基于低分辨率图像自举和双重稀疏性字典训练的单幅图像超分辨率重构

该文结合Zeyde等人提出的低分辨率图像自举算法和双重稀疏性字典的训练方法,提出了一种新的单幅图像超分辨率重构方法。该方法在训练字典的过程中,首先对低分辨率训练样本图像采用自举算法进行超分辨率重构,然后将自举重构输出图像与低分辨率、高分辨率训练样本图像求差,并将两幅差值图像的小波分解系数作为样本数据源,训练具有双重稀疏性的字典对。文中详细讨论了结合低分辨率图像自举和双重稀疏性字典训练的单幅图像超分辨率重构算法框架,并通过实验比较证明,该文方法较其他方法具有更好的超分辨率重构效果。     

基于正交匹配追踪算法的急性运动超分辨率图像重构方法

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。     

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。     

基于多阶结构表示的超分辨率重构图像质量盲评价方法

为了客观地预测超分辨率重构图像的质量,提出了一种基于多阶结构表示的超分辨率重构图像无参考质量评价方法.利用多阶导数信息表示超分辨率重构图像的主要结构和细微纹理,并利用局部二值模式提取超分辨率重构图像的多阶结构特征;结合主观分数,利用随机森林回归训练图像质量预测模型,再利用模型预测待测图像的质量.为了证明该算法的有效性和...     

基于多尺度残差的数字图像超分辨率重建算法

针对目前数字图像采集传输过程中因受环境干扰出现低像素的图像,导致图像重建效果较差的问题,提出了基于多尺度残差的数字图像超分辨率重建算法。首先,采用双边滤波算法完成数字图像的去雾处理;其次,分类数字图像的亮度特征信息和色彩信息,采用距离阈值去噪方法分别对其进行去噪处理;并且设置多个尺寸的卷积核,将其引入图像特征提取过程中,获取数字图像特征,对其展开反向投影操作,在残差学习思想的基础上连接升采样和降采样过程提取的特征,实现数字图像超分辨率重建。实验结果表明,所提算法对图像重建的结构相似度高、峰值信噪比(PSNR:Peak Signal-to-Noise Ratio)高、重建效果好。     

一种基于L_(1/2)正则约束的超分辨率重建算法

为了提高重建图像质量,减少处理时间,提出一种基于L_(1/2)正则约束的单帧图像超分辨率重建算法.该算法在稀疏重建字典对训练阶段,为了有效提取低分辨率图像边缘、纹理等特征细节信息,采用小波系数单支重构方法对低分辨率图像进行特征提取;而在图像重建阶段,为了解决基于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L_(1/2)范数代替L1范数构建超分辨率重建模型,并且采用一种快速求解的L_(1/2)正则化算法进行稀疏求解.实验结果表明:与现有算法相比较,该算法在重建图像主观和客观评价指标、算法运行速度等方面均更优.     

基于多尺度特征融合的超分辨率重建算法研究

超分辨率重建技术可以提高图像质量,使原图像具有更丰富的细节信息。针对现有的超分辨率重建算法存在提取特征单一、不利于对图像信息进一步提取的问题,提出了一种基于多尺度特征融合的超分辨率重建算法。采用多特征提取模块获取更多浅层信息,并在网络中添加密集连接结构,增强特征的传播,减少相关参数计算,减轻梯度消失问题。在Set5和Set14基准数据集上进行了测试,并在电力巡检数据集上进一步验证了算法的有效性。与主流的超分辨率重建方法进行了对比,实验结果表明,该方法生成的图像有更加丰富的细节信息,能够有效地改善图像质量,峰值信噪比与结构相似度值较其他主流算法均有一定的提高。     

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。     

超分辨率重建算法综述

超分辨率重建是指由同一场景的低分辨率退化图像,运用相应的算法重建一幅清晰的高分辨率图像。然而,传统的基于插值、基于重建和基于学习的方法已很难获得进一步的突破。近年新兴的过完备稀疏表示是一种新的图像表示模型,它为解决超分辨率重建中的难点问题提供了新的思路。本文通过分析超分辨率技术的以往研究和最新进展,着重讨论了各算法在重构时的优缺点,并对未来超分辨率重建技术进行了展望。     

基于稀疏分解和预滤波处理的机载SAR图像超分辨率重建

提升图像分辨率一直是合成孔径雷达(Synthetic Aperture Radar, SAR)成像处理的一个重要方向。该文对低分辨率SAR图像受相干斑噪声影响导致超分辨率重建性能下降的问题进行了研究,提出了一种基于字典稀疏表示和预滤波的超分辨率重建流程。对低分辨率雷达图像的稀疏表示可以实现图像不同结构成分信息的分解,然后采用复数神经网络实现模糊核的校正以及预滤波,从而提升图像质量以及低分辨率SAR图像与超分辨率网络的匹配程度。通过上述处理流程可以避免更改网络训练设置的复杂操作,达到改善重建图像的性能,同时抑制了超分辨率网络对相干斑噪声的放大。实验验证表明,加入低分辨率SAR图像的预滤波处理步骤后,超分辨率网络的重构结果在视觉效果及客观指标上都获得了明显提升。     

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。     

基于改进SRResNet深度学习网络的低照度图像超分辨率重建方法

为解决低照度条件下低分辨率图像的超分辨率重建问题,提出一种基于改进超分辨率残差网络(super-resolution residual networks, SRResNet)深度学习网络的低照度图像超分辨率重建方法。通过将读取的图像下采样、亮度降低等处理生成低照度低分辨率图像,并将该图像与高分辨率图像作为数据对输入学习模型,以便改进SRResNet的训练数据对的生成方式,优化训练过程,从而构建面向单帧低照度彩色图像的基于改进SRResNet训练的超分辨率重建方法。实验结果表明：与现有流行的图像超分辨率重建方法相比,该方法的峰值信噪比(peak signal to noise ratio, PSNR)、结构相似性(structural similarity, SSIM)指标整体为最优,低照度环境下的超分辨率重建图像更为清晰明亮、细节更丰富,该方法训练出的深度学习网络的重建效果更好。     

单帧学习与多帧重建结合的超分辨率盲重建方法

针对模糊退化PSF未知的图像超分辨率重建问题,提出了一种以学习重建结果为参考的模糊图像PSF辨识与重建方法.对学习重建算法获得的退化图像的恢复结果,采用不同尺度的方向滤波提取恢复效果良好的强边缘区域构建参考信息块,引导最大后验概率框架下的超分辨率重建算法按照正确的PSF重建高分辨率图像.以散焦模糊图像为例进行超分辨率实验.实验结果表明,该算法能够准确辨识PSF,提升了图像重建的质量.     

利用对抗性边缘学习模型生成超分辨率图像

大部分基于卷积神经网络的图像超分辨率方法都是采用端到端的模式,这类图像超分辨率方法往往存在重构图像纹理边缘模糊、高频信息缺失的问题.为了改善该问题,在SRGAN(super-resolution generation adversarial networks)的基础上提出了一种基于对抗性图像边缘学习的深层网络模型,将图像边缘信息得到充分利用,来引导超分网络生成更加真实的高分辨率图像.该网络模型由两个生成对抗网络所组成,首先利用一个生成对抗网络来生成低分辨率图像所对应的高分辨率边缘特征图,然后再用高分辨率边缘特征图来约束和引导第二个生成对抗网络,使之重构出来的高分辨率图像纹理边缘更加清晰,更好地恢复图像边缘的高频细节.在Set5、Set14、BSD100、Urban100和Manga109基准测试集上的实验结果表明该算法重构出的高分辨率图像更加接近真实的图像,在峰值信噪比、结构相似度和感知指标上都有不错的表现.     

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.     

基于块对称对叠的多幅图像超分辨率重建算法研究

在进行图像超分辨率重建时,使用多幅图像比使用一副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,本文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,本文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。     

基于流形学习和梯度约束的图像超分辨率重建

将改进的基于流形学习的超分辨率重建与基于梯度约束的正则化重建结合起来,提出一种新的单帧图像超分辨率重建算法.该算法首先针对基于流形学习的超分辨率重建,提出新的特征提取方法,联合归一化亮度与平稳小波变换细节子带系数两个特征矢量,提高重建性能;然后将学习得到的高分辨率图像作为初始估计,将其梯度作为目标梯度域,进行基于梯度约束的正则化重建,得到最终的高分辨率图像.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具有较好的重建性能.