一种基于多尺度结构自相似性的图像超分辨重建算法

多尺度结构自相似性是指图像中存在大量相同尺度以及不同尺度相似结构的性质。本文提出一种基于多尺度结构自相似性的超分辨率重建算法,该方法通过图像旋转和金字塔分解将输入图像的先验信息附加到训练库中,并对样本图像块聚类,分别训练针对各类的多个字典。在图像重建阶段,自适应选择最优字典,并利用相似图像块间的关系建立非局部约束项重建图像。最后利用迭代反投影算法进行图像后处理,进一步提升图像的超分辨率重建效果。实验结果表明,与SCSR、SISR和ASDS算法相比,本文算法能够取得边缘更为清晰的超分辨率重建效果。     

一种基于多尺度结构自相似性的图像超分辨率重建算法

多尺度结构自相似性是指图像中存在大量相同尺度,以及不同尺度相似结构的性质。提出一种基于多尺度结构自相似性的超分辨率重建算法;该方法通过图像旋转和金字塔分解,将输入图像的先验信息附加到训练库中;并对样本图像块聚类,分别训练针对各类的多个字典。在图像重建阶段,自适应选择最优字典;并利用相似图像块间的关系建立非局部约束项重建图像。最后利用迭代反投影算法进行图像后处理,进一步提升图像的超分辨率重建效果。实验结果表明,与SCSR、SISR和ASDS算法相比,算法能够取得边缘更为清晰的超分辨率重建效果。     

图像的多尺度稀疏分解及其在遥感图像融合上的应用

提出了一种图像多尺度稀疏分解的新方法,联合局部离散余弦变换基和曲波变换基组成分解字典,通过控制字典系数从多个尺度把二维图像稀疏分解为纹理成分和卡通成分,并以此应用到遥感图像融合,提取有效尺度下高分辨率全色遥感图像的纹理成分和多光谱遥感图像的卡通成分,对二者进行稀疏重建得融合图像.实验结果表明,多尺度稀疏分解的遥感图像融合方法优于经典融合方法,融合结果具有更高的空间分辨率和更低的光谱失真,相比流行的稀疏重建法,该方法的执行速率得到大幅提升,且取得了更好的融合结果.     

非下采样Contourlet变换耦合锐度制约的遥感图像融合

当前多数遥感图像融合算法主要是依靠比值法选取全色图像或多光谱图像中的其中一个高频子带作为高频融合系数,忽略了另一个高频系数所包含的信息,易导致融合图像出现模糊以及光谱失真等不足.对此,本文提出了基于非下采样Contourlet变换与锐度制约模型的遥感图像融合算法.通过亮度-色调-饱和度(IHS)变换,获取多光谱图像的I,H,S分量,利用非下采样Contourlet变换对多光谱图像的I分量以及全色图像进行多尺度精细分解,得到相应的低频子带与高频子带;利用像素点邻域的像素值之差构造锐度制约模型,完成低频子带的融合.考虑多光谱图像中I分量与全色图像的高频子带特征,构造高频子带融合模型,完成高频子带的融合;将融合后的高频子带与低频子带通过非下采样Contourlet逆变换,输出融合图像的亮度分量珔I,将珔I与H,S分量进行IHS逆变换,形成最终的融合图像.仿真实验显示,与当前遥感图像融合方法相比,所提方法的融合图像具有更高的视觉质量,可保留更多的光谱以及边缘等图像细节信息.     

基于多层级跨模态特征融合的深度图重建算法

针对稀疏深度图像的重建问题,提出了一种基于深度学习的多层级跨模态特征融合的深度图重建算法.利用卷积神经网络对彩色信息和稀疏深度信息分别编码并在多个尺度下进行自适应融合,在解码阶段通过残差学习进一步细化重建结果.模型通过复用深度编码支路的短路连接引导特征上采样,输出初始深度图,同时复用彩色编码支路提取的丰富语义特征,将多个尺度下输出的上采样特征图进行金字塔迭代上采样,进而学习与最终重建结果的残差,提高了重建结果的质量.在NYU-Depth-v2和KITTI数据集上的实验结果表明：本文方法与现有的主流方法相比,具有较好的深度图重建性能,同时在视觉比较上生成了更为锐利的深度边界.     

基于改进的邻域嵌入算法的图像超分辨率研究

本文提出了一种基于改进的邻域嵌入算法的图像超分辨率重建方法,基本思路是同时利用低分辨率图像自身和外部训练集的信息指导高分辨率图像的重建.邻域嵌入算法往往要求训练图像库包含广泛的细节信息,重建质量取决于测试图像和训练图像的相似程度,当在图像库中找不到相似的训练图像块时,重建结果局部就会出现失真或模糊,而且在此过程中低分辨率测试图像本身所含的先验信息常被忽视.针对此类问题,本文引入图像的多尺度相似性,即不同尺度的图像所包含的局部结构相似,同时在寻找近邻图像块时采用双层寻找的方式,并将固定的邻域数目K改为设定固定阈值.实验结果表明,本算法不仅能够减小测试图像对训练图像集的依赖,而且能够克服重建过程中欠拟合和过拟合造成的失真,具有较快的运行速度.     

基于鲁棒自适应归一化卷积的遥感图像融合算法

针对当前遥感图像融合中容易出现光谱信息失真和边缘细节丢失的问题,提出一种基于鲁棒自适应归一化卷积的全色与多光谱图像融合算法.该方法基于归一化卷积思想,利用投影到子空间的局部信号逼近技术对不规则采样数据进行高分辨率图像重建,自适应归一化卷积中使用的窗函数通过对更多相同意义的样本进行分组,有助于改进分析和提高信噪比,减少不连续面的扩散.实验结果表明,相对于其他优秀融合方法,本文方法更具优势,能够更好地重建光谱信息和保留边缘细节.     

基于结构相似性的多传感器图像融合

采用SCDPT变换对图像进行多尺度、多方向分解,得到图像不同尺度、不同方向的频带系数.然后对低频子带系数采取基于结构相似性(SSIM)、区域能量和区域平均梯度的融合规则,对方向子带系数采取基于SSIM和区域方差的融合规则.最后通过SCDPT逆变换得到融合图像.采用信息熵、平均梯度、互信息、边缘强度、均值等作为客观评价指标,实验结果表明,相对于小波变换、拉普拉斯金字塔变换、梯度金字塔变换,所提出的算法能够充分提取图像特征,具有更灵活的方向性和平移不变性,并且能够准确捕获图像轮廓特征信息和纹理细节信息.融合结果优于大部分基于其他多尺度变换的图像融合算法.     

基于对比学习的单幅图像去雾算法

现有的图像去雾算法,只采用了清晰图像来指导去雾网络的训练,而没有利用模糊图像,从而造成去雾不彻底,细节信息不完整的问题。为此提出了一种对比正则化的方法,利用模糊图像和清晰图像共同指导去雾网络的训练。对比正则化保证恢复后的图像信息向清晰图像方向靠近,远离模糊图像的方向。此外提出一种新的金字塔通道的特征自适应融合网络。该网络包含3个部分：三尺度特征提取网络、特征自适应混合模块(PCFM)和图像重建模块。三尺度特征提取模块同时捕捉不同尺度特征。金字塔结构和特征自适应融合操作,有效地提取相互依赖地特征,并以金字塔的方式有选择性地聚集更重要的特征。图像重建模块用于重建特征,恢复清晰的图像。实验结果表明,与现有的经典去雾算法相比,客观评价指标：峰值信噪比(PSNR)和结构相似性(SSIM)都得到了提升,并改善了去雾不彻底和颜色失真的现象。     

一种基于HSI和小波变换的遥感图像融合方法

在对同一地区低分辨率的多光谱图像与高分辨率的全色图像的融合中,单独采用传统的HSI(hue-saturation-intensity)图像融合方法会出现颜色失真问题和传统的小波融合中存在分块模糊现象.为了改进融合效果,本文提出了一种新的融合方法,将HSI和小波变换进行有机结合,首先通过HSI变换获得多光谱图像的亮度成分,采用改进的基于主分量分析方法的融合规则将它与全色图像进行小波融合,得到新的亮度分量.将新的亮度分量进行增强处理后,进行HSI逆变换获得最终融合图像.实验结果证明,该方法不但提高了融合图像的空间分辨率,突出了目标的特征信息,而且更好地保留了原有多光谱图像的光谱性质.     

基于卷积神经网络的图像超分辨率方法研究

结合认知构架ACT-R模型(Adaptive Control of Thought-Rational),基于邻域嵌入算法和深度学习的图像超分辨率重建方法,构建一个应用于超分辨率重建研究的ACT-R研究模型.在匹配阶段,根据低分辨率(Low Resolution,LR)测试图像的结构和内容特征,运用图像的多尺度相似性和非局部相似性,对图像进行特征提取;在选择阶段,把邻域嵌入算法分为两层,进行邻域图像块的寻找,同时构建一个端到端的深层门限卷积神经网络,把从匹配阶段得到的高分辨率无细节小图像块输入到卷积神经网络中并得到输出图像,将输出图像与高分辨率无细节小图像块相加得到该低分辨率小图像块对应的高分辨率小图像块,最后把高分辨率图像块组合成高分辨率(High Resolution,HR)图像.决策阶段,我们进行实验并与其他方法对比.结果表明,该模型对单帧图像具有良好的重建能力,在视觉效果上和客观评价标准上都取得了不错的效果,能够较好的重建低分辨率图像.     

基于IHS变换和主成分变换的遥感影像融合

针对IHS变换融合影像时存在较严重的光谱失真现象,利用主成分变换对IHS变换法进行了改进.新方法首先对多光谱影像做IHS变换得到亮度I,色度H,饱和度S三个分量,然后用I分量和高分辨率全色影像做主成分变换,并提取第一主分量,并以I为标准进行直方图匹配;将匹配后的影像与H,S进行IHS反变换得到新的多光谱图像.主观视觉分析和客观参数表明,该方法不仅很好的保留了影像的光谱信息,而且兼顾了地物细节能力的表达.     

基于特征金字塔模型的高分辨率遥感图像船舶目标检测

以舰船为研究对象,研究高分辨遥感图像的多尺度多目标检测中的关键技术,主要解决多尺度多目标识别和细粒度分类准确率低等问题.在目标定位方面,利用特征金字塔深度网络定位多目标区域,创建一个在所有尺度上均具有语义信息的特征金字塔,有效解决多尺度多目标数据定位准确率低这一关键问题;在目标识别方面,利用共享CNN网络重建输入图像、优化多任务损失函数提取细粒度分类目标结构特征,提高细分目标识别准确率.与GoogLeNet、Faster R-CNN和Yolo三种目标检测算法对比实验表明,利用特征金字塔和重建输入图像可有效检测多目标多尺度的细粒度船舶对象,漏检率为1.5%,细粒度分类识别平均准确率为92.67%.     

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.     

基于多视点多尺度的轮廓畸变图像仿真方法

针对目标成像中出现的尺度变化和轮廓畸变等问题,提出了飞机目标的多视点多尺度轮廓畸变图像仿真方法.采用MultiGen建立目标的精确三维模型,先通过高斯球仿真其不同视点图像,然后由多视点原始级别图像轮廓通过高斯金字塔进行模糊降分辨率处理,最后对不同尺度图像轮廓叠加不同强度的高斯噪声.仿真试验结果表明,该方法生成的图像能逼真地模拟实际图像,可作为ATR系统性能测试所需实验数据.     

基于非子采样Contourlet变换的多聚焦图像融合方法

非子采样Contourlet变换(NSCT),是针对Contourlet变换的一些局限性进行了改进,可以对图像进行灵活的多尺度、多方向和平移不变性分解.提出了一种基于NSCT的多聚焦图像融合方法.首先对多聚焦图像进行NSCT变换;然后对变换得到的低频分量系数采用改进的加权平均融合规则进行融合处理,对高频分量的最高层和其它层系数分别采用绝对值最大和改进的区域方差融合规则进行融合处理;最后重构图像得到融合结果;并给出了实验结果.对结果的分析比较表明,所提出的融合规则的效果优于常用的融合方法和参考文献的融合方法.     

基于DWT的多尺度分块变采样率压缩感知图像重构算法

利用压缩感知理论改善图像重构的质量是目前图像处理技术研究的焦点。通过DWT域对图像每级分解时的每个子带中应用分块采样并结合平滑投影Landweber重构算法,提出一种多尺度分块变采样率压缩感知图像重构算法。比较BCS-SPL和TV以及多尺度GPSR图像处理算法,文中提出的算法使重构的图像质量提高了1～3 dB。     

一种高分辨率多光谱图像的多尺度分割方法

综合扩展的分水岭变换和分水线动态范围,提出了适用于高分辨率多光谱图像的多尺度分割方法。该方法首先计算多光谱图像的梯度,接着去除梯度图像上不相关的局部最小区域,然后计算分水岭的动态范围,通过设置不同的阈值,得到多层次（多尺度）分割结果。采用城市地区的高分辨率数据来评价所提出的方法,并与现有的图像分割方法进行比较。实验结果表明,该方法可生成多层次的分割结果,并较准确地分割出地物特征。分割结果反映了地物的多层次信息,为后续的面向对象分析提供了有意义的参考。     

基于双CMOS的多光谱成像系统设计研究

传统摄影术所记录和复制的图像数据颜色是基于同色异谱原理的颜色复制技术,虽然能够提供高分辨率的图像,但是由于同色异谱现象,不能实现颜色的真实复制.文章利用多光谱成像技术,设计一个多光谱成像系统,根据系统对目标的数字响应,采用适当的算法,来重建其光谱维信息.     

IHS变换域的遥感图像NSCT融合算法

针对非采样Contourlet变换(NSCT)在多光谱图像与全色图像融合时复杂度较大的问题,提出一种IHS变换域的多光谱图像与全色图像NSCT融合算法.该算法首先对多光谱图像进行IHS变换,然后再将强度分量图像与全色图像进行基于NSCT的融合,得到新的强度分量,最后再做IHS逆变换得到融合图像.实验结果表明,将IHS变换与NSCT相结合,有效地减少了融合计算量.另外与小波变换、Contourlet变换、NSCT等多分辨率分析的遥感图像融合算法相比,该算法还有效地减少了融合图像的光谱扭曲,提高了融合图像的视觉效果.