基于Keren配准和插值的快速超分辨率图像重建

为提高图像超分辨率重建技术实时应用的可能性,增强其对配准误差的容忍度,提出了一种基于Keren配准和插值的快速鲁棒超分辨率图像重建算法.该算法将配准后的低分辨率图像根据变换参数映射到高分辨率网格上,再利用模板卷积迭代地填充缺失像素值,从而重建一幅高分辨率图像.将文中算法与非均匀插值法、凸集映射法、鲁棒的迭代后向映射法和...     

结合小波金字塔的空频域亚像素图像配准

基于图像序列的超分辨率重建,是利用同一场景的多幅低分辨率图像重建一幅高分辨率图像,其实现过程可分为两个步骤:首先,利用亚像素图像配准技术将所有的低分辨率图像配准;然后,利用配准的多幅图像重建一幅高分辨率图像.针对配准这一问题,提出一种新颖的图像亚像素配准方法.新方法先将Haar小波分解出的低频子图应用频域Vandewalle方法进行初步配准,然后结合空域Keren改进方法进一步提高配准精度,同时利用金字塔在不同层上分别实现亚像素配准,并逐层累加配准结果.实验结果表明,即使在较大的平移和旋转情况下,相比只有空域Keren改进方法和只有频域Vandewalle方法,该方法的配准精度和超分辨率重建效果都得到明显提高.     

基于小波局部适应插值IBP算法的视频超分辨率重建

针对基于迭代反投影(IBP)算法的视频超分辨率重建,提出了一种改善初始估计来提高重建效果的方法.本文采用小波局部适应插值得到初始估计,结合滑动窗的视频重建模型,由一段低分辨率的视频重建一段高分辨率的视频, 达到提高视频空间分辨率的目的.实验表明改进算法得到的高分辨率视频有更好的视觉效果.     

基于R滤波器的超分辨图像配准算法

图像配准是超分辨率图像重建的关键.提出了一种基于R滤波器的超分辨率图像重建的三步算法.第一步:对原图进行加窗模糊;第二步:根据全局运动模型配准,计算平移参数和旋转角度,对图像进行平移和旋转;第三步:把序列低分辨率图像配准到同一个坐标系中,重构高分辨率图像.实验表明,三步算法的配准精度和超分辨率图像重建效果较好.     

基于改进SIFT的视频超分辨率重建快速配准算法研究

通过改进硬件的方式来提高成像质量,在技术上实现困难且成本高昂,因此采用数字图像处理的方法来提高图像的分辨率.提出了一种改进的视频超分辨率重建的快速SIFT图像配准算法,该算法放弃对128维特征描述子的计算,而采用特征点之间的灰度相关系数来进行初始匹配,并用平面坐标欧氏距离配合匹配关联度算法来取代特征描述子进行误匹配的剔除,大大降低了计算开销.实验证明,改进算法取得了良好的配准效果,在保证配准质量的前提下,其时间开销只有基于传统SIFT特征点检测方法的1/3.     

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.     

基于块对称对叠的多幅图像超分辨率重建算法研究

在进行图像超分辨率重建时,使用多幅图像比使用一副图像能够得到更好的效果,但是目前基于多幅图像的超分辨率重建算法普遍存在重建速度慢、重建质量不够理想的问题。为此,本文构造了一种基于块对称对叠（PsyCo）的多幅图像超分辨率重建算法,首先对低分辨率图像序列进行基于ORB的图像配准,再对配准后的图像进行PSyCo重建,最后对重建的图像进行像素灰度最大值融合。实验结果表明,本文提出的重建算法具有更好的重建效果,并且具有较快的重建速度。     

基于块对称对叠的多幅图像超分辨率重建算法

在进行图像超分辨率重建时,使用多幅图像比使用一幅图像能够得到更好的效果;但是目前基于多幅图像的超分辨率重建算法普遍存在重建速度慢、重建质量不够理想的问题。为此,构造了一种基于块对称对叠(PsyCo)的多幅图像超分辨率重建算法。首先对低分辨率图像序列进行基于ORB的图像配准,再对配准后的图像进行PSyCo重建,最后对重建的图像进行像素灰度最大值融合。实验结果表明,提出的重建算法具有更好的重建效果;并且具有较快的重建速度。     

一种改进全变分配准模型的优化NMG求解方法

引入超曲面函数作为图像配准正则项的核函数,建立了位移兼顾全局平滑与保留不连续性的改进全变分(TV)配准模型.为了快速有效地求解该模型,在一般的非线性多重网格(NMG)算法中,使用滞后扩散不动点迭代与逐次超松弛迭代相互作用构造新的平滑方法,并在限制过程中采用层析技术将粗网格上的误差插值回细网格,设计出一种优化NMG算法.仿真实验结果表明,优化NMG算法与NMG算法相比,配准精度更高,收敛速度更快;改进TV配准模型与TV配准模型相比,配准误差更小,耗时更少,配准效果更好.     

用于电阻层析成像的快速自适应硬阈值迭代算法

针对电阻层析成像技术图像重建具有严重病态性的问题,提出了一种稀疏重建算法——快速自适应硬阈值迭代算法,研究了噪声对该算法在电阻层析成像图像重建效果上的影响,并通过仿真和模型实验测试了该算法的性能.结果表明:一定强度范围内的噪声对硬阈值迭代算法、自适应硬阈值迭代算法和快速自适应硬阈值迭代算法的影响较小.快速自适应硬阈值迭代算法成像速度更快,且该算法重建图像的空间分辨率相对其他两种算法也有较大的提高.     

基于频域约束的IBP超分辨率图像复原方法

根据超分辨率图像复原方法的最新发展,重点研究了超分辨率图像重建的理论基础、数学模型以及现有的主要方法,在此基础上提出了一种基于频域约束的IBP超分辨率图像复原新算法,在图像复原的过程中,尽可能的保持图像低频部分的能量,在此基础上拟合高频部分的能量.得到了无论从主观角度还是客观数据方面都令人满意的结果.实验证明了方法的有效性.     

基于频域约束的IBP超分辨率图像复原方法

本文根据超分辨率图像复原方法的最新发展,重点研究了超分辨率图像重建的理论基础、数学模型以及现有的主要方法,在此基础上提出了一种基于频域约束的IBP超分辨率图像复原新算法,在图像复原的过程中,尽可能的保持图像低频部分的能量,在此基础上拟合高频部分的能量。得到了无论从主观角度还是客观数据方面都令人满意的结果。实验证明了方法的有效性。     

基于多尺度特征融合的超分辨率重建算法研究

超分辨率重建技术可以提高图像质量,使原图像具有更丰富的细节信息。针对现有的超分辨率重建算法存在提取特征单一、不利于对图像信息进一步提取的问题,提出了一种基于多尺度特征融合的超分辨率重建算法。采用多特征提取模块获取更多浅层信息,并在网络中添加密集连接结构,增强特征的传播,减少相关参数计算,减轻梯度消失问题。在Set5和Set14基准数据集上进行了测试,并在电力巡检数据集上进一步验证了算法的有效性。与主流的超分辨率重建方法进行了对比,实验结果表明,该方法生成的图像有更加丰富的细节信息,能够有效地改善图像质量,峰值信噪比与结构相似度值较其他主流算法均有一定的提高。     

基于流形学习和梯度约束的图像超分辨率重建

将改进的基于流形学习的超分辨率重建与基于梯度约束的正则化重建结合起来,提出一种新的单帧图像超分辨率重建算法.该算法首先针对基于流形学习的超分辨率重建,提出新的特征提取方法,联合归一化亮度与平稳小波变换细节子带系数两个特征矢量,提高重建性能;然后将学习得到的高分辨率图像作为初始估计,将其梯度作为目标梯度域,进行基于梯度约束的正则化重建,得到最终的高分辨率图像.与现有的一些算法相比,文中算法无论在视觉效果还是客观评价上都具有较好的重建性能.     

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。     

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...     

一种改进的多帧图像超分辨率重建算法

文中构建了超分辨率重建图像的一般框架.在对图像模糊的不确定性和复杂性作一定限制条件下,讨论采用最小二乘方规整化方法重建除运动外其它因素引起降质的低分辨率图像;并进一步提出了采用改进的递归最速下降迭代算法实现多帧图像的超分辨率重建.计算机模拟结果表明,该方法具有较好的重建图像质量.