基于残差邻域嵌入的超分辨率算法

通过对基于邻域嵌套的超分辨率算法研究,并受到多分辨率图像处理的启发,提出了一种改进的采用残差进行邻域嵌套的超分辨率算法。在灰度和彩色图像上的实验均表明该方法得到的结果具有更低的均方根误差,而且更好地保持了高频空间的细节,例如高对比度和锐利的边缘。     

基于稀疏邻域嵌入法的图像超分辨技术研究

到现在为止,基于邻域嵌入法(NE)的图像超分辨(SR)技术都采用两个独立的步骤合成高分辨的图像。首先以Eu-clidean距离作为标准进行邻域搜索,然后通过求解一个约束最小均方问题得到最优的加权值。然而,采用两个独立的过程并不是最优的。提出一种基于稀疏邻域选择的图像超分辨算法。首先确定可能的邻域范围,然后采用稳健SL0算法同时找出邻域和加权值。由于采用聚类方法,用于重建的k个最近邻域(k-NN)具有相似的局部几何结构,可以采用一种叫做方向梯度直方图(HoG)的统计方法对低分辨图像块进行聚类。通过在合成过程中利用HoG的局部结构信息,每幅低分辨图像的k-NN都能从相对应的子集中自适应的选择,从而在保证合成图像质量的前提下大大提高了合成高分辨图像的速度。仿真表明本文算法能够得到与传统方法相似的结果。     

基于改进的POCS算法的超分辨率图像恢复

针对常规的POCS(凸集投影)算法会产生边缘振荡效应这一问题，提出了一种改进的POCS算法，该算法先对图像边缘像素点进行特殊处理，再对图像中其余的像素点进行修正，消除了恢复结果中的边缘振荡效应．将改进的POCS算法与常规的POCS算法进行对比实验，证明了改进的POCS算法的有效性．     

基于单帧图像的超分辨率算法

随着稀疏编码与压缩传感理论的逐步发展,如何应用于图像的超分辨率成为研究热点之一.基于示例学习的算法,提出了一种新的超分辨率算法,其特点在于只基于低分辨率图像本身,没有额外的样本库,运用自然图像的自相似性与冗余性,学习低分辨率图像块与高分辨率图像块之间的函数关系.为了从图像中获取更加全面的信息,采用Guided滤波、一阶导数和二阶导数2种方法来提取特征.此外,提出了一种新的字典学习算法R-KSVD,并且改进了后项处理过程.实验结果显示,提出的算法具有较好的超分辨率效果和稳定性.     

基于GAN的图像超分辨率重建算法研究

SRGAN是一种基于生成对抗网络的超分辨重建方法,其生成的高分辨率图像质量较传统方法有着明显提升,然而SRGAN存在着训练过程不稳定,图像浅层特征未充分使用等问题,很大程度上影响到了生成图像的质量。本文提出了一种特征增强改进的SRGAN模型,该模型使用信息蒸馏块进行特征纹理信息的增强,并消除图像特征中的冗余信息。此外,使用相对平均鉴别器替代原始SRGAN中的二分类鉴别器,保证了GAN网络训练的稳定性。本文基于4倍放大因子的超分辨重建任务,在BSD100数据集上进行实验结果的质化评价和量化评价。实验表明,本文方法较之SRGAN在训练过程中具有更好的稳定性,生成的图像具有更清晰的细节纹理,取得了更佳的图像超分辨率重建效果。     

基于Contourlet的改进加权抛物线插值图像超分辨率算法

为了尽可能地保持图像的基本信息,提高图像的视觉效果和空间分辨率,提出一种基于Contourlet的改进加权抛物线插值算法.该算法增加加权抛物线插值的误差补偿项,利用Sobel算子设定插值点的边缘方向,得到初始放大图像.利用Contourlet提取高频成份,原始图像幅值增强充当低频部分,再经过Contourlet逆变换得到高分辨率图像.实验结果表明,相对于传统的图像放大算法,该算法考虑了全局相关性,得到了更加清晰的边缘信息.     

基于近邻嵌入逐级放大的图像超分辨率重建

针对基于近邻嵌入的图像超分辨率重建,提出带约束的逐级放大策略来提高近邻保持率,改进重建效果,并对各级放大的图像用迭代反向投影约束进行修正,减少学习过程中可能出现的误差,保证每一级的解向着正确的方向演化.此外,为充分利用测试图像本身的信息,将由测试图像得到的在线训练集与由训练图像数据库得到的离线训练集串联,构成联合训练集,进一步改进算法的性能.实验表明,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获得了更好的结果.     

基于局部像素嵌入的人脸图像超分辨率重构

利用像素点在邻域空间的线性嵌入关系作为先验约束来重构高分辨率(HR)人脸图像.算法从HR训练样本集中选择与输入人脸最相近的K个样本进行配准,并以配准后的样本作为参考,学习目标图像中像素点的局部嵌入系数.在学习过程中,算法通过自适应调整各参考样本的权重来减小配准误差的影响,并利用总变差最小化约束嵌入系数的平滑度.结合局部像素嵌入关系以及降质模型,算法可以在最大后验估计的框架下实现对目标人脸的超分辨率重构.实验表明,重建的HR图像拥有更加细腻、清晰的局部特征,其平均峰值信噪比和结构相似度分别比对比算法高出1.26dB和0.04.     

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.     

一种改进的局部线性嵌入超分辨率重建算法

提出了一种改进的局部线性嵌入超分辨率重建算法.该算法着重对局部线性嵌入超分辨率重建算法三个方面做了改进:特征选取,用图像块的DCT系数来取代图像块的l阶、2阶梯度作为图像块的特征描述,可以减弱噪声的影响;邻近块的数目,根据图像块与周围图像块的关系自适应的选取邻近块的数目,可以避免将距离较远的块选为邻近块;样本库的训练过程,用高分辨率图像与低分辨率图像的残差图像作为高分辨率图像的训练样本,这样既可以避免低频分量的干扰,又可以减少在计算过程中的平滑次数.实验结果表明这种改进的算法比原算法的重建效果有了较大程度的提高:PSNR提高4.07 dB,SSIM提高0.0654;比稀疏重建算法PSNR提高0.62 dB,SSIM提高0.0066,而且用DCT系数作为图像块的特征表示,每一个图像块所需要提取的特征数比用1阶、2阶梯度减少了四分之三,降低了算法的复杂度.     

图像超分辨率重建算法比较研究

针对超分辨率重建技术的基本理论以及研究现状给予了综述性研究,对当前的主要算法进行了比较分析.     

基于残差注意力机制的图像超分辨率算法研究

针对传统单幅图像超分辨率重建算法未能充分利用浅层特征信息,忽略视觉目标中的空间结构信息,难以捕捉特征通道与高频特征信息之间的依赖关系,重建图像出现伪影、边缘模糊的问题,提出一种基于残差网络和注意力机制的图像超分辨率重建算法。该模型特征提取部分结合WDSR-B(Wider Activation Super-Resolution B)残差网络增强特征信息在网络中的流通,通过坐标注意力机制对特征参数加权,引导网络更好地重建高频特征,恢复图像细节。实验结果表明,4倍图像重建下,在Set5和Set14测试集上的峰值信噪比(PSNR:Peak Signal to Noise Ratio)为31.00 dB、28.96 dB,结构相似性(SSIM:Structural Similarity)为0.893、0.854,重建后的图像在细节、轮廓方面均表现更好,优于其他主流超分辨率重建算法。     

改进生成对抗网络的图像超分辨率重建算法

超分辨率生成对抗网络(SRGAN)的高分辨率图像质量较传统方法有明显提升,然而其存在训练过程不稳定、图像浅层特征未充分使用等问题,很大程度上影响生成图像的质量.为此,提出一种特征增强改进的SRGAN模型,使用信息蒸馏块.通过对长短途特征在图像通道上的拼接增强特征纹理信息,利用压缩单元消除图像特征中的冗余信息.此外,使用相对平均鉴别器替代原始SRGAN中的二分类鉴别器,保证生成对抗网络训练的稳定性.本研究基于4倍放大因子进行超分辨重建任务,并在BSD100和SET14数据集上进行实验结果的质化和量化评价.实验表明,该方法较之SRGAN在训练过程中具有更好的稳定性,生成的图像具有更清晰的细节纹理,取得了更佳的图像超分辨率重建效果.     

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。     

基于CNN的中文字体图像超分辨率重构算法

提出一种针对中文字体生成图像的超分辨率字体重构方法,以提高字体图像矢量化的准确度.结合字体行业领域知识和图像处理技术将网络生成的9169个字体图像进行超分辨率重构,该方法联合优化了所有网络层,使用双三次插值将单个低分辨率字体图像放大到所需的大小,通过卷积神经网络(CNN)拟合非线性映射输出较高分辨率的字体图像.实验结果表明:提出的方法生成的字体分辨率更高,能更好辅助字体设计师进行字体设计.     

基于SVR的人脸图像超分辨率复原算法

本文针对目前大多数基于学习的超分辨率算法由于"分类算法"造成的"量化"误差的问题,提出了基于SVR的人脸图像超分辨率算法.算法首先分别提取训练库中高低分辨率图像块的高频信息和中频信息(差分高斯特征,DoG)作为建立回归关系的特征,依据它们的关系(并考虑人脸的特殊性)使用SVR建立起回归模型.在复原时,将待复原的低分辨率图像的中频特征输入已经建立的SVR回归模型得到需要的高频信息.通过对亚洲人脸库(亚洲人为主)IMDB和Yale人脸库(欧美人为主)的实验结果表明,本文提出的方法对亚洲人脸和欧美人脸都能取得了较好的复原效果,复原的图像在主观的视觉效果和客观的峰值信噪比上都取得较好的结果.     

基于学习的人脸图像超分辨率重构算法

提出了一种新的基于学习的人脸图像超分辨率重构算法,利用高分辨率图像和低分辨率图像的拓扑结构相似性,将现有的低分辨率人脸图像在低分辨率人脸图像字典中展开,在保持系数不变的同时将字典换为高分辨率人脸图像字典,最终得到待重构的高分辨率人脸图像.在系数估计时,使用主成分分析的方法,同时加入了最小全变分作为约束,算法充分利用了不同人脸图像之间的相似性和人脸图像本身的内部相关性.实验结果表明,结果既保持了对原有图像的忠实性,又比较适合人眼观察.     

基于显著性稀疏表示的图像超分辨率算法

提出了一种全新的基于视觉显著度和上下文稀疏分解的图像超分辨率算法。利用人眼视觉感知显著的区域往往趋向于高度结构化的特性,字典学习和稀疏分解过程中可以捕获更多细节特征。在字典学习部分,视觉显著区域提取出的图像样本用来训练显著字典。在先验模型的部分,由于视觉显著区域通常趋于高度结构化,基于上下文的稀疏分解被用来进一步探索相邻图像块之间的联系。实验结果表明,所提出的方法在性能上优于其他最新的方法,峰值信噪比(PSNR)增益最大。主观结果也显示,所提出的方法可以有效减少假影现象,并保持更多细节。     

变焦序列图像超分辨率重建算法研究

超分辨率重建技术已经在相当多的领域中被应用,并且已经引起计算机视觉,图形图像处理等领域研究者的关注,目前是国内外图像处理领域的研究热点.随着对各种退化模型的研究,超分辨率重建越来越多的集中在空间域中.着重研究了基于变焦图像序列的超分辨率重建算法.首先,提出变焦变换的退化模型.然后从LR(低分辨率)图像序列中选择一副图像,将其插值放大后的图像作为初始HR图像.接着,根据退化模型和计算出的特征匹配点对,计算出某一幅LR图像和HR图像之间的变换公式.通过该变换公式,将HR(高分辨率)图像变换为模拟LR图像.求得模拟LR图像与这幅实际LR图像之间的差值.当差值大于设定阈值时,则将差值反投影并叠加至HR图像上,由此更新HR图像.最后,分别对仿真变焦图像序列、实际变焦图像序列进行超分辨率重建.对重建后的结果,利用峰值信噪比、结构相似度和高频能量在总能量中所占比例这三种评判标准,从三个角度进行评价.最终,实验结果显示,重建方法对变焦图像序列能取得较好的重建效果.     

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.