基于自学习的稀疏正则化图像超分辨率方法

如何设计既能够保持边缘与纹理结构又具有较低计算复杂度的图像超分辨率算法是目前该领域有待解决的难点问题。在Bayesian统计框架下建立了一种新的基于稀疏正则化的图像超分辨模型。模型中的保真项度量理想图像在退化模型下与观测图像的一致性,稀疏正则项刻画理想图像在词典下的稀疏表示。该模型还引入了图像的非局部自相似性和超拉普拉斯先验作为正则化约束。为使稀疏域更好地表征高分辨率图像,选取高分辨率图像块的高频特征进行稀疏表示,由此增强了稀疏模型的有效性。将词典学习融入到超分辨率重建过程中,即直接从当前估计的高分辨率图像特征块学习词典,与从训练样本库中学习词典相比,这种自学习的方法对不同图像的自适应性更强,并且减少了运算量。实验结果表明,该方法可以重建清晰的图像边缘,减小振铃效应,并且对噪声具有很好的鲁棒性。     

改进的稀疏表示遥感图像超分辨重建

为了进一步提高遥感图像超分辨效果,提高超分辨重建速度。针对以往稀疏超分辨算法中更容易丢失边缘信息和引入噪声的问题,本文改进了特征提取算子,以对称近邻滤波(SNN)代替高斯滤波,重点解决特征空间中的字典学习问题。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率遥感图像进行7×7分块,生成字典训练样本。然后,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典学习过程中的稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:与当前最先进的稀疏表示超分辨算法相比,本文算法得到的超分辨重建遥感图像的主观效果更好,恢复出更多的地物细节信息;客观评价参数峰值信噪比(PSNR)提高约1.7dB,结构相似性(SSIM)提高约0.016。改进的稀疏表示超分辨算法可以有效地提高遥感图像超分辨效果,同时降低重建时间。     

基于终止准则改进K-SVD字典学习的稀疏表示特征增强方法

针对传统K奇异值分解(K-Singular value decomposition, K-SVD)算法在稀疏表示过程中,由于目标信号稀疏度难以确定以及字典原子受噪声干扰大导致稀疏表示效果较差的问题,结合变分模态分解(Variational mode decomposition, VMD)算法,提出了基于VMD与终止准则改进K-SVD字典学习的稀疏表示方法。借助VMD算法剔除信号中的干扰分量,依据相关分析与峭度准则选择最优模态分量;采用终止准则改进的K-SVD字典学习算法对最优分量的特征信息进行学习,优化目标函数与约束条件,在无需设置稀疏度的前提下,构造出准确匹配故障冲击成分的字典;此外,构建一种残差阈值改进的正交匹配追踪算法(OMPerr)实现稀疏重构及微弱故障特征增强。通过仿真及试验信号进行验证,结果表明:基于VMD与改进K-SVD字典学习的稀疏表示方法在字典原子构建、稀疏重构精度以及故障特征增强等方面均优于传统K-SVD稀疏表示方法,可以有效实现微弱故障的诊断。     

基于压缩感知的人脸超分辨技术

人脸超分辨是一个欠定的求逆问题,压缩感知理论提供了一种有效的逆问题求解方法.本文提出了一种基于压缩感知的人脸超分辨方法,该方法包含三个步骤:字典学习、稀疏编码和求解全局MAP方程.第一步,使用K-SVD算法获得能稀疏表示高分辨率人脸图像的字典;第二步利用训练好的字典,求解输入低分辨率图像块的最稀疏表达,由稀疏系数和稀疏字典求得超分辨图像块,组装成超分辨图像;最后,为了满足全局一致性限制条件和改进超分辨效果,对完整图像求解MAP方程.实验结果表明,与其它同类人脸超分辨方法相比,本文方法得到了更好的超分辨效果.     

基于压缩感知的人脸超分辨技术（英文）

人脸超分辨是一个欠定的求逆问题,压缩感知理论提供了一种有效的逆问题求解方法。本文提出了一种基于压缩感知的人脸超分辨方法,该方法包含三个步骤:字典学习、稀疏编码和求解全局MAP方程。第一步,使用K-SVD算法获得能稀疏表示高分辨率人脸图像的字典;第二步利用训练好的字典,求解输入低分辨率图像块的最稀疏表达,由稀疏系数和稀疏字典求得超分辨图像块,组装成超分辨图像;最后,为了满足全局一致性限制条件和改进超分辨效果,对完整图像求解MAP方程。实验结果表明,与其它同类人脸超分辨方法相比,本文方法得到了更好的超分辨效果。     

稀疏表示下的噪声图像超分辨率重构

为了能够完成噪声图像的超分辨率重构,提出了一种基于稀疏表示的噪声图像超分辨率重构方法,可以同时完成图像去噪和超分辨率重构。首先,对样本图像和低分辨率图像进行块划分,建立样本库。其次,建立图像退化模型,采用相似样本加权平均的方式对输出的高分辨率图像块进行表示。根据输入的低分辨率图像块,计算样本块与输出的高分辨率图像块之间的相似性。提出了一种相似性描述方法,能够很好地解决噪声带来的影响。然后,采用相似性对稀疏编码优化模型进行惩罚,提出一种权值求解模型。模型可以自适应的搜索相似样本块而不需要预先设定相似块的个数。最后,求解权值,根据权值和样本块重构高分辨率图像块,并重构高分辨率图像。实验结果表明:所提出的方法较其它常见超分辨率算法的峰值信噪比可提高0.5dB左右,重构的图像细节更丰富,去噪效果更好,更适合实际应用。     

基于自适应超完备稀疏表示的图像去噪方法

基于超完备字典的图像稀疏表示是一种新的图像表示理论,利用超完备字典的冗余性可以有效地捕捉图像的各种结构特征,从而实现图像的有效表示.当前稀疏表示的理论研究主要集中在稀疏分解算法和字典构造算法两方面.本文提出一种新的超完备字典构造算法:K-LMS算法,该算法由K均值聚类算法泛化获得,可用于超完备字典的自适应更新,以实现图像的有效表示.针对图像去噪问题,本文给出一种基于超完备稀疏表示的去噪方法,该方法利用图像在超完备字典上的自适应稀疏分解,通过阈值处理的方法实现了图像去噪,实验结果证实了本文所提方法的有效性.     

基于贝叶斯统计模型的金属缺陷电磁成像方法研究

提出了一种基于贝叶斯理论的电磁层析成像(EMT)图像重建算法。传统的正则化方法仅仅能获得单一电导率的近似估计值,提供的模型信息量有限。统计概率方法可以获得大量合理的模型参数估计值,根据缺陷分布的稀疏性,将求解电导率划分为一系列块状结构,使用稀疏贝叶斯学习框架,将电导率分布的稀疏先验信息和噪声信息等统计信息引入到EMT图像重建中,可以得到电导率分布全面的统计描述。为验证该算法的有效性,将新方法与共轭梯度算法、总变差正则化算法进行比较,并基于EMT实验系统进行了缺陷成像实验。仿真和实验结果表明,含有统计信息的稀疏贝叶斯算法与传统算法相比,图像误差降低20%,有效提高了重建图像质量与精度。     

稀疏重构SAM芯片焊点检测方法研究

提出了基于稀疏表示的声扫描显微镜(Scanningacousticmicroscope,SAM)图像超分辨率重构方法,以解决其空间检测分辨率受超声波频率和穿透深度的限制,原始SAM图像分辨率较低,不利于封装缺陷辨识等问题。通过字典设计训练和稀疏系数α求解获得了重构的高分辨率SAM图像,利用Levenberg-Marquardt算法改进BP神经网络(LM-BP),并用于倒装芯片焊点缺陷识别。与原始图像及双三次插值图像相比,稀疏重构图像的峰值信噪比明显增大,提高了SAM图像质量,减小了芯片焊点的错误识别数目,错误率降至2.76%。试验结果表明稀疏表示的SAM重构算法和LM-BP神经网络训练速度快、识别精度高,可用于高密度半导体封装缺陷的检测及可靠性评估。     

改进免疫算法用于图像复原

为了更好地对图像进行超分辨率重建,对传统的正则化方法进行了改进,提出了更符合实际的新模型:加性广义高斯白噪声与各向异性正则化项.为求得新模型的最优解,引入免疫进化算法并做如下改进:引入记忆单元群,使算法并行地运行在两个抗体群上;提出一种疫苗的自适应选取及接种方法;将混沌算子作为防僵化算子嵌入.分析与实验表明, 基于新模型重建的图像不仅对噪声的类型与方差具有稳健性,而且重建图像的信噪比改善量(ISNR)比传统模型高1.5 dB左右, 同时提出的改进免疫进化算法能够更快收敛,所需步数仅是遗传算法的8%, 传统免疫算法的40%.结果表明,新模型与改进免疫算法组成的图像超分辨率复原系统具有稳定可靠的性能.     

Single image super-resolution using self-optimizing mask via fractional-order gradient interpolation and reconstruction

Image super-resolution using self-optimizing mask via fractional-order gradient interpolation and reconstruction aims to recover detailed information from low-resolution images and reconstruct them into high-resolution images. Due to the limited amount of data and information retrieved from low-resolution images, it is difficult to restore clear, artifact-free images, while still preserving enough structure of the image such as the texture. This paper presents a new single image super-resolution method which is based on adaptive fractional-order gradient interpolation and reconstruction. The interpolated image gradient via optimal fractional-order gradient is first constructed according to the image similarity and afterwards the minimum energy function is employed to reconstruct the final high-resolution image. Fractional-order gradient based interpolation methods provide an additional degree of freedom which helps optimize the implementation quality due to the fact that an extra free parameter α-order is being used. The proposed method is able to produce a rich texture detail while still being able to maintain structural similarity even under large zoom conditions. Experimental results show that the proposed method performs better than current single image super-resolution techniques.     

Super-Resolution Reconstruction via Multi-frame Defocused Images Based on PSF Estimation and Compressive Sensing

Image super-resolution reconstruction is an effective method to improve image resolution, but most reconstruction methods rely on the clear low resolution images ignoring the blurred images which are also effective observations of the scene. Aiming at the problem, a super-resolution reconstruction (SRR) method via multi-frame defocused images is proposed. Firstly, according to the image degraded model, we establish the cost function of the point spread function (PSF) and utilize the particle swarm optimization algorithm to estimate it. Then, based on the multi-frame defocused images and PSFs, a joint reconstruction model is established to realize SRR by compressive sensing (CS) theory. In the CS framework, only the interpolated version of the low-resolution image is used for training purpose and the K-Singular Value Decomposition method is used for dictionary training. In addition, to solve the edge effect problem, an internal blur matrix is constructed according to the image blurring process, and a weight coefficient is introduced in the patch splicing process. Experiments show that the proposed algorithm can accurately estimate the defocused image PSF and achieve a good reconstruction effect.     

一种基于图像配准的超分辨率重建方法

为了提高配准算法的精度并改善超分辨率重建图像的质量,提出了一种具有子像素级精度的图像配准方法。首先,对基于三参数模型的图像配准方法进行介绍并优化。然后,提出了基于四参数模型的图像配准方法,由于没有直接将旋转角度参量引入到运动模型中,有效地避免了原方法中泰勒级数展时的小角度假设。最后,根据配准算法所得到的子像素级运动信息,采用迭代反投影算法进行超分辨率重建。实验结果表明：该配准算法取得了更高的精度,平均平移误差减少0.0297像素 ,平均旋转角度误差减少0.3564度;重建图像具有更好的视觉效果,平均PSNR值提高0.75dB。可以被广泛地应用于相互间主要存在平移和大角度旋转的多幅低分辨率图像的大倍数超分辨率重建,满足了实际应用要求。     

基于自相似性与多任务高斯过程回归的单帧图像超分辨率重建

在单帧图像超分辨率问题中,基于高斯过程回归的超分辨率算法没有挖掘相似图像片间的关联关系或者无差别地用相似图像片来扩充训练集合,都会导致重建的高分辨率图像中存在明显的噪声和伪影。对此提出了一种基于多任务高斯过程回归的超分辨率算法。该算法通过引入多任务学习思想,将输入的低分辨率图像进行分片处理,把每一个图像片的超分辨率过程视为一个任务。在对相似任务建模的过程中,通过最优化求解的参数集合来体现任务间的共性及差异,从而使模型的泛化能力和预测精度得以提高,在重建高分辨率图像清晰锐利的同时,噪声和伪影受到明显抑制。用常见的测试图像以及公开的图像测试集合进行的大量试验表明该算法在主观评价和客观评价两个方面均优于同类型算法及当前经典算法,峰值信噪比较其它常见超分辨率算法可提高约0.5dB。     

基于超分辨率重建的亚像素图像配准

针对低分辨率图像在配准过程中精度较低的问题,提出了一种基于超分辨率重建的亚像素图像配准方法。首先,对具有1至9像素位移的图像序列进行10倍降采样,获取具有0.1至0.9亚像素位移的图像序列。然后,根据图像的获取过程建立数学模型,以Bayes理论为基础,使用最大后验概率法(MAP)对亚像素位移低分辨率图像进行超分辨率重建,获取高分辨率图像。最后,使用具有亚像素配准精度的扩展相位相关法对图像进行配准。配准实验与噪声实验表明,所提方法的最大配准误差为0.03pixel,能实现对低分辨率图像的亚像素级配准,具有配准精度高、噪声抗干扰能力强等特点,可同时满足可见光图像与红外图像的高精度配准要求。     

基于小波与双三次插值的高温锻件红外图像增强方法

提出了一种基于小波变换和双三次插值的图像处理方法,该方法利用离散小波将原图像分解成低频子带与高频子带,然后对原图像及这些子带分别进行双三次插值,同时提出增加一个中间步骤来估算高频子带,即扣除原低分辨率图像和插值后的LL子带中的相同成分而得到不同成分的图像（高频成分）,然后利用不同成分的图像对高频子带LH、HL及HH分别进行校正融合,并通过小波逆变换对这些图像进行融合重构。该方法不仅能够有效地消除图像噪声,改善细节信息,而且能够最大限度地保留边缘信息和增加图像的清晰度。最后运用该方法和传统算法分别对核电主管道高温锻件和小型高温锻件的红外图像进行增强处理,实验结果验证了该方法的可行性及优越性。     

基于MAP的自适应图像配准及超分辨率重建

图像超分辨率重建是一种将多幅低分辨率图像合成为高分辨率图像的技术.当前的超分辨重建技术主要分为图像配准和超分辨率重建2个步骤,提出一种基于最大后验概率的图像超分辨率重建算法,将这2个步骤合二为一;与此同时,为了解决配准参数以及点扩展函数估计值的不精确性问题,在每一幅低分辨率图像代价函数的残差项引入了自适应加权系数并随之...