稀疏表示图像超分辨率重建的自适应方法

提出了一种参数自适应的图像超分辨率重建方法.在基于稀疏表示的图像超分辨率重建的经典算法模型框架下,正则化参数可以根据每个图像补丁本身情况自适应地确定,从而克服了人为选择参数且所有补丁参数需一致的缺点,因此使图像重建效果得到提升.实验结果表明,我们所提方法在不同尺寸扩大因子和噪声环境下都优于人工确定参数的情形,三种评价指标均表明所提方法是有效的.     

运用稀疏表示法进行单幅图像超分辨的内点方法

稀疏表示法在单幅图像超分辨率重建问题中受到广泛的关注.本文介绍了一种使用稀疏表示进行超分辨率图像重建的方案.该方案首先由低分辨率的输入图像块求取稀疏表示系数,然后根据此系数生成对应的高分辨率图像块,最后由高分辨率块重建出整幅图像.在求取稀疏表示系数时,本文采用了一种借助预处理共轭梯度算法计算搜索方向的内点方法.仿真结果...     

基于视觉对比度特性的红外图像超分辨率重建

针对现有超分辨率算法重建后的红外图像存在对比度差、信噪比低、视觉效果模糊的缺点,提出一种基于视觉对比度特性的红外图像超分辨率重建算法。该算法首先利用人眼在不同灰度级的分辨能力不同,通过引入红外图像对比度这一先验信息重建红外图像,其次构建一噪声度量因子以区分图像目标与噪声,然后对目标边缘进行增强,噪声进行滤除。实验结果表明:经过改进算法重建的超分辨率红外图像对比度提高了2倍,噪声得到了有效抑制,视觉效果明显改善。     

基于l_(2,p)-范数的ECT图像重建算法

针对电容层析成像系统图像重建过程中Tiknonov正则化解过度光滑引起的重建图像细节信息丢失问题,引入l_(2,p)(0p≤1)的混合范数作为正则化算法的数据项和正则化项。混合范数l_(2,p)利用了欧氏范数l_2的光滑性和分数范数l_p(0p≤1)的稀疏性,不仅比范数L_(2,1)具有更好的联合稀疏性,对噪声的抗干扰性也更强,进而针对l_(2,p)矩阵范数的非凸、非Lipschitz连续问题提出一种新的电容层析成像图像重建模型。实验结果表明,基于矩阵混合范数l_(2,p)极小化优化模型的正则化算法相比牛顿迭代、奇异值分解、共轭梯度算法具有更强的适应性,更高的图像分辨率及更好的成像质量。     

多正则化形式的超分辨率图像重建

为了抑制超分辨图像重建过程中的振铃锯齿效应,本文提出一种多正则化形式的超分辨率重建算法。文章首先给出了图像降质模型并推导出了图像重构约束项。利用重构项直接对低分辨率图像进行重建,获得的高分辨图像会有锯齿和振铃效应。针对此问题,本文利用自回归模型和滤波器组先验来正则化重建过程。自回归模型用来恢复图像局部细节描述,与此同时本文利用自然图像块的聚类集来估计自适应自回归模型参数。滤波器组先验用来约束重建图像的边缘,使得获取的高分辨率的图像边缘更加锐利。最后通过实验定性与定量的分析,证实了本文算法优于其他具有竞争力的算法。     

正则化恢复联合稀疏表示的图像超分辨率重构

为改善强降质图像的分辨率水平,提出了一种正则化恢复联合稀疏表示的单帧图像超分辨率重构框架。为同时放大图像并抑制模糊及噪声,首先根据退化估计正则化平衡极小问题的逼近项和先验项,然后基于初步的锐利清晰图像和预先建立的图像超完备稀疏表示字典实现边缘保持的图像分辨率放大。正则化恢复的输出改善了传统学习法图像超分辨中低频分量的双立方插值版本,同时对降质的有效抑制降低了字典原子对退化信息的依赖性。实验结果表明,本方法可对模糊含噪的低分辨率图像实现有效的超分辨率重构。     

摄像中的超分辨率图像重建算法研究

超分辨率图像重建技术就是利用信号处理的方法,从多幅低分辨率图像中提取更多细节信息,重建出一幅或多幅高分辨率图像的技术。文章介绍了超分辨率图像重建的概念,并且探讨超分辨率图像重建的意义和需求,然后着重研究了目前的几种主要超分辨率图像重建算法,并讨论了关于目前超分辨率图像重建算法的一些思考。     

比例最小均方/四阶算法及其在系统辨识中的应用

针对非高斯噪声环境下稀疏系统参数辨识问题,提出一种基于比例更新机制的最小均方/四阶(LMS/F)自适应滤波算法(PLMS/F)。该方法以混合均方/四阶准则(MS/FE)为代价函数,其包含了误差的高阶项,具有解决非高斯噪声问题的优势。引入比例更新机制,从而可根据算法当前时刻权重变化特征来调整各权重参数的步长,因此具有良好的跟踪性能。使用梯度下降法设计了阈值参数自适应更新机制以进一步改进算法稳态性能。此外,分析了所提算法的平均和均方收敛性。应用具有稀疏特征的FIR系统参数模型对所提算法实现了在非高斯噪声环境中的参数辨识。仿真实验结果表明,该算法可以有效辨识模型参数,且具有较低的稳态误差和强的鲁棒性。     

基于贝塔过程联合字典学习的图像超分辨重建

为了提高图像超分辨效果,针对以往稀疏字典超分辨算法仅适用于单特征空间的问题,提出基于贝塔过程联合字典学习(BPJDL)的图像超分辨重建(SRR)方法。首先,根据图像退化模型生成训练样本图像,分别对高、低分辨率图像进行7×7分块,并利用吉布斯采样对图像块进行采样,生成字典训练样本。然后,依据贝塔过程先验模型,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,通过训练和更新字典,得到同时适用于两个特征空间的字典映射矩阵。最后,进行图像超分辨稀疏重构。实验结果表明:本文方法能以更小尺寸的稀疏字典重建超分辨图像,与当前最先进的稀疏表示超分辨算法相比,结果图像主观视觉上纹理细节信息更丰富,客观评价参数峰值信噪比(PSNR)提高约1.5 dB,结构相似性(SSIM)提高约0.02,超分辨重建时间降低约50 s。     

基于图像去噪的混合噪声滤波算法

传统的中值滤波和均值滤波通常被分别用来滤除椒盐噪声和高斯噪声.但是当图像同时存在高斯噪声和椒盐噪声时,单独使用哪种滤波方法都不会达到最好的去噪效果.为了能同时滤除两种不同性质的噪声,提出了一种新的自适应混合噪声滤波算法.该算法采用了一种基于自适应阈值的方法对滤波系数加以优化,使其既可以有效地减少噪声,又可以较好的保持图像的边缘细节信息,仿真结果表明该算法能较好的滤除混合噪声,且滤波效果优于传统的滤波算法.