基于字典学习的超分辨率显微CT图像重建

为提高显微CT重建图像的空间分辨率,提出了一种基于字典学习的超分辨率图像重建算法.首先,将重建图像进行网格细化,并使用面积权值模型实现对投影过程的精确建模.然后,选择高质量的图像作为训练样本,采用K-SVD算法构建图像字典.基于该图像字典,利用正交匹配追踪算法实现对重建图像的稀疏表达,并以此作为稀疏项约束引入到重建算法的目标函数中.最后,使用梯度下降法求解目标函数.实验结果表明:与传统的基于插值的超分辨率重建算法相比,所提算法的超分辨率结果在图像对比度、边缘保持方面具有优势,并且保留了更多的图像高频信息,从而有效提高了重建图像的空间分辨率.     

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.     

基于多字典学习的车牌图像超分辨率重建方法

车牌识别作为智能交通系统中的关键技术,具有十分重要的应用前景.本文提出了一种改进的车牌识别算法.采用K-均值算法对高分辨率车牌图像样本进行聚类,并按类学习相应的子字典,从而有效地减少了字典中原子的数目,提高了算法的运行速度.再采用自适应的正则化参数法和反向投影法对图像进行全局优化,既保留了图像的更多细节特征,又起到较好的去噪效果.仿真实验结果表明,该算法从主观和客观效果上均有效地改善了重建的车牌图像质量.     

基于多字典和稀疏噪声编码的图像超分辨率重建

稀疏表示模型是通过将字典中的原子进行组合得到期望的结果.为了解决传统字典学习中所有图像块重建均使用同一个字典,从而忽略了最佳稀疏域的问题,提出来一种基于多字典和稀疏噪声编码的图像超分辨率重建算法.在字典训练时,利用图像的特征将它们合理地划分成若干个簇,每个聚类训练生成子字典对,利用最佳字典对进行重建.在求解稀疏系数阶段,引入稀疏编码噪声去除噪声的影响,利用图像非局部自相似性来获得原始图像稀疏编码系数的良好估计,然后将观测图像的稀疏编码系数集中到这些估计当中.实验表明,与ASDS算法和SSIM算法相比较,该算法有更好的重建结果,获得了更丰富的图像细节和更清晰的边缘.     

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.     

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.     

基于双层混合字典学习的图像超分辨率复原

提出了一种新的字典学习法用于图像的超分辨率复原,即双层混合字典。其中,第一层字典采用半耦合字典,确保了复原过程的灵活性和准确性,并结合稀疏表示算法得到第一层复原图像;为了不影响算法的整体运算速度,第二层字典采用分类字典,并利用原始图像与第一层复原图像的差值作为高分辨率样本,以便能恢复更多的高频细节。实验结果表明,本算法与传统的基于单一字典的图像超分辨率算法相比,无论是在视觉效果上,还是峰值信噪比(PSNR)指标,都取得了更为理想的效果,有效地改善了降质图像的质量。     

基于ODL双字典学习的遥感影像超分辨率重建

为了提高遥感影像超分辨率重建的质量,提出了一种基于ODL双字典学习的遥感影像超分辨率重建算法.该方法首先将影像高频成分分为主要高频成分和残差高频成分,然后建立字典稀疏模型,运用ODL字典学习方法得到主字典和残差字典,采用渐进式的字典学习方式,逐步恢复缺失的高频成分,并在稀疏字典生成阶段和影像重建阶段分别设置了两个不同的正则化参数,从而生成更高质量的遥感影像.分别采用不同大小的遥感影像进行实验验证,将此算法与KSVD和ODL算法进行比较,结果表明,此算法在主观评价和客观评价上都有明显改善.     

基于深度学习的红外图像超分辨率重建

为提升红外图像分辨率,本文构建了用于红外图像超分辨率重建的IEDSR(enhanced deep residual networks for infrared image super-resolution)网络。该网络在EDSR网络模型的基础上加入了池化层,避免了EDSR(enhanced deep residual networks for single image super-sesolution)网络移除批正则化层(batch normalization, BN)可能会带来训练困难的问题。同时考虑到红外图像对比度低、纹理不明显的特性,在残差块内加入新的卷积层和激活层,通过增加网络深度扩大局部残差模块的感受野,有利于恢复图像的局部细节信息。最后利用增强预测算法对重建图像进行优化,提升重建精度。实验结果表明:本文算法重建的红外图像在主观视觉效果与客观指标上较传统红外图像重建方法均有所改善,具有较高的实用价值。     

基于非局部相似性和分类半耦合字典学习的超分辨率重建

为了提升单幅彩色图像的超分辨率重建质量,提出了一种改进的基于学习的超分辨率方法.针对半耦合字典学习超分辨率算法训练精度不高的缺陷,采用稀疏域分类与半耦合字典学习交替进行的启发式策略.在训练阶段引入稀疏域非局部相似性约束项,使用改进了的非局部约束l1范数优化问题求解算法,训练得到多组高、低分辨率字典和映射矩阵.在重建阶段利用分类稀疏表示、非局部相似性并结合残差补偿进一步提高重建精度.实验结果表明,该方法在主观和客观评价标准下均取得了较好的重建效果,显著提升了超分辨率重建质量.     

基于深度学习的图像超分辨率重建方法综述

图像超分辨率重建(super-resolution, SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在目标检测、医学成像和卫星遥感等领域都有着重要的应用价值.近年来,随着深度学习的迅速发展,基于深度学习的图像超分辨率重建方法取得了显著的进步.为了把握目前基于深度学习的图像超分辨率重建方法的发展情况和研究热点,对一些最新的基于深度学习的图像超分辨率重建方法进行了梳理,将它们分为两大类(有监督的和无监督的)分别进行阐述.然后,在公开的数据集上,将主流方法的性能进行了对比分析.最后,对基于深度学习的图像超分辨率重建方法进行了总结,并对其未来的研究趋势进行了展望.     

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,提出一种基于改进超分辨率残差网络(super-resolution residual networks, SRResNet)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。     

低秩表示和字典学习的红外与可见光图像融合算法

针对目前红外与可见光融合算法在保留可见光图像中的背景信息时无法同时有效地提取红外图像信息,提出了一种基于低秩表示和字典学习的红外与可见光的图像融合算法.首先,采用低秩表示对红外图像和可见光图像进行分解,分别获得源图像的低秩和稀疏成分,其中稀疏成分可以很好地表示源图像的边缘细节特征.其次,用OMP算法的字典学习方法和稀疏系数的最大范数规则,而最大范数规则在对图像背景恢复的同时能够提取目标信息.再次,对分解得到的2个分量进行融合.最后,利用融合稀疏系数和自适应字典重建融合图像.实验结果表明,本融合算法可以突出红外对象信息,同时能够保留可见光图像中的背景信息,达到良好的视觉效果.     

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。     

基于投影修正和POCS的图像超分辨率重建

针对超分辨重建技术中传统POCS图像重建算法存在的Gibbs效应问题,提出一种采用投影修正机制抑制Gibbs效应的图像超分辨率重建算法.首先针对初始图像采用方向差分方法获得图像的边缘约束算子;随后在每一次的迭代重建过程中,结合前后重建结果的差值和边缘约束算子设计投影修正算子,并对残差阈值和点扩散函数分别进行修正,从而获得修正后的数据一致性投影过程;最后利用修正的投影过程获得最终重建图像.试验结果表明:改进算法具有较好的峰值信噪比,并且有效抑制了Gibbs效应,具有较好的应用前景.     

基于双边滤波器的图像超分辨率重建

超分辨牟重建是从低分辨率图像序列中重建一帧具有精细结构的高分辨率图像,是单帧插值算法无法解决的问题。本文提出了一一种基于双边滤波算子的多帧超分辨率算法,引入双边滤波作为约束项改善图像的质量,通过采用最速下降法求解相应的能量泛函。实验结果表明重建算法具有很强的鲁棒性,重建图像取得了良好的视觉效果。     

基于SQI的超分辨率图像重建算法

提出了一种基于自商图像(Self Quotient Image-SQI)的超分辨率图像重建算法.该方法首先利用SQI提取光照不变量作为图像特征,并假设光反射分量具有分段平滑的特性,近似认为每一个小的图像块具有相同的增益系数;然后在流形学习的框架下,借助局部线性嵌套的思想构建高分辨率图像和低分辨率图像块间的关系,从而实现了超分辨率重建和图像增强.仿真结果表明,该算法有效地克服了传统方法受光照因素影响的缺点,在提高分辨率的同时克服了光照因素的影响,特别是对阴影效应的消除具有明显效果.     

深度学习单帧图像超分辨率重建研究综述

单帧图像超分辨率重建(single image super-resolution reconstruction,SISR)是一类典型的不适定问题,具有广泛的实际应用价值.近年来,基于深度学习的SISR方法的研究已经取得长足的进展,其性能大大超越了传统的方法.本文将SISR研究归纳为两大挑战性问题:SISR的建模和面向真实场景的领域自适应问题.基于此,将当前基于深度学习的SISR方法划分为有监督的SISR和不成对的SISR.进一步简单介绍SISR的应用情况.最后,总结并探讨未来SISR研究的发展方向.     

基于先验知识和Kullback-Leibler距离的超分辨率图像重建

由给定观测模型和先验模型组合得到潜在高分辨率图像后验分布逼近值,将其作为先验知识进行迭代获得更多的后验逼近值。根据高分辨率图像分布情况得到一特定逼近值以最大程度减小后验分布与Kullback-Leibler距离之差。同时也进行了文中算法与其它超分辨率重建方法的对比研究,实验表明,本算法重建效果较好。