基于网格变形的从图像重建三维人脸

从图像重建高质量三维人脸一直是计算机视觉和图形学的一个重要研究问题.不同于传统的基于立体匹配的窄基线多视几何和数据驱动的人脸形变方法,提出一种结合网格变形技术和立体视觉原理的、从图像重建高质量三维人脸模型方法.给定从不同视角拍摄的几幅人脸图像,基于健壮图像特征获得可靠的相机外部参数和稀疏三维点;在此基础上,提出一种结合几何细节保持和图像一致性约束的三维人脸变形算法重建三维人脸,通过对人脸模板的网格变形,使得变形人脸在多幅图像中的可见投影具有一致性的图像颜色强度.基于模板的人脸变形可以有效地解决三维模型成像中的遮挡问题,采用健壮估计法消除噪声、离群点和光照对目标函数收敛性的影响,对目标函数的多次非线性优化求解进一步改进了人脸重建的质量.采用合成人脸图像和真实人脸图像重建三维人脸的实验结果表明,文中算法可以从几幅宽基线图像重建高质量的三维人脸模型.     

基于深度学习的图像超分辨率重建算法研究

图像超分辨率重建是计算机进行图像处理的底层任务,可以将低分辨率图像进行优化,生成高频细节的高分辨率图像。基于深度学习的图像超分辨率重建算法可以进一步提高重建图像质量与视觉效果,采用轻量化的超分辨率算法可以有效减少重建算法模型所需要的内存空间。本文采用深度学习技术中的基于卷积神经网络的图像超分辨率重建模型,提高图像分辨率,降低计算复杂度。     

传输方程下基于模型的光学层析图像重建

为克服光学层析图像重建的病态性,采用一种基于模型的重建方法来进行图像重建。由于广义高斯马尔可夫随机场模型具有全局平滑、边缘保留等特性,因此将其引入到服从辐射传输方程的光学层析图像重建中,并将其作为图像先验信息,同时通过最大后验概率理论,利用基于梯度的迭代优化算法来对目标函数进行优化求解。鉴于目标函数关于光学参数的梯度计算是算法中的难点,对此,提出了一种基于梯度树的梯度计算方法。实验证明:该方法与不带有先验模型的重建方法相比,不仅可进一步提高图像的重建质量,而且可降低重建病态性。     

基于视觉传达的多帧图像高分辨率重建仿真

针对传统的高分辨图像重建方法,重建之后的图像细节不够丰富清晰,边缘模糊的问题,提出了 一种基于视觉传达的多帧图像高分辨率重建方法.采用深度学习方法提取高分辨率图像的深层次特征,在稀疏字典超分辨率框架下联合训练特征字典,将提取出来的特征视为ScSR模型中的特征样本,代入PCANet的特征字典中,以此为基础,基于稀疏正则模型对高分辨率图像进行重建,在反向投影全局优化模型基础上引入非局部近似性先验约束对重建图像进行优化,完成多帧图像高分辨率重建优化.实验结果表明,所提方法与其它传统方法相比,图像重建效果更好,图像边缘更加清晰.     

基于分水岭算法的空间目标图像分割方法

自然背景复杂的纹理特征,使得自然背景下人造目标的分割变得困难.为了从空间背景下精确分割出人造目标,基于分水岭算法,结合形态学重建和分形理论,提出了一种改进的图像分割方法.首先利用形态学开闭重建运算对原始图像的形态学梯度图像进行重建,其次在原始图像中利用人造目标和空间背景的分形特性差异对目标进行标记,最后对重建后的图像采用分水岭算法进行分割,将包含标记的区域提取出来并进行合并,从而将人造目标提取出来.仿真结果表明了方法的有效性.     

基于Moreau-包络的近似平滑迭代磁共振图像重建算法

针对基于压缩感知（CS）的磁共振成像（MRI）稀疏重建中存在的两个非平滑正则项问题,提出了一种基于Moreau包络的近似平滑迭代算法（PSIA）。基于CS的经典MRI稀疏重建是求解一个由最小二乘保真项、小波变换稀疏正则项和总变分（TV）正则项线性组合成的目标函数最小化问题。首先,对目标函数中的小波变换正则项作平滑近似;然后,将数据保真项与平滑近似后的小波正则项的线性组合看成一个新的可以连续求导的凸函数;最后,采用PSIA对新的优化问题进行求解。该算法不仅可以同时处理优化问题中的两个正则约束项,还避免了固定权重带来的算法鲁棒性问题。仿真得到的体模图像及真实磁共振图像的实验结果表明,所提算法与四种经典的稀疏重建算法：共轭梯度（CG）下降算法、TV1范数压缩MRI（TVCMRI）算法、部分k空间重建算法（RecPF）和快速复合分离算法（FCSA）相比,在图像信噪比、相对误差和结构相似性指数上具有更好的重建结果,且在算法复杂度上与现有最快重建算法即FCSA相当。     

基于深度学习的单图像超分辨率重建研究综述

为深入了解基于深度学习的单图像超分辨率重建（SISR）的发展,把握当前研究的热点和方向,针对现有基于深度学习的单图像超分辨率重建模型进行了梳理。介绍了相关深度学习算法和基于深度学习的模型以及评价指标,并通过实验对比分析现有模型的性能,其目的在于从本质上了解基于深度学习的单图像超分辨率重建模型的优势;对单图像超分辨率重建的关键问题进行了总结,并对未来的发展趋势进行了展望。     

基于深度学习的超分辨率图像重建研究综述

目前超分辨率图像重建技术是计算机视觉领域的研究热点,随着深度学习的发展,基于深度学习的超分辨率图像重建技术已经取得了一定的研究成果.论文回顾了典型的超分辨率图像重建的深度网络模型,对超分辨率图像重建的深度学习算法和网络结构进行介绍,比较分析了不同模型的优缺点,从本质上发现并提出了超分辨率图像重建的一些问题.在此基础上,提出了基于深度学习的超分辨率图像重建方法未来的研究趋势.     

基于L1与TV正则化的改进图像重建算法

针对不完全投影数据图像重建中出现伪影和噪点的问题,提出了L1与TV同时进行正则化的图像重建模型。基于该重建模型,通过将Bregman迭代和TV软阈值滤波相结合,进一步提出了一种图像重建算法。该算法首先将投影数据通过优化的Bregman迭代算法进行初步重建,然后使用TV软阈值滤波对改造的全变分模型进行二次重建,最后判断是否满足设定的收敛阈值,若满足则结束重建,输出重建图像,否则重复进行上述两步操作,直至迭代完成。实验采用不添加噪声的Shepp-Logan模型与添加噪声的Abdomen模型来验证算法的有效性,证明了所提出的算法在视觉上均优于ART,LSQR,LSQT-STF,BTV等典型的图像重建算法,同时通过多项评价指标对比表明所提出的算法有明显优势。实验结果表明,所提算法在图像重建中能够有效去除条形伪影并保护图像细节,同时具有良好的抗噪性。     

基于贝叶斯理论快速ERT图像重建算法

针对电阻层析成像系统中图像重建不适定问题,与现有ERT图像代数重建算法不同,提出一种基于贝叶斯理论快速一步动态图像重建算法。在阐述电阻层析成像的理论基础上,利用有限元方法建立敏感场数学模型,得到灵敏度矩阵和投影数据。在分析贝叶斯理论基础上,推导出快速一步动态图像重建模型,并将介质分布的先验信息和噪声随机信息等统计信息引入到图像重建中,实现对电导率的重建。分析了不同分布先验概率参数和不同噪声信噪比等影响因子对算法重建结果的影响,并与高斯牛顿迭代、贝叶斯迭代重建算法相比较。结果表明,所提算法重建速度有很大提高,并能较好反映被测介质的相对位置。     

基于压缩感知的遥感成像稀疏重构性能分析

压缩感知是一种新型的信息论，打破了传统的Shannon-Nyquist采样定理，能够以少量数据完成信号采样。稀疏重构是压缩感知由理论到实际的关键环节，为了将压缩感知有效地应用于遥感成像领域，研究了稀疏重构对遥感成像过程的影响。针对稀疏重构理论模型，分析了重构误差的成因；同时，针对典型的凸优化类算法和贪婪类算法，利用峰值信噪比指标对遥感图像重构误差进行评价。在仿真实验中，定量考察遥感图像在不同压缩采样率、不同重构算法下的稀疏重构性能。结果表明，稀疏重构算法能够成功重构遥感图像，各算法在不同压缩采样率下均表现出了较好的重构质量，整体上能够满足遥感成像应用，验证了压缩感知稀疏重构方法在遥感成像中应用的可行性。     

基于纹理分析的多源信息融合方法研究

基于二元树复数小波变换的优良性能,结合遗传算法及证据理论,对图像纹理特征进行分析处理.首先利用DT CWT的移动不变性、良好的方向选择性、完备的重构性、有限的与尺度无关的冗余度以及很高的计算效率等特点提取丰富的图像纹理特征；然后应用遗传算法的寻优能力对纹理特征进行约简；最后采用基于证据理论的数据融合方法实现多源信息融合目标识别.物体非损伤性评价实验表明该算法具有很好的识别效果.     

动态压缩感知综述

动态压缩感(Dynamic compressed sensing, DCS)知由视频信号处理问题引出, 是压缩感知(Compressed sensing, CS)理论研究领域中新兴起的一个研究分支, 旨在处理信号支撑集随时间发生变化的时变稀疏信号, 较为成功的应用范例是动态核磁共振成像. 本文首先介绍动态系统模型, 给出时变稀疏信号支撑集缓慢变化的定义、 时变稀疏信号的稀疏表示和感知测量的方法; 其次, 建立一个统一的时变稀疏信号重构模型, 基于该模型对现有算法进行分类, 简要综述时变稀疏信号的重构算法, 并且对比分析算法的性能; 最后, 讨论动态压缩感知的应用, 并对其研究前景进行展望.     

计算机视觉测量系统的误差模型分析

基于相机的钻孔模型，研究了相机光学系统产生的4种非线性误差，并在有径向失真和图像中心偏移失真的情况下，用模拟数据对匹配误差和不同量化等级在重建过程中的传播过程和影响作了详细讨论，为视觉测量系统达到高精度的三维重建提供了可靠的误差模型。     

基于对称物体的3维重构技术研究

3维重构理论与技术是计算机视觉领域最重要的热点问题之一,而基于单幅图像的3维重构由于缺乏足够的几何信息而难以达到预期效果,已成为世纪性难题。针对大部分物体具有对称性特征,或可分解为有限个对称物体元的客观事实,提出基于透视逆变换原理,首先建立包含摇角、倾角、摆角等三元的透视变换矩阵T;再由链码表示的物体轮廓提取特征直线,根据平行线束投影角相近性特点求解主灭点信息,进而确定视点位置、物体对称平面;根据对称性特征,利用物体假想对称平面,通过人工交互指定3对已知对称点的图像坐标及其对应点的空间坐标确定透视变换矩阵T,继而反求物体表面其他特征点的空间位置,最后利用OpenGL软件包实现物体3维模型的重建。     

曲波域高斯混合尺度模型的图像压缩重构

压缩传感理论将信号的采样与压缩同时进行,利用信号在变换基上可以稀疏表示的先验知识,从比香农采样少的多的观测值中重构原始信号。近年来,两步迭代阈值算法作为一种求解反问题的优化方法,因其与多尺度几何分析存在紧密联系,且算法参数少,思想比较简单等特点,已经应用到了压缩重构中。但其使用时域的软硬阈值算子,不能获得很好的图像稀疏表示,从而使得算法重构精度不高。针对上述问题,本文在研究两步迭代阈值算法的基础上,提出了一种自适应的两步迭代阈值算法。该算法利用当前估计值提供的信息自适应估计步长参数,保证了估计值向最优解方向移动,提高了算法的重构精度,且针对其稀疏表示信号能力不足的缺点,运用高斯混合尺度模型对曲波邻域系数进行建模,充分利用曲波变换平移不变性和多方向选择性的优点,增加了图像表示的稀疏度。最后将其应用到图像压缩重构中,实验结果表明,该算法在峰值信噪比和主观视觉上都优于小波域高斯混合尺度模型和曲波硬阈值重构方法。     

基于实值RBM的深度生成网络研究

受限玻尔兹曼机（restricted Boltzmann machine,简称RBM）是一种概率无向图,传统的RBM模型假设隐藏层单元是二值的,二值单元的优势在于计算过程和采样过程相对简单,然而二值化会对基于隐藏层单元的特征提取和数据重构过程带来信息损失.因此,将RBM的可见层单元和隐藏层单元实值化并保持模型训练的有效性,是目前RBM理论研究的重点问题.为了解决这个问题,将二值单元拓展为实值单元,利用实值单元建模数据并提取特征.具体而言,在可见层单元和隐藏层单元之间增加辅助单元,然后将图正则化项引入到能量函数中,基于二值辅助单元和图正则化项,流形上的数据有更高的概率被映射为参数化的截断高斯分布;同时,远离流形的数据有更高的概率被映射为高斯噪声.由此,模型的隐层单元可以被表示为参数化截断高斯分布或高斯噪声的采样实值.该模型称为基于辅助单元的受限玻尔兹曼机（restricted Boltzmann machine with auxiliary units,简称ARBM）.在理论上分析了模型的有效性,然后构建了相应的深度模型,并通过实验验证模型在图像重构任务和图像生成任务中的有效性.     

基于内容的图像检索系统的最新进展

该文在分析现有的基于内容的图像检索系统结构的基础上,探讨了系统中的关键技术和当前主要优化方法,介绍了目前的系统应用情况,着重归纳了图像检索系统研究的最新进展,并详细阐明了当前研究中存在的问题,最后指出了今后进一步研究的方向。     

一种多幅欠采样图像的凸集投影超分辨率重建方法

介绍了一种由多幅欠采样低分辨率图像重建一幅高分辨率图像的凸集投影超分辨率重建技术。首先介绍了超分辨率空间域迭代重建方法中一个至关重要的因素--成像过程模型;其次通过介绍凸集投影的理论依据,给出了插值-模拟采样迭代超分辨率重建方法的模型和重建步骤;最后通过实验数据对算法进行了验证。     

基于颜色自适应字典的双相机光谱系统重建算法

通过将快照编码孔径光谱成像和普通RGB彩色成像结合,双相机光谱成像系统能够高效地获取场景的光谱信息,具有广阔的应用前景.如何高质量地从压缩采样中重建高光谱图像是该系统需要解决的重要问题.根据高光谱图像与彩色图像在空间结构和光谱响应上的相关性,本文了提出一种基于颜色自适应字典的重建算法,用以提高双相机光谱成像系统的重建质量.首先,利用RGB观测分别训练三通道非负字典.然后,以彩色相机的光谱响应曲线为指导,为每一个谱带选择光谱相关性最大的字典.最后,完成高光谱图像的稀疏重建.高光谱数据库和遥感数据库的仿真结果均表明,本文提出的算法能够大幅度提升双相机光谱成像系统的重建质量.