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L-曲线正则化的MAP超分辨率图像复原

提出一种基于L 曲线正则化参数选择方法的最大后验 概率超分辨率图像复原算法. 该方法将最大后验概率估计和L-曲线正则化参数选择方法相结合, 可以有效地减少和去除复原图像中的噪声, 提高图像复原质量, 并具有较好的超分辨率复原能力.     

基于小波变换和残差处理的人脸图像超分辨率技术研究

超分辨率图像复原技术常见的有插值法,POCS等,它们有细节模糊,运算复杂度大的弱点,针对以上问题,在基于学习的超分辨率图像复原中,提出了一种全新的小波系数特征向量匹配方法.算法分为两步：（1）采用基于补偿残差向量和多样本平均的低分辨率人脸图像的小波特征向量匹配及人脸图像复原.（2）用边缘提取和特定区域平滑的方法去除Gibbs效应等噪声.经实验和传统的插值法以及常规匹配方法比较,在细节复原和运算复杂度方面都有一定的提高.     

一种MRF-MAP框架下的图像超分辨率重建方法

基于多帧观察样本的超分辨率图像重建是超分辨率图像重建研究中的重要方向.在马尔科夫随机场最大后验概率(MRF-MAP)框架下研究了多帧图像的超分辨率重建问题.根据给定的空间图像退化模型建立了超分辨率重建的二阶能量函数,并利用α-expansion图切算法对能量函数进行求解.考虑到α-expansion算法的规范性要求,将能量函数进行近似.针对二阶能量函数的图切算法,讨论了s-t图的构造,给出一种节点的分配方法以及t-link和n-link的赋值方式,以提高图切算法的计算效果.通过对两种类型的图像进行超分辨率重建的对比实验,表明该方法具有较好的去噪及重建效果.     

基于噪声灰度差估计三维显微图像超分辨率复原

提出了基于噪声灰度差估计的图像复原方法.在带斑点图像复原的过程中,用不同方向的均匀算子与图像进行卷积,再与原图像相减,取灰度差最小值构成噪声灰度差估计图.由此图获得斑点的强度和位置,进而对斑点进行邻域平均处理以保证复原效果.测试结果表明,噪声灰度差估计能够准确反映图像斑点的强度和位置定位,并且运算量小.该方法应用于三维显微图像复原的结果表明,斑点亮度得到有效控制,小斑点被去除,获得了良好的超分辨率复原效果.     

基于学习和全变分最小化的超分辨图像复原

由于全变分在图像处理中可以保留图像边缘信息,提出了一个基于学习的超分辨率图像复原方法,将全变分最小化(TV)正则项引入到基于稀疏表示的图像复原模型中.通过引入新的变量,将本模型转化为两个易于求解的优化问题,然后采用交替迭代法对模型进行求解.同时考虑了图像的特征信息,利用图像的非局部相似性和迭代反向投影算法对复原图像进行处理.实验结果表明,提出的方法在视觉效果和峰值信噪比上优于传统的插值算法和基于稀疏表示的方法.     

微扫描超分辨率超声成像技术研究

针对提高超声成像的分辨率问题展开研究,提出了微扫描超分辨率超声成像的方法.通过将微扫描和超分辨率技术结合并应用于超声成像中,微扫描技术获取满足超分辨率技术的多幅低分辨率图像,然后应用超分辨率图像重建算法获取高分辨力图像,并对此过程进行了仿真.仿真结果表明:提出的基于微扫描的超分辨率超声成像方法在实际应用中有一定的可行性,对提高超声成像设备的分辨率具有参考价值.     

单画幅欠采样图像复原中的插值作用

采用直接复原方法和插值复原方法对单幅欠采样低分辨率模糊图像进行复原实验,以考察线性插值在图像复原中的作用.直接复原法是对采集到的欠采样低分辨率模糊图像直接用最大似然图像复原算法进行复原,不作任何预处理.插值复原法是先对图像进行插值预处理,增加像素数,提高图像采样分辨率,然后再用最大似然图像复原算法进行图像复原.结果是直接复原方法和插值复原方法对欠采样模糊图像的复原,效果相同,主观视觉和评价数据十分接近.这说明通常用于单画幅欠采样模糊图像复原预处理的线性插值没有起到提高复原效果的作用.     

基于稀疏表示的正则化超分辨率重建算法

为了能在超分辨率重建过程中更好地保留图像的边缘及纹理等特性,提出基于稀疏表示的正则化超分辨率重建算法.首先通过K-SVD方法得到单一的超完备字典,然后在此基础上进行改进得到高、低分辨率的字典,并在重建过程中通过自适应选取正则化参数的方法动态调节目标函数中重建误差逼近项和稀疏性约束项,从而实现超分辨率重建.通过仿真实验验证该算法能够有效地提高重建图像的质量.     

基于偏振特性的雾霾降质图像融合复原方法

在大气散射理论模型的基础上,分析了利用图像的偏振信息复原雾天图像的方法。根据图像偏振信息的复原算法原理,研究了偏振特性的图像配准融合方法,并在此基础上采用搜索最佳正态分布算法及自适应二维维纳滤波方法对模型参数的大气光和环境光深度图进行估算,从而根据偏振图像复原方程达到复原清晰景物图像的目的。在MATLAB仿真平台进行图像复原测试,并进行主客观评价分析,结果表明该方法可以取得较好的图像复原效果。     

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。     

基于小波变换的图像超分辨率增强算法

视频图像超分辨率增强技术具有重要的研究价值。文章在研究和分析小波变换理论的基础上提出了一种基于小波变换的图像超分辨率增强算法,该算法充分利用小波多分辨率分解思想,体现图像分辨率降低的自然过程;通过估计高分辨率小波系数,经插值逆变换可得到重构的高分辨率图像。实验结果证明该算法克服了传统的插值方法致使图像高频部分损失、细节被模糊的缺点,是超分辨率图像处理的一种行之有效的途径,具有一定的实用价值。     

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。     

急性运动中超分辨率图像重构方法研究

采用当前急性运动中超分辨率图像重构方法得到的重构图像存在全局误差,导致重构图像质量低下,重构效果不佳。为此,提出一种新的急性运动中超分辨率图像重构方法,设计急性运动中超分辨率图像重构模型,将小波稀疏字典作为急性运动中超分辨率图像重构的理论依据。将低分辨率急性运动图像分割成低分辨率图像块,对无噪高分辨率急性运动图像块相应的无噪低分辨率图像块进行分析。通过OMP方法对稀疏系数进行求解,依据得到的稀疏系数估计出高分辨率急性运动图像块的高频小波系数,将高分辨率小波系数急性运动图像块返回高分辨率小波系数急性运动图像,通过逆小波变换得到最终的高分辨率图像,对全局误差进行修正。实验结果表明,采用所提方法得到的重构图像质量高,重构效果好。     

基于退化模型和邻域嵌套的彩色图像超分辨率自适应重建

为有效提升图像质量,提出一种基于图像退化模型和邻域嵌套的彩色图像超分辨率重建算法.通过退化模型在彩色空间上得出图像超分辨率重建训练集,并根据此训练集进行图像邻域分块.为了在训练过程中抑制噪声并锐化图像中的边缘信息,提取训练集亮度和梯度特征并进行特征融合.为了有效提升重建算法的自适应性,引入图像重建优化参数和边缘信息参数...     

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.     

基于特定深度内部学习网络提高"不理想"图像分辨率

现有基于深度学习的图像分辨率提升方法中需耗费大量时间训练,且受限于特定的训练数据等问题。本文引入“零射击”超分辨率概念,可以重复利用已有照片、噪声图像、生物数据以及获取过程未知或非理想的其他图像的相关内部信息,以提高其分辨率。在测试阶段训练一个小的图像特定卷积神经网络,仅需对从输入图像本身提取的示例进行训练；然后通过单个图像内部信息再现,进一步利用图像内部相关信息,以增强图像分辨率。实验结果表明,本文算法可以加快训练速度且不需要标准训练集,图像分辨率优于现有基于卷积神经网络的超分辨率方法,以及已有的无监督超分辨率方法。     

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。     

基于文本语义指导的自然场景文本图像超分辨方法

在自然场景文本图像超分辨中，针对先验信息利用不准确、不充分以及文本边缘恢复不完整的问题，提出了一种基于文本语义指导的自然场景文本图像超分辨方法。该网络结构由超分辨重建模块和文本语义感知模块组成。为进一步提高超分辨网络的表达能力，提出使用循环十字交叉注意力，捕获全局上下文信息，使得模型在训练的过程中更加关注文本区域，同时，提出软边缘损失、梯度损失对重建过程进行约束，生成具有锐利边缘的超分辨结果。采用公开的自然场景文本图像超分辨数据集TextZoom对提出模型的性能进行验证，与8种主流深度网络模型进行了对比,结果表明：该模型在3个不同识别器下的平均识别率相比TSRN分别提升了2.06%、1.80%和2.89%，在PSNR和SSIM指标上也具有一定的优势。