基于自训练字典学习的单幅图像的超分辨率重建

针对单幅低分辨率图像的超分辨率重建问题,提出了一种基于自训练字典学习的超分辨率重建算法。首先根据图像的退化模型,对输入的低分辨率图像进行降质处理,然后利用K-SVD方法训练字典,获得重建所需要的先验知识,最后根据先验知识重建高分辨率图像。仿真实验的结果表明,利用该方法获得的高分辨率图像在视觉效果和客观评价上均优于传统方法,同时算法的时间效率也有很大的提升。     

基于针对性字典的压缩图像稀疏超分辨率重建

为了有效地重建压缩低分辨率图像,提出一种基于针对性字典的压缩图像稀疏超分辨率重建算法.首先,根据压缩低分辨率图像的形成特点,对训练库图像进行针对性的下采样压缩编码处理,进行超完备字典的训练;然后,通过训练所得的针对性字典对压缩低分辨率图像进行稀疏表示的超分辨率重建.为进一步恢复图像的高频信息,进行了针对性残差字典训练,并对图像进行高频信息补偿,得到稀疏重建后的图像主观效果更加突出,客观评价参数也得到较大提升.实验结果表明,该算法对压缩图像的超分辨率重建更具针对性,具有良好鲁棒性和高效性.     

基于几何字典学习和耦合约束的超分辨率重建

传统的基于稀疏表示的超分辨率重建算法对所有图像块,应用单一冗余字典表示而不能反映不同几何结构类型图像块间的区别。针对这一问题,本文探索图像局部几何结构特性,提出一种基于结构特性聚类的几何字典学习和耦合约束的超分辨率重建方法。该方法首先对训练样本图像块进行几何特性聚类,然后应用K-SVD算法为每个聚类块联合训练得到高低分辨率字典。此外,在重建过程中引入局部可控核回归和非局部相似性耦合约束,以提高重建图像质量。实验结果表明,与单一字典超分辨率算法相比,本文方法重建图像边缘和细节部分明显改善,评价参数较大提高。     

基于压缩感知的月球探测器着陆图像超分辨重建

嫦娥工程二期的任务要求中,嫦娥3号的安全降落是最为关键的任务。因此,提出了一种基于压缩感知的超分辨率图像重建方法,根据经过模糊处理并加入噪声的低分辨率图像重建原始的高分辨率图像,实现了月球探测器着陆图像的超分辨率重建。算法采用局部Sparse-Land模型,从美国阿波罗计划获取的月球影像、嫦娥1、2号卫星影像和嫦娥工程二期试验中获取的月球探测器图像中提取了大量训练图块,采用K-SVD算法完成了高、低分辨率过完备字典Al和Ah的学习,通过求解优化问题,获得待处理低分辨率图块的稀疏表示,并将表示系数用于Ah以生成对应的高分辨率图块。最后,运用最小二乘算法,得到满足重构约束的高分辨率图像。实验验证了算法的有效性,表明其在视觉效果及PSNR指标上均优于插值方法和Yang的方法。     

基于稀疏表示的超分辨率图像重建

针对单幅低分辨率图像的超分辨率重建,提出一种基于稀疏表示的改进算法。通过联合输入低分辨率图像块和对应生成的高分辨率图像块,求解其在高低分辨率字典对上的稀疏表示系数,再将系数与高分辨率字典结合,修正输出的高分辨率图像块。仿真实验表明,文中提出的算法有效提升了重建图像的质量。     

基于自适应字典稀疏表示的超分辨率算法

基于学习的超分辨率算法通过一组训练样例来学习一个字典,并从该字典中合成低分辨率图像中丢失的高频信息,最终得到相应的高分辨率图像。介绍了几种常用的基于学习的超分辨率算法,并提出了一种新的算法:基于自适应字典稀疏表示的超分辨率算法。实验结果表明,该方法在主观与客观上均具有较好的重建效果。     

基于稀疏高频双字典的磁共振成像超分辨率重建法

针对磁共振成像(MRI,Magnetic Resonance Imaging)分辨率低且成像扫描时间长的特点,为了优化重建图像纹理细节的质量,在现有的稀疏表示的方法基础上,提出了一种基于高频稀疏双字典的磁共振成像超分辨率重建法。首先,在离线训练双字典阶段,运用稀疏表示的算法思想,提取出用于字典学习的高分辨率图像块和残余高频图像块,运用正交跟踪方法结合迭代使稀疏系数逐渐趋于收敛。然后,对低分辨率图像通过一次稀疏字典学习得到初始高分辨率图像,再提取出高频(HF,High Frequency)边界或纹理细节区域,根据稀疏高频字典对进行二次重构。实验结果表明,本文算法不仅丰富了磁共振成像纹理细节,使主观视觉效果明显提升,在客观指标峰值信噪比(PSNR)和均方根误差(RMSE)也有一定程度的改善。     

基于改进K-SVD字典学习的超分辨率图像重构

 针对已有算法中字典训练的时间消耗巨大的问题,提出了一种改进的基于字典学习的超分辨率图像重构算法.本文将K-SVD字典算法和高低分辨率联合生成的思想结合起来,形成新的字典训练方法,并将由该算法生成的高低分辨率字典应用于基于稀疏表示的超分辨率重构.重构仿真实验证明算法不仅有效降低了字典训练所消耗的时间,而且能够改善重构高分辨图像的质量.     

图约束字典和加权稀疏表示人脸超分辨率算法北大核心

针对低分辨率、低质量人脸图像重建问题,提出了一种新的基于稀疏表示的人脸超分辨率算法。在训练阶段,人脸的位置特征被用于保持人脸块的全局信息,人脸块间的几何结构被用于保持高低分辨率超完备冗余字典的流形结构,从而提高字典的表达能力;在重建阶段,K近邻加权稀疏表示被用于消除稀疏编码噪声,以提高高分辨率人脸图像重建系数的精度。实验结果表明,提出的方法取得了较好的主客观质量。     

图约束字典和加权稀疏表示人脸超分辨率算法

针对低分辨率、低质量人脸图像重建问题,提出了一种新的基于稀疏表示的人脸超分辨率算法。在训练阶段,人脸的位置特征被用于保持人脸块的全局信息,人脸块间的几何结构被用于保持高低分辨率超完备冗余字典的流形结构,从而提高字典的表达能力;在重建阶段,K近邻加权稀疏表示被用于消除稀疏编码噪声,以提高高分辨率人脸图像重建系数的精度。实验结果表明,提出的方法取得了较好的主客观质量。     

Compression of facial images using the K-SVD algorithm

The use of sparse representations in signal and image processing is gradually increasing in the past several years. Obtaining an overcomplete dictionary from a set of signals allows us to represent them as a sparse linear combination of dictionary atoms. Pursuit algorithms are then used for signal decomposition. A recent work introduced the K-SVD algorithm, which is a novel method for training overcomplete dictionaries that lead to sparse signal representation. In this work we propose a new method for compressing facial images, based on the K-SVD algorithm. We train K-SVD dictionaries for predefined image patches, and compress each new image according to these dictionaries. The encoding is based on sparse coding of each image patch using the relevant trained dictionary, and the decoding is a simple reconstruction of the patches by linear combination of atoms. An essential pre-process stage for this method is an image alignment procedure, where several facial features are detected and geometrically warped into a canonical spatial location. We present this new method, analyze its results and compare it to several competing compression techniques.     

可见光与红外图像组K-SVD融合方法

传统稀疏表示融合方法,以图像块进行字典训练和稀疏分解,由于没有考虑图像块之间的内在联系,易造成字典原子表征图像特征能力不足、稀疏系数不准确,导致图像融合效果不好。为此,本文提出可见光与红外图像组K-SVD（K-means singular value decomposition）融合方法,利用图像的非局部相似性,将相似图像块构造成图像结构组矩阵,通过组K-SVD进行字典训练和稀疏分解,可以有效提高字典原子的表征能力及稀疏系数的准确性。实验结果表明,该方法在主观和客观评价上都优于传统稀疏融合方法。     

基于正则化稀疏表示的图像超分辨率算法

为了从单幅低分辨率(LR)图像恢复出高分辨率(H R)图像,提出了一种应用正则化稀疏表示和基于机器学习 的超分辨率(SR)图像恢复算法。构造了一种基于稀疏表示的SR凸变模型,为了提高 恢复效果,针对模型 提出了两种稀疏正则化约束条件,一是将分类效果更好的图表拉普拉斯作为正则化约束条件 ,从而找到与 输入LR图像块在结构上最接近的学习样本;另一种是针对冗余的学习样本进行约 束,保证了图像边 缘的锐利。将输入的每一块LR图像应用正则化稀疏表示,经过学习得到与之对应的HR图像块 , 最终得到整幅HR图像。试验结果表明,算法恢复出的HR图像峰值信噪比(PSNR )值较双三次插值算法最高提升约2dB,主观目视清晰、边缘锐利。     

采用超分辨率重建提升压缩图像质量的方法

针对JPEG的中低码率压缩图像即高压缩率图像存在较严重的块效应以及量化噪声,提出了一种对JPEG标准压缩图像进行优化的重建-采样方法.该方法对JPEG压缩图像采用三维块匹配算法(BM3D)进行去噪,去除图像中存在的块效应和量化噪声,进而提高超分辨率重建的映射准确性,再使用外部库对去噪后图像进行基于稀疏表示的超分辨率重建,补充一定的高频信息,最后对重建后的高分辨率图进行双三次下采样,得到与原始图像大小一致的图像作为最终优化图像.实验结果表明,该方法在中低码率情况下能够有效地提高JPEG压缩图像的质量,对高码率压缩图像也有一定效果.     

自适应聚类的全耦合稀疏学习算法

在图像处理领域,基于稀疏表示理论的图像超分辨力算法、高低分辨力字典与稀疏编码之间的映射关系是其中的2个关键环节。由于丰富多样的图像类型,单一字典并不能很好地表示图像。而在稀疏编码之间的映射关系上,严格相等的约束关系也限制了图像重建的效果。针对上述两个方面,采用包容性更强的多个字典与约束条件更为宽松的全耦合稀疏关系进行图像的超分辨力重建。在图像非局部自相似性的基础上,进行多次自适应聚类;挑选出最优的聚类,通过全耦合稀疏学习的图像超分辨力算法,得到多个字典;最后,对输入的低分辨力图像进行分类重建,得到高分辨力图片。实验结果表明,在图像Leaves,Barbara,Room上,本文的聚类算法比原全耦合稀疏学习算法在峰值信噪比(PSNR)上分别提升了0.51 dB,0.21 dB,0.15 dB。     

基于图像块分类稀疏表示的超分辨率重构算法

 目前基于图像块稀疏表示的超分辨率重构算法对所有图像块都用同一字典表示,不能反映不同类型图像块间的差别.针对这一缺点,本文提出基于图像块分类稀疏表示的方法.该方法先利用图像局部特征将图像块分为平滑、边缘和不规则结构三种类型,其中边缘块细分为多个方向.然后利用稀疏表示方法对边缘和不规则结构块分别训练各自对应的低分辨率和高分辨率字典.重构时对平滑块利用简单双三次插值方法,边缘和不规则结构块由其对应的高、低分辨率字典通过正交匹配追踪算法重构.实验结果表明,与单字典稀疏表示算法相比,本文算法对图像边缘部分重构质量明显改善,同时重构速度显著提高.     

基于卷积稀疏自编码的图像超分辨率重建

针对卷积稀疏编码算法中特征映射的准确性的问题,为了进一步提高图像超分辨率重建的的质量,文中提出一种基于卷积稀疏自编码的图像超分辨率重建算法。该算法首先在预训练阶段利用稀疏自编码器对输入高低分辨率图像分别进行训练,得到对应的图像稀疏特征表示;然后再由卷积神经网络根据得到的稀疏系数共同训练相应的滤波器及特征映射函数并更新到最优解;最后由高分辨率滤波器和对应的稀疏表示系数卷积求和,得到高分辨率重建图像估计。实验结果显示,改进算法的峰值信噪比（PSNR）结果较卷积稀疏编码算法提高了近0.1 dB,有效提高了重建图像的质量。