基于稀疏表示和块匹配的图像超分辨率重建方法

针对图像的超分辨率重建问题,提出一种基于稀疏表示和块匹配的重建方法.首先,根据图像退化模型将HR图像退化成LR图像.然后,通过训练获得过完备字典,对图像重建问题进行稀疏表示,并对此进行求解.最后,利用重叠块技术缓解块效应,利用反向投影技术保证全局一致性,最终获得重建的HR图像.另外,将该方法扩展到多帧图像重建中,利用块匹配技术从多帧图像中选择出一个目标图像,以此实现重建.实验结果表明,该方法的重建图像具有较低的峰值信噪比.     

稀疏表示遥感图像超分辨重建

为获取地物信息更丰富、空间分辨率更高的遥感图像,提出了一种改进的稀疏表示遥感图像超分辨重建算法。对遥感图像预处理,得到所需训练样本图像;利用字典学习算法进行学习,得到遥感图像结构相似的高低分辨率字典对;对图像特征块进行稀疏表示时,采用改进的自适应滤波方法进行特征提取,同时引入均值滤波法改进超分辨重建迭代计算。实验结果表明,改进后的稀疏表示超分辨方法,有效地避免了重建图像边缘信息的丢失,获取了较好的超分辨重建效果。与当前最先进的稀疏表示超分辨算法相比,主观视觉上纹理细节信息更丰富,客观评价指标峰值信噪比提高约1 d B,结构相似性提高约0.02。     

运用压缩感知理论的图像稀疏表示与重建

讨论了压缩感知理论用于图像稀疏重建的基本流程. 采用正交匹配追踪重建算法和正交归一化的随机高斯测量矩阵,对离散余弦变换和离散小波变换两种稀疏表示算法进行分析比较,通过调节实验图像的分块大小和采样率大小、采样率和稀疏表示算法对重构效果和效率的影响. 在图像的稀疏表示方面,离散余弦变换整体上比离散小波变换性能更好. 为了在重构效果与效率之间取得平衡,需要合理选择分块大小和采样率.     

基于多组耦合字典及交替学习的图像超分辨率重建

本文提出多组耦合字典及其交替学习算法,实现图像超分辨率重建. 在字典学习阶段将训练图像视为高分辨率图像,将它先缩小再放大得到低分辨率图像. 两图像之差为残差图像. 从残差图像块和低分辨率图像块特征的联合数据中学习耦合字典,得到残差图像和低分辨率图像间的映射关系. 针对图像块具有不同纹理和结构以及
字典学习效率的问题,提出多组耦合字典和字典交替学习算法. 在重建阶段先将输入图像插值放大,视为低分辨率图像. 求出低分辨率图像块对于每组耦合字典中低分辨率部分的稀疏表示误差,取表示误差最小的耦合字典中残差部分重建残差图像,与低分辨率图像融合得到高分辨率图像. 实验结果表明该方法具有良好的重建效果.     

资源三号卫星影像超分辨率重建

研究了迭代反投影重建的方法与基于稀疏表示和字典学习的重建方法,将两种重建
算法首次用于资源三号三线阵影像数据的重建试验,并从亮度均值、峰值信噪比、信息熵和清
晰度等四方面对实验结果进行客观分析. 重建影像结果表明：基于字典学习和稀疏表示的重建
方法获得的资源三号重建影像效果优于迭代反投影方法.     

基于Curvelet稀疏表示的图像盲分离初始化

针对盲分离初始化问题提出一种基于Curvelet稀疏表示的图像盲分离初始化方法. 该方法充分利用信号Curvelet变换的稀疏特性,选取稀疏性最好的高频系数组,采用聚类方法估计聚轴中心,寻求混合矩阵估计值,实现对盲分离学习算法的初始化. 实验结果表明,该初始化方法能避免盲分离算法在收敛时陷入局部最小,加快收敛,并提高分离精度.     

基于学习的光学区域图像超分辨率重建算法的改进

针对基于学习的图像超分辨率重建存在着结果边缘模糊和速度比较低的问题,提出了通过将马尔科夫随机场运用到图像超分辨率重建,进行字典训练,随机选取训练图像块,并采用双三次插值方法放大图像颜色信息和图像的结构部分,将学习重建的图像和双三次插值得到的图像合并,得到最终结果。实验结果表明,运用峰值信噪比(Peak signal-to-noise ratio,PSNR)和结构相似性(Stractural similarity,SSIM)来客观评价图像重建效果,本文的算法重建图像效果较好,重建时间也有了一定的提高。     

基于卡尔曼滤波的序列图像超分辨率重建算法

针对给定一序列低分辨率图像重建出一序列高分辨率图像的问题,应用卡尔曼滤波理论,将时间轴加入重建算法,把利用多幅低分辨率图像生成高分辨率图像的模型转化为利用当前低分辨率图像和上一幅高分辨率图像来构建当前高分辨率图像.通过引入信息对的概念对算法运算复杂度进行改进.实验证明与已有算法相比该方法有较好的时效性和实用性.     

基于低秩和重加权稀疏表示的红外弱小目标检测算法

红外弱小目标检测技术是红外告警系统中的关键技术之一,但如何精确、快速、鲁棒地进行弱小目标检测依然是个难题。该文提出了基于低秩和重加权稀疏表示的红外弱小目标检测算法,设计了新的优化方程,更精确地描述了背景矩阵的秩,利用结构张量提取红外图像的局部先验信息权重,同时提取目标矩阵的自增强稀疏权重,使模型能够更好地抑制背景中的边缘干扰来提取目标。实验表明：所提算法精度优于现有的经典基线算法,速度超越了一些经典算法。从性能和时间两个方面综合考虑,所提算法有着较好的优越性,对远距离红外弱小目标告警具有积极的意义和良好的应用价值。     

CT图像重建算法的改进

CT图像重建算法是医学影像学的主要研究领域,然而CT图像重建时不可避免地存在噪声、伪影,因此,需要研究一种新的算法对CT图像进行去噪处理,进而重建出低噪声、高分辨率的CT图像。基于此,本文提出基于过完备字典稀疏的去噪模型,并运用于CT图像去噪,同时将基于低秩矩阵分解应用于CT重建,核心思想是利用CT图像投影矩阵的稀疏特性,提出了一种新的CT图像重建法,其重建过程分成2个步骤:一个是过完备字典稀疏法(K-SVD)进行图像去噪预处理,一个是低秩矩阵分解(LRMD)更新CT图像。结果表明,提出的方法能更好地保持图像细节,低秩矩阵的特性使得算法的复杂度得以降低,提出的方法具有较好的去噪效果,提高了重建图像的质量。     

基于流形的稀疏表示自适应字典实现及应用

传统的稀疏编码码本采用静态基元形式,限制了其泛化能力。将流形思想引入字典的学习过程,创新性地提出了动态基元稀疏编码方法。在学习稀疏基元时,同步计算基元对应的切方向可以确定,因此,提出了稀疏编码动态基元的表示与重构方法。将基于流形的图像自适应字典学习与重构方法用于图像恢复,实验表明所提方法增强了稀疏编码基元的泛化能力,比传统的图像恢复方法提升效果明显。     

基于小波域维纳滤波器的信号稀疏表示

经典小波分解对信号稀疏化效果不佳,为此设计了基于小波域经验维纳滤波器的稀疏表示算法. 该算法可自适应地衰减每个小波系数,增大系数的稀疏度及可压缩性,从而提高压缩感知算法对信号的恢复质量. 仿真结果表明,与传统的基于小波变换的信号稀疏表示及恢复算法相比,该算法较大地提升了对信号及图像的恢复质量.     

一种基于视频的超分辨率图像生成方法研究

随着手持视频设备的普及,如何为这类低分辨率应用环境提供一种生成高质量图像的方法是一个值得研究的问题.讨论了如何从低分辨率、低质量的视频中创建清晰的、高分辨率图像的方法.针对当前多图像超分辨率技术没有考虑运动估计和重要帧的权值等问题,提出了一个基于时间显著性、局部图像统计特征来计算图像像素权值的方法,以实现更好的图像融合.提出的基于重要性的计算框架,降低了低质量帧的影响,显著提高了有效成分的作用.     

超分辨率遥感图像在水土保持监测中的应用研究

简单介绍遥感技术现状及应用,探讨了遥感图像现有的不足之处,介绍了超分辨技术基本概念及在遥感图像中的应用,讨论了遥感图像超分辨率技术在水土保持监测工作中的应用与展望.     

融合全局和局部特征的稀疏表示人脸识别方法

针对人脸识别中如何提取到有效判别特征的问题,提出一种融合人脸图像全局和局部特征的稀疏表示人脸识别方法。首先将人脸图像用融合的特征提取算法进行特征降维,然后利用稀疏表示分类器对人脸图像进行分类判别。在ORL、Yale和FERET人脸数据库上的实验结果验证了融合算法在提高人脸识别精度方面是有效的。     

基于高斯低通滤波的超光谱遥感图像分类研究

在超光谱遥感图像的分类中,图像的类别可分性代表了图像的自然属性并决定了分类器能够达到的最优性能。在研究影响分类效果诸因素的基础上,提出了利用高斯低通滤波提高类别可分性的方法,在假设数据为多元正态分布的基础上,用Bhattacharyya距离衡量滤波前后样本集的类别可分性。在此基础上,构造了分类器,并进行了实际的分类测试。实验结果说明高斯低通滤波器能够提高类别可分性,因而能够提高分类精度。     

基于有约束CNMF的遥感高光谱多光谱图像融合

针对高光谱图像空间分辨率较低的问题,设计了一种基于光谱解混的高光谱、多光谱图像融合算法（VSC-CNMF）. 结合遥感图像的实际物理特性,在混合像元分解时加入端元单形体最小体积约束和丰度稀疏约束,通过光谱退化、空间退化和迭代解混,实现不同图像间端元和丰度的匹配,获得了具有高空间分辨率的融合图像. 仿真实验表明,VSC-CNMF可得到具有更高空间质量和光谱质量的融合图像.     

基于Shearlet域各向异性扩散和稀疏表示的图像去噪

为了更有效地去除图像噪声,同时更好地保留图像边缘细节信息,提出了一种基于shearlet 域各向异性扩散和稀疏表示的图像去噪方法. 首先对含噪图像进行非下采样shearlet 变换(nonsubsampled shearlet transform, NSST),将图像分解为低频分量和多个高频分量. 低频分量中包含图像信号的主要能量以及少量的噪
声,而高频分量中含有大部分噪声和图像边缘信息. 然后,利用K-奇异值分解(K-singular value decomposition,K-SVD) 算法去除低频分量中的噪声,各个方向的高频分量则通过核各向异性扩散(kernel anisotropic diffusion,KAD) 算法进行去噪. 最后,对处理过的低频分量和高频分量进行非下采样shearlet 反变换(inverse nonsubsampled shearlet transform, INSST),得到重构图像,从而有效地去除图像噪声,保留图像边缘细节. 实验结果表明,与小波扩散去噪法、shearlet 硬阈值去噪法、K-SVD 稀疏去噪法、小波域稀疏去噪法相比,该方法的去噪能力更强,并能更好地保留图像纹理细节特征,改善图像视觉效果.     

超分辨率图像重建技术

超分辨率重建技术就是由一些低分辨率变形图像(或视频序列)来估计一幅较高分辨率的非变形图像,同时还能够消除加性噪声以及由有限检测器尺寸和光学元件产生的模糊.超分辨率重建可以应用在遥感图像、医学成像、高清晰度电视标准和合成视频变焦等领域.