基于BP神经网络的超分辨率图像重建

针对卫星图像成像过程中成像装置存在极限,导致图像分辨率低的问题,提出了基于神经网络的图像超分辨率重建(neural networks super-resolution reconstruction,NNSR)方法。该方法利用误差反向传播神经网络(back propagation neural networks,BPNN)对样本图像进行学习和训练,利用图像退化模型获取学习样本,采用向量映射加速BP神经网络的收敛,充分融合了低分辨率序列图像中的冗余信息。通过对训练好的神经网络分别进行样本仿真实验和泛化实验,验证了这种图像超分辨率重建方法的有效性。     

一种改进的SRGAN红外图像超分辨率重建算法

针对红外图像分辨率偏低的问题,设计了一种改进的超分辨率生成对抗网络(Super-Resolution Using a Generative Adversarial Network,SRGAN)算法.在生成网络中,提出应用残差密集网络获取各网络层提取的图像特征以保留图像更多的高频信息,并采用渐进式上采样方式以提升大缩放因...     

基于生成式对抗网络的发票图像超分辨率研究

发票自动识别可有效提高财务工作效率.为避免低分辨率的发票图像影响自动识别的准确性,提出了一种用于对发票图像进行超分辨率处理的ESRGAN (Encoder Super-resolution Generative Adversarial Network)网络.ESRGAN网络是基于带条件的生成式对抗网络,设计了辅助编码器...     

基于多重稀疏表示的声纳图像超分辨率重建方法

提出一种基于多重稀疏表示的声纳图像超分辨率重建方法。该方法针对声纳图像的光滑、边缘和纹理3种结构形态,分别利用离散平稳小波变换、contourlet小波变换和Gabor小波变换建立过完备字典,并对多重稀疏表示的声纳图像进行超分辨率重建。实验结果表明,该方法得到的超分辨率图像能够有效保持原始高分辨率图像的几何特征和纹理特征,可以得到更高的峰值信噪比,并且对噪声具有鲁棒性。     

稳定增强生成对抗网络在壁画的超分辨率重建

针对古代壁画分辨率低、纹理细节模糊不清导致壁画观赏性不足和研究价值不高的问题，提出了一种稳定增强生成对抗网络的超分辨率重建算法（stable enhanced super-resolution generative adversarial networks, SESRGAN）。以生成对抗网络为基础框架，生成网络采用密集残差块提取壁画特征，使用VGG（visual geometry group）网络作为判别网络的基本框架判断输入壁画的真假，引入感知损失、内容损失和惩罚损失三个损失共同优化模型。实验结果表明，与其他相关的超分辨率算法进行比较，峰值信噪比平均提高了0.4~2.62 dB，结构相似性提高了0.013~0.027，主观感知评估也有提高。     

基于稀疏表示的图像超分辨率重建快速算法

基于图像在过完备字典下的稀疏表示,建立了稀疏性正则化的多帧图像超分辨凸变分模型。模型中的正则项刻画了理想图像的稀疏性先验约束,保真项度量其在退化模型下与观测图像的一致性。基于线性化Bregman方法,将正则项替换为其Bregman距离,对保真项进行线性化,从而可将原问题解耦,进而提出求解该模型的两步迭代算法:第一步为仅对正则项的阈值收缩操作,第二步为仅对保真项的梯度下降操作。此方法大幅度降低了计算复杂性,并能够对噪声保持鲁棒。实验结果表明,只需较少次数的迭代就可获得很好的超分辨重建结果,验证了本文模型与算法的有效性。     

基于盲均衡的超分辨率图像重建

超分辨率图像的重建是指从一组低分辨率图像重建出更高分辨率的图像。提出采用盲均衡与凸集投影的方法估计成像系统的冲激响应 ,并实现超分辨率图像的重建。这种图像重建算法不需要了解关于帧间运动模式与帧内模糊类型的先验知识 ,因而更接近实际应用的要求。模拟实验的结果表明了该算法的良好性能     

二阶逐层特征融合网络的图像超分辨重建

针对一些超分辨网络忽略了对网络各层次特征的复用以及融合的问题,构建了具有较强特征复用和融合能力的二阶逐层特征融合超分辨网络,以获得具有高分辨率、高保真度的重建图像。网络的核心是逐层特征融合模块,该模块通过特征融合操作增强特征的重用。此外,还提出了二阶特征融合机制,该机制在网络的局部和全局层次上采用逐层特征融合方法进行特征融合。实验结果表明该网络的重建图像在线条和轮廓上更清晰,并且在峰值信噪比和结构相似度上也取得了更好的结果。例如当缩放尺度因子为2时,各测试集上的峰值信噪比/结构相似度依次为38.20 dB/0.961 2、33.81 dB/0.919 5、32.28 dB/0.901 0、32.65 dB/0.932 4、39.11 dB/0.977 9,相比其他模型有一定提升,从客观标准和主观角度证明了二阶逐层特征融合超分辨网络具有一定的优越性。     

超完备稀疏表示的图像超分辨率重构方法

为改善单帧退化图像的分辨率,提出一种基于超完备字典稀疏表示的图像超分辨率重构方法。该方法的核心是构建信号自适应的超完备字典对及计算图像关于对应字典的稀疏表示。为降低在训练过程中构建超完备字典对的复杂性,采用学习低分辨率字典而数值计算高分辨率字典的方法,待超分辨图像应用正则正交匹配追踪的稀疏表示算法求解关于字典的稀疏表示,并联合高分辨率字典实现超分辨率重构。实验表明,该方法与其他类似算法相比,字典训练和超分辨测试的速度都有显著提高,实验图像的峰值信噪比改善3.3 dB,框架相似性提高0.09。本方法可应用于单帧模糊图像的高倍率的超分辨率重构,有效地提高了图像的分辨率水平。     

基于联合聚焦/超分辨贝叶斯模型的雷达目标超分辨重建

针对合成孔径雷达(synthetic aperture radar, SAR)、逆合成孔径雷达(inverse SAR, ISAR)等雷达目标图像,提出了一种基于联合聚焦/超分辨贝叶斯模型的超分辨重建方法。该方法基于联合聚焦/超分辨和点扩散函数参数模型,采用Metropolis-Hastings迭代更新算法,产生一系列描述目标散射截面和散焦参数概率分布特征的样本,从而估计出最佳目标散射截面元和散焦参数,实现低分辨率图像的超分辨重建。以合成与实测图像数据为例,对该超分辨方法进行了演示并给出了重建结果。实验表明,本文提出的方法对雷达目标图像重建效果良好,可用于SAR、ISAR及实波束成像等雷达图像目标信息的开发。     

基于稠密残差块与通道像素注意力的图像去雾网络

为解决复杂的室外图像进行去雾，依然会有雾气残留，甚至出现颜色失真和纹理丢失问题，提出一种基于稠密残差块与通道像素注意力的图像去雾网络，利用稠密残差块对有雾图像进行特征提取和融合，用带通道像素注意力机制的修复模块对特征图进行颜色和纹理上的修复。实验结果表明：该方法在客观评价指标和主观视觉质量上都有明显提升，有效避免了去雾过程中的颜色失真、纹理丢失和雾气残留问题。     

Super-resolution image reconstruction based on three-step-training neural networks

A new method of super-resolution image reconstruction is proposed, which uses a three-step-training error backpropagation neural network (BPNN) to realize the super-resolution reconstruction (SRR) of satellite image. The method is based on BPNN. First, three groups learning samples with different resolutions are obtained according to image observation model, and then vector mappings are respectively used to those three group learning samples to speed up the convergence of BPNN, at last, three times consecutive training are carried on the BPNN. Training samples used in each step are of higher resolution than those used in the previous steps, so the increasing weights store a great amount of information for SRR, and network performance and generalization ability are improved greatly. Simulation and generalization tests are carried on the well-trained three-step-training NN respectively, and the reconstruction results with higher resolution images verify the effectiveness and validity of this method.     

基于漫水填充的图像骨架提取方法

针对当前图像骨架提取存在毛刺现象和骨架冗余的问题,提出基于漫水填充的图像骨架提取方法。对目标图像预处理,得到阈值化二值图像,分割出前景和背景;构建掩模图像和轴线图,为后续运算过程提供数据来源和判断依据;通过遍历水平面灰度直方图,模拟漫水过程,收缩掩膜图像的前景轮廓,根据邻域连通分量变化,确定是否为骨架特征点,待轮廓收缩完毕,得到图像骨架。实验验证表明,该方法可以有效地提取图像骨架,毛刺现象和冗余结构明显减少,执行速度快。     

基于卷积神经网络及有限元仿真的电容层析成像图像重建

为求解电容层析成像(electrical capacitance tomography,ECT)图像重建非线性病态逆问题,提出基于一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)的电容层析成像图像重建算法.通过1D CNN建立了ECT系统独立测量...     

基于稀疏编码的自然图像特征提取及去噪

主要讨论稀疏编码在自然图像统计特性中的应用，利用稀疏编码实现图像的特征提取以及消除图像中的高斯噪声。丈中利用双梯度算法对自然图像的基向量进行迭代学习。实验表明，提取的基向量在时域和频域上都有方向性和局部性。与小波收缩法相比，稀疏编码法提取的特征要优于小波法提取的特征。对特征提取的实际应用，就是利用稀疏编码收缩法对图像消噪，并通过仿真实验证明稀疏编码收缩法去噪效果要优于任何低通滤波方法。     

基于灰度指纹图像的指纹特征提取算法研究

一种全新的直接从灰度指纹图像中提取指纹特征点的算法，该算法不需要像常见的特征点提取算法那样需要非常耗时的滤波和细化过程，而是首先对指纹图像进行规格化探作；其次定位到离指纹图像中心最近且未处理过的脊线上，再沿该条脊线搜索到侯选特征点为止，然后再根据判断条件判定候选特征点的真伪；最后对该条脊线的所有像素点进行标记；依此方法，逐条处理其他脊线。经算法实现验证，该算法明显比传统算法运算速度快。     

基于粒子群算法的图像相关反馈研究

在浩如烟海的图像库中按用户的需求去搜索图像,传统的做法是基于图像的视觉低层特征进行检索。但是由于视觉低层特征与高层语义之间存在语义鸿沟,因此检索结果往往不尽如人意。研究者发现,将相关反馈技术引入图像检索中则能提高系统的检索性能。提出将粒子群优化算法(Particle Swarm Optimization)[1]引入基于内容的图像检索之中,通过用户对检索结果进行评价,系统通过学习来动态修改各特征的权值,从而达到模拟人类的思维,提高图像检索系统的检索性能,并通过实验证明该算法的可行性和有效性。     

一种基于PC的快速三维图像重建方法

主要从传统FDK算法的改进和数据并行计算两方面来研究快速三维图像重建算法,提出了一种Z线优先重建法,能够有效地组织和划分重建数据,从而使得对重建数据的内存访问非常连续,便于采用单指令多数据(Single Instruction Multiple Data, SIMD)技术进行数据并行处理。最后基于Intel Pentium 4 CPU的PC平台,利用SSE/SSE2技术开发了三维图像快速重建引擎。实验结果表明本文提出的方法非常有效,与原始重建算法相比,在保证图像质量不受损失的前提下取得了20倍以上的重建加速比。     

基于神经网络的图像描述方法研究

自动识别和描述图像的内容是人工智能中一个重要的研究方向,它涉及计算机视觉和自然语言处理技术。针对这一难题,提出了一种由深层神经网络模型生成自然语言句子来描述图像内容的方法。该方法提出的模型由卷积神经网络(Convolution Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)组成,其中,CNN用来提取输入图像的特征生成固定长度的特征向量,该特征向量初始化RNN来生成句子。在MSCOCO图像描述数据集上的实验结果表明了该模型所生成句子的语法准确性和语义准确性,且优于先前的基线模型。