基于增广拉格朗日的全变分正则化CT迭代重建算法

采用一种基于增广拉格朗日方法(augmented Lagrangian method)求解全变分正则化(total variation regularization)算法(ALMTVR)来进行CT图像重建.将ALMTVR算法与经典的代数重建算法(algebraic reconstruction technique,ART)进行比较,并采用仿真数据与实际数据进行实验.在实验中,使用ALMTVR算法与ART算法分别进行图像重建,并对重建图像进行对比分析.实验结果表明:所提算法与ART算法相比,显著提高了图像重建的质量与速度,显示了其对图像重建的有效性及在CT成像系统中潜在的应用价值.     

深度学习下的高效单幅图像超分辨率重建方法

提出一种基于深度学习的高效单幅图像超分辨率重建方法,增加一个亚像素卷积层和一个替换的级联卷积,即设计一个具有合适深度的卷积神经网络,以保证图像的重建质量,并采用级联小卷积核提高运行速度.在标准的公共数据集上进行实验测试,结果表明:与亚像素卷积神经网络(ESPCN)算法相比,所提算法重建的高分辨率图像的质量和速度皆显著提高;将其应用于实际项目中,可端到端地重建低分辨率服装风格图像,获得高分辨率图像.     

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。     

一种新的快速通用二维图像亚像素边缘检测算法

总结了目前二维灰度图像的亚像素边缘检测算法,针对它们存在的原理误差、计算复杂、用时长及不能通用等问题,提出了一种新的亚像素边缘检测算法.分析了3种基本边缘(阶跃型边缘、脉冲型边缘、屋脊型边缘)的特点,利用一维质心算法对这3种边缘特征计算上的通用性及简易性进行了二维推广,得到了一种具有快速通用性的亚像素边缘检测算法.并在此基础上针对提高离散化过程中的精度问题,引入了高斯卷积平滑的预处理方法;引入了Sobel算法对图像像素进行了筛选,进一步提高了计算速度.通过实验验证了此算法的有效性,并分析了误差产生的原因.     

基于蚁群算法的Zernike矩亚像素工件边缘检测

边缘检测是影响工件尺寸检测精度的主要因素之一。为了进一步提高工件尺寸测量的准确性,本文提出了一个改进Zernike矩的亚像素边缘检测方法。首先,采用滤波和阈值分解等技术对图像进行预处理以得到二值图,再次,采用蚁群算法得到图像的边界,然后,采用Zernike矩的边界检测方法来确定图像亚像素边缘。结果表明,改进的边缘检测方法相较于传统方法,其提取的亚像素边缘坐标与原始坐标之间的绝对误差不超过0.5,且运行速度提高了约10倍,较好地满足了工件尺寸检测精度的要求。     

AVS中一种分像素运动估计的快速算法

高精度的匹配和补偿可以减少预测误差,提高视频图像的压缩效果。本文提出了一种纯比较式的快速分像素运动估计算法,把平均搜索点数降为3,而重建图像的质量接近于现有的快速分像素运动估计算法。实验证明,新算法通过简单的比较,可以快速得到较为精度的运动矢量,大大提高了AVS分像素运动估计的速度。     

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.     

代数重建和同步迭代重建在电容层析成像中的比较研究

针对电容层析成像技术(ECT)中的逆问题——图像重建算法的非线性和病态性问题,以12电极电容层析成像系统为对象,研究了代数重建算法(ART)与同步迭代重建算法(SIRT).分别对仿真电容值和实测电容值进行图像重建的实验验证,从成像效果、相对误差及重建时间3个方面对这两种算法进行了评估与分析.结果表明,ART算法和SIRT算法均能有效地实现ECT图像重建,其中SIRT算法能够在100次迭代内达到高精度,在收敛速度和成像效果上更具有优势.     

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.     

微零件图像亚像素边缘定位算法

为快速而精确地检测微零件图像边缘,提出了一种新的图像亚像素边缘定位算法.此算法与常用亚像素边缘定位算法区别在于不需要进行边缘初定位,而直接提取亚像素边缘点.应用一种新的图像坐标排序方法,使无规律的边缘点能够按照一定时针顺序链接成闭合曲线.以微齿轮图像作为实验对象测试了算法的精度与速度,结果表明该算法在边缘定位精度满足亚像素的情况下,能够快速提取边缘曲线,处理时间不超过1s.     

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。     

基于非下采样contourlet变换的压缩感知图像重建

受传统采样定理限制,直接从信号采集系统得到高分辨率图像较困难,且信号获取过程会导致大量的采样数据.压缩感知理论指出可用特定测量矩阵将高维信号投影到低维空间上,求解数值优化问题准确重构原始信号,突破了传统采样定理的限制.传统压缩感知图像重建算法对所有系数测量,需进行多层小波变换保证图像质量,且小波捕捉方向信息有限,重建图像质量较差.故此提出采用非下采样contourlet变换(NSCT)做信号稀疏变换,并针对变换系数的特点,选择性的对系数测量,利用正交匹配追踪算法进行重构.实验结果表明,仅用单层NSCT变换可重建出高质量图像,克服传统算法需进行多层小波变换的缺点,降低采样和存储的数据量且重建的图像质量得到极大提升.     

基于多字典 L1/2 正则化的超分辨率重建算法

为详细表达图像高频细节信息, 提高重建图像质量, 提出了一种基于多字典 L1 /2 正则化的超分辨 率重建算法。 该算法在稀疏重建字典对训练阶段, 为有效提取低分辨率图像边缘、 纹理等特征细节信息, 采用改进的一阶二阶导数方法对低分辨率图像进行特征提取; 而在图像重建阶段, 为解决基于 L1 正则模 型得到的解时常不够稀疏, 重建图像质量有待进一步提高的问题, 采用 L1 /2 范数代替 L1 范数构建超分 辨率重建模型。 实验表明, 与现有算法相比较, 该算法可更好地表达图像细节部分信息, 并能提高图像 的重建质量。     

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。     

一种基于加权多准则的火炮爆炸场中高温火球三维温度场的迭代重建算法

针对爆炸场温度高、温度动态范围大、不可直接测量、温度场重建难以取得较高精度等问题,改进了一种在图像重建中广泛应用的联合代数重建（simultaneous algebraic reconstruction technique,SART）算法,以实现爆炸场中温度场的重建。该改进方法将原算法迭代固定步长改为自适应步长,通过判断相邻像素间是否产生畸变来决定迭代步长的大小,无畸变时迭代步长较大,有畸变时则加入惩罚使迭代步长变小;并在SART算法满足的最小二乘准则中加入均匀性准则,提高重建质量。通过仿真实验讨论了惩罚区域和惩罚系数对重建图像质量的影响,并对比了传统SART算法和在校正项中加入惩罚的SART算法。实验结果表明,由于改进方法在迭代系数中加入了惩罚项,得到的重建图像质量更高。     

基于小波变换的图像零树压缩感知方法

稀疏性是压缩感知的前提,然而,自然图像通常不是稀疏的,因此对图像直接应用压缩感知算法很难取得高压缩效率.针对图像信号,将编码思想融入压缩感知理论,提出一种简单有效的零树压缩感知方法.该方法先利用零树思想辅助压缩感知测量,在得到测量值的同时编码重要系数的位置;然后提出零树追踪重构算法,通过精确解码重要系数位置来重构原始图像小波系数,提高重构精度.实验结果表明,相比于现有匹配追踪算法和EZW算法,本文方法有更高的压缩比和更好的图像重构质量.     

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.     

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。     

基于正则化的SPACE-RIP并行磁共振成像重建算法

采用并行磁共振成像可以提高成像速度和图像分辨率,但这是以牺牲重建图像的信噪比为代价的。为此,该文提出了一种基于正则化的并行磁共振成像重建算法,降低由于阵列线圈的几何相关而造成的信噪比损失。以预扫描图像作为最后重建图像的先验信息,用L曲线方法求解最佳正则化参数。实验表明,该方法能较大限度地减弱噪声对重建结果的影响,当SPACE-RIP并行成像技术的加速因子达到4时,仍可得到高质量的高分辨率重建影像。重建后的图像质量良好,对临床诊断具有较高实用价值。