输电线红外图像超分辨率复原方法

针对因相机抖动而影响输电线红外图像超分辨率复原效果的问题,提出结合SIFT(Scale Invariant Feature Transform)特征配准信息对低分辨率的输电线红外图像进行超分辨率复原.以4个相邻图像帧为例,首先选定一帧作为参考帧,将其他3帧与该帧图像进行SIFT特征配准,配准过程为特征点检测与初配准、RANSAC (Random Sample Consensus)去除误配准点和图像重采样.然后,对参考帧与图像重采样后的3帧图像进行超分辨率复原.实验结果表明,该算法与传统的超分辨率复原算法相比,重影率下降41％,具有更好的超分辨率复原效果.     

基于特征补偿的深度神经网络重建超分辨率图像

为有效恢复图像的高频信息,本文提出一种基于特征补偿的深度神经网络重建超分辨率图像方法.该方法结合密集型深度卷积神经网络和残差网络,并将原图像的高频信息单独提取上采样后与重建后的超分辨率图像融合形成高频特征补偿,使得图像质量提升.通过实验对比,本文算法相比于SRCNN算法重建出的超分辨率图像效果提升约1 db.     

全局重建和位置块残差补偿的人脸图像超分辨率算法

针对传统基于学习的人脸图像超分辨率算法存在高频细节信息损失过多问题,提出一种全局重建和位置块残差补偿相结合的人脸图像超分辨率新算法.首先利用高、低分辨率训练集所有样本,使用基于权值学习的全局重建算法得到初步的人脸图像,再结合图像模糊和下采样过程,产生高、低分辨率残差图像训练集,最后使用基于位置块的残差补偿算法,对初步的人脸图像进行高频细节补偿得到最终结果.对比实验结果表明,相比同类基于学习的人脸图像超分辨率算法,在将人脸图像分辨率提高4×4倍的情况下,新算法的平均峰值信噪比可提高0.65～3.55dB,可以更好地重建出局部高频细节信息.     

基于深度学习的图像超分辨率重建方法综述

图像超分辨率重建(super-resolution, SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在目标检测、医学成像和卫星遥感等领域都有着重要的应用价值.近年来,随着深度学习的迅速发展,基于深度学习的图像超分辨率重建方法取得了显著的进步.为了把握目前基于深度学习的图像超分辨率重建方法的发展情况和研究热点,对一些最新的基于深度学习的图像超分辨率重建方法进行了梳理,将它们分为两大类(有监督的和无监督的)分别进行阐述.然后,在公开的数据集上,将主流方法的性能进行了对比分析.最后,对基于深度学习的图像超分辨率重建方法进行了总结,并对其未来的研究趋势进行了展望.     

校园航拍图像超分辨率重建的粒计算方法

提出了校园航拍图像超分辨率重建的粒计算方法,包括:(1)提出了图像粒化方法,实现图像空间向粒度空间的转化;(2)设计粒之间合并运算和分解运算,构造粒之间的模糊包含关系μ和σ,实现不同粒度空间之间的转化,获取图像的先验知识,指导校园航拍图像超分辨率重建算法的设计;(3)根据自顶向下、自底向上两种模式和图像先验知识,设计校园航拍图像超分辨率重建粒计算算法,实现粒度空间向图像空间的转化.实验验证了提出方法的可行性.     

一种MRF-MAP框架下的图像超分辨率重建方法

基于多帧观察样本的超分辨率图像重建是超分辨率图像重建研究中的重要方向.在马尔科夫随机场最大后验概率(MRF-MAP)框架下研究了多帧图像的超分辨率重建问题.根据给定的空间图像退化模型建立了超分辨率重建的二阶能量函数,并利用α-expansion图切算法对能量函数进行求解.考虑到α-expansion算法的规范性要求,将能量函数进行近似.针对二阶能量函数的图切算法,讨论了s-t图的构造,给出一种节点的分配方法以及t-link和n-link的赋值方式,以提高图切算法的计算效果.通过对两种类型的图像进行超分辨率重建的对比实验,表明该方法具有较好的去噪及重建效果.     

一种基于扩散驱动先验技术的图像超分辨率重构方法

当输入图像因污迹、噪声和采样而严重退化时,目前基于Papoulis-Gerchberg(PG)算法的大多数超分辨率方法表现不佳.因此,提出了一种基于扩散驱动先验和PG算法的超分辨率方法,能够在提高图像分辨率的同时,估计缺失的高频分量.首先提出了一种新型扩散驱动平滑的先验,能够在平坦和轮廓区域之间自动平衡作用,确保正则化水平以产生清晰图像.然后,将PG算法引入到迭代过程中,以估计重构场景中缺失的小规模特征.实验结果表明,相比现有的超分辨率方法,提出方法的峰值信噪比和结构相似指数结果更高,重构图像更加清晰且无伪影.     

基于正则的POCS无源毫米波超分辨率重建

针对无源毫米波图像普遍存在分辨率不高的问题,提出一种基于正则化技术的超分辨率重建方法.在具体的成像模型基础上,对获取的无源毫米波图像序列进行基于正则的凸集投影(POCS)处理.将正则化条件作为POCS的一个凸约束,使得到的高分辨率图像在平滑噪声的同时能很好地保护图像的纹理细节.实验结果表明,该方法还可以提高图像的分辨率,是一种较好的无源毫米波超分辨率重建方法.     

保细节自适应超分辨率融合算法

超分辨率融合是把配准好的低分辨率图像信息进行综合,形成高分辨率栅格上的均匀采样．为了改善图像超分辨率融合效果,对鲁棒超分辨率融合算法进行改进分析图像局部模式,给出角点和连接点的识别方法,进而设计了保细节自适应适用度函数,提出了保细节自适应超分辨率融合算法实验结果表明,算法不仅对配准误差具有鲁棒性,而且能很好地保存图像的边缘和细节特征,提高了融合图像的质量．     

超采样技术在烟支漏气检测中的应用

分析了ZJ112卷烟机漏气模拟量检测采用单片机处理存在的一些问题,提出了采用基于工业计算机(IPC)的超采样技术的解决方法.对烟支漏气检测模拟量的超采样技术进行了分析,给出了部分IPC超采样程序及数据处理方法.超采样技术在卷烟机额定速度下进行测试表明它能满足设计要求,具有良好的开放性、可扩展性,避免了原系统存在的不足.     

基于局部自相似性的视频图像超分辨率算法

针对视频图像的特点,提出基于局部自相似性的视频图像超分辨率算法.该算法不依赖自然图像数据库作为样本块的图像来源,而是利用局部自相似性,通过在相关坐标邻域中搜索子图像块以实现高频补偿.设计上采样和下采样滤波器,以实现对高频补偿后的图像进行滤波从而产生最终的样本块,采用逐级放大、分多步组合达到视频图像的放大,从而实现了视频图像超分辨率算法.实验结果表明,对于视频序列图像,在主观视觉效果和均方根误差(root mean square error,RMSE)、结构自相似性算子(structural similarity index measurement,SSIM)等方面,算法能显著地提高其分辨率,取得很好的效果.同时,对视频图像利用局部自相似性方法,减少了图像块的检索时间,降低了算法运算量.     

自适应图像插值在超分辨率图像重建中的应用

超分辨率技术的目的在于恢复高频信息,以使图像获得更多的细节信息,同时还要能消除各种噪声的影响,图像插值方法是一个基本的消除采样误差和虚假响应的手段,它是超分辨率重建的一个重要步骤。该文使用一种自适应的插值方法来进行超分辨率图像重建,并与传统插值方法的超分辨率图像重建结果相比较,重建结果要优于传统插值方法。     

一种基于约束边界模式的超分辨率图像重构算法

超分辨率图像重构是利用多帧低分辨率图像重构出一幅具有更高分辨率图像.一般的凸集投影算法在放大倍数上升时存在两个问题: 一是计算复杂性急剧上升, 二是边缘振荡效应的加剧导致成像质量迅速恶化.本文针对凸集投影算法, 提出了一种基于约束边界模式的算法.实验结果表明, 新算法能够在有效抑制边缘振荡效应的同时, 较大地提高了重构速度.     

一种基于分离思想的超分辨率复原方法

针对光学图像，从光学系统成像机理出发，建立了一种图像退化的分层模型，指出了造成图像分辨率降低的若干关键因素(衍射效应、欠采样等)．提出了一种用于超分辨率复原的分离方法，并引入了级联模板算法。该方法降低了计算的复杂度，实验结果表明了算法的有效性。     

基于POCS的高光谱图像超分辨率方法

高光谱图像得到了越来越广泛的应用,但较低的空间分辨率严重地影响着它的应用效果,其超分辨率方法受到学术界的高度重视,但一直没有得到很好的解决.为此,建立低分辨率资源图像与高分辨率目标图像之间的关系模型;引入关联感兴趣光谱端元的算子进行空间变换;应用凸集投影(POCS)算法实现超分辨率复原.实验表明,该超分辨率方法具有超分辨率效果好、复杂度低、抗噪声性能强和保护感兴趣类别等优点.     

基于MODIS数据的水体超分辨率制图——以丹江口水库为例

遥感数据是提取水体信息的常用数据,实际应用中,中、高分辨率空间数据能够以较高精度提取水体信息,但由于时间分辨率较低,难以有效监测水体的动态变化过程.以MODIS(Moderate-resolution Imaging Spectroradiometer)为代表的低空间分辨率遥感数据时间分辨率高,在全球大范围快速提取水体及水体动态变化监测中具有重要意义,但是受其空间分辨率较低的限制,提取的水体信息精度不高.针对该问题,该文提出了一种针对MODIS数据的水体超分辨率制图方法.该方法首先利用MODIS数据MOD09Q1产品的1、2波段,通过线性混合像元分解,得到水体丰度图;然后利用MODIS数据MOD09A1产品的2、4波段,计算得到水体归一化指数,对水体丰度图进行后处理以减少混合像元分解误差;最后以修正后的水体丰度图为输入,建立超分辨率制图模型,从而得到最终的高空间分辨率水体分布图.将上述方法应用于丹江口水库,并与利用Landsat-8/OLI数据提取的水体分布图进行对比,结果表明,相对于传统像元尺度的水体制图结果而言,通过超分辨率制图得到的水体制图结果精度更高,不仅能够更好的保留水体空间分布特征,提取的水体面积也更加准确.基于MODIS数据利用超分辨率制图方法对丹江口水库进行水体提取,完成了2014年12个月丹江口水体面积变化图.超分辨率制图可以获得具有Landsat空间分辨率和MODIS时间分辨率的水体制图结果,实现对丹江口水库的高时空分辨率的水域变化监测.     

基于深层卷积网络的单幅图像超分辨率重建模型

【目的】针对Mean squared error(MSE)作为损失函数在人眼感知方面存在局限性,以及基于卷积神经网络的图像超分辨率(Super-resolution,SR)算法生成的图像存在参数较多、计算量较大、训练时间较长、纹理模糊等问题,设计基于深层卷积神经网络的单幅图像超分辨率重建模型。【方法】使用ImageNet预先训练的大型卷积神经网络Visual geometry group(VGG)模型提取图像特征,利用该特征设计视觉感知损失函数进行训练学习,引入亚像素卷积层(Sub-pixel convolution)替换上采样层,缓解生成图像的棋盘效应。【结果】设计的模型对放大两倍的图像进行超分辨率修复,与其他4种超分辨率重建模型的Peak signal to noise ratio(PSNR)值接近,且生成图像的视觉效果更加清晰逼真,细节更加细腻。【结论】该模型可以实现输入不同大小的低分辨率图像而不必多次训练学习不同比例的放大模型,可以实现对不同放大倍数图像的训练和预测,在保持一定PSNR正确率的前提下,放大后的超分辨率图像能够恢复更多纹理细节和更佳视觉效果。     

基于结构先验的人脸图像超分辨率技术概述

人脸图像超分辨率技术,又名人脸幻觉,可根据给定的低分辨率人脸图像中恢复出对应的高分辨率人脸图像.该技术无论是在学术界还是在工业界都具有非常广泛的应用前景.人脸,作为一种具有高度结构先验的对象,其结构先验可以为网络提供结构信息,从而辅助人脸图像超分辨率任务的执行,改善人脸图像超分辨率性能.因而许多基于结构先验的人脸图像超分辨率方法被提出.为了了解和掌握基于结构先验的人脸图像超分辨率技术的发展状况,本文对其进行了系统的总结与归类,主要从先先验、并行先验、中间先验和后先验,四个方面对基于结构先验的人脸图像超分辨率技术进行概述.最后分析基于结构先验的人脸图像超分辨率技术存在的问题与挑战.     

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。     

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。