Kalman滤波理论的渐消记忆最小二乘法，用该方法重建背景图像；采用图像差分算法提取运动目标；提出简化的等效灰度投影算法来计算目标的质心；采用记忆外推跟踪算法实现图像目标的跟踪，并且对全部算法做了仿真．仿真结果表明算法简单、有效、执行速度快、具有很强的适应性，能够用于单镜头序列图像中运动目标的检测与跟踪．     

视网膜血流造影图像序列的超分辨率重建

主要研究在医学图像处理中超分辨率图像的重建问题, 并以视网膜血管造影图像序列为采样数据, 完成对其配准与超分辨率重建的处理过程.     

基于空间自适应正则化的超分辨率重建算法

针对模糊图像的复原问题,从正则化技术克服问题病态性的思想出发,研究了一种有效的超分辨率重建算法。该算法充分考虑了图像的局部特性,引入了空间自适应加权矩阵,采用全局正则化参数与局部正则化参数矩阵相结合的方法,弥补了传统正则化方法所带来的正则化误差以及噪声放大误差。实验结果表明,该算法能够有效地减少重建误差,保护图像的细节信息。     

一种基于背景重建和视差图的立体视频对象分割算法

提出了一种基于背景重建和视差图的立体视频分割算法,利用背景、视差和边缘等信息进行运动对象分割。该算法首先采用基于块的背景重建方法获取视频序列的背景信息,再利用背景相减法获得运动对象的初步分割结果,然后利用立体匹配获得的视差图对初步分割结果进行修正,最后利用边缘信息和后处理操作获得最终的立体视频运动对象。实验表明,该算法能够有效地从运动背景中将视频运动对象完整地提取出来。     

基于触觉图像序列的三维规则物体识别方法

提出一种基于二值化触觉图像序列的三维规则物体识别方法.触觉图像序列是通过装有高分辨力和高柔性触觉传感阵列的平行移动式夹持型手爪系统来获取的.实验表明,所述方法不仅能有效地识别一般平面物体,而且能有效地识别接触面是非凹曲面的物体。     

实时视频监控系统中运动目标检测和跟踪的一种实用方法

针对目前信息发展的要求，讨论了视频序列中运动目标检测和跟踪的一些方法，并在视频监控系统的具体应用环境中，提出了运动目标的适时检测和跟踪的一种适用方法，同时给出了相应的实验结果．结果表明，本文方法是比较实用的，能满足实时视频监控系统的要求．     

基于混合差分法的运动目标检测

为了提高背景重建速度和目标检测精度,提出了基于混合差分的运动目标检测方法.采用一种基于统计模型的区域像素级背景重建方法.结合帧差分法对于环境的适应性和背景差分法目标检测的准确性.首先用帧差分法得到目标最大的可能区域,在该区域进行像素级背景重建.然后用背景差分精确提取目标区域.既克服了单纯帧差分对于目标运动速度的限制,又缩小了背景差分的区域,使运动目标检测的时间复杂度迅速降低.通过实验,验证了该方法在检测精度和速度上的优势,可以应用于视频监控和目标跟踪领域.     

基于光流法的运动目标检测与跟踪算法

选用Harris角点作为跟踪对象,将尺度空间引入角点检测,提取特征尺度上的Harris角点,并进行曲率非极大值抑制,滤除"伪角点",提高角点检测对尺度变化的抗扰能力.跟踪算法选用结合图像金字塔的光流法,迭代计算光流,并提出基于光流误差的跟踪算法,即用不同时间流的运动轨迹在同一帧图像的误差来衡量运动跟踪情况,避免跟踪点因被遮挡、消失或者纹理特征发生变化而导致跟踪失败.通过对不同视频图像进行检测的结果证明基于改进的角点提取和图像金字塔的光流法具有良好的跟踪效果,引入光流误差可以有效地滤除跟踪失败的特征点,准确估计运动目标的位置.     

沿圆弧形路径积分的反射式超声层析成像方法及实验研究

讨论了近场及远场条件下沿圆弧积分的超声反射ＣＴ成像的重建算法,进行了计算机模拟成像,在此基础上,建立了一套超声反射ＣＴ成像系统,对部分样品模型进行了实验成像。     

基于多标记图分割的遮挡下多目标分割及跟踪算法

针对遮挡下的多目标分割及跟踪问题,提出一种新的方法,其将空间-彩色混合高斯模型融入到能量函数最小化框架中。当遮挡没有发生时,为每个目标分别构建一个空间-彩色混合高斯形状描述。一旦多目标相互遮挡发生,一个多标记能量函数将在相互遮挡区域建立起来,而后利用多标记图分割技术将其最小化,从而实现对遮挡过程中所有目标进行同时标记和定位。此外,利用多个视频序列证实了所提出算法的性能。     

基于Kalman的运动物体跟踪和预测方法研究

目前,很多应用需要跟踪图像序列中的运动物体。但是,有时不知道运动物体的特性,因此,提出一个完整的跟踪预测模型;使用无需先验知识的Kalman滤波器跟踪和预测运动物体。利用提取的Harris角点,通过L-K金字塔方法得到前后两帧光流;通过光流聚类得到当前帧中运动物体的凸包,使运动物体从背景中分离出来。由Kalman滤波器跟踪和预测各运动物体凸包的重心,并划出运动轨迹。计算机仿真及现场测试结果表明所提出的方法具有较高的跟踪精度,且计算量小。     

检测区域自适应调整的TLD多目标跟踪算法

传统的TLD目标跟踪算法由于检测区域过大导致检测时间过长,并对相似目标跟踪效果不理想且只能对单个目标快速跟踪.针对这些问题,利用双Kalman滤波加速预测的DKF检测区域优化算法构造了一种检测区域可自适应调整的多目标跟踪算法——TLD-DOMO算法.TLD-DOMO算法的多目标检测器可对各目标的潜在运动范围进行预测,使其检测区域的大小及位置自适应地调整至最佳状态,以此提升对多目标跟踪的精度及效率.此外,该方法可有效地降低多目标间的相互干扰,支持对多相似目标的同时跟踪.实验结果表明:TLD-DOMO算法在对各测试视频的多目标跟踪中,跟踪速度均有提升,加速比为1.55~2.94倍;在多相似目标跟踪中,对各目标的检测与识别效果优于原TLD算法.     

一种改进Camshift算法及其ARM实现

基于视频序列的运动目标跟踪在安防、军事等领域用途广泛。针对传统Camshift算法易受颜色相近物体的干扰,丢失目标的情况,提出了一种改进的Camshift算法。该算法检测SIFT特征点并进行FREAK特征匹配,通过判断每一帧跟踪结果的跟踪精度修正跟踪矩形框,从而改善跟踪精度。为便于工程应用,在Linux系统上进行了算法移植,实现了基于ARM的运动目标跟踪系统。实验结果证实改进算法对部分遮挡、颜色相近干扰等情况具有稳定性,能够实现对运动目标的准确跟踪。