频域内基于邻域特征学习的单幅图像超分辨重建

针对图像重建过程中待插值点灰度估计不准确的问题,提出一种基于邻域特征学习的单幅图像超分辨回归分析方法。在输入低分辨率图像后,利用图像特征从低分辨率图像及其对应高分辨率图像的几何相似结构中学习局部协方差。对于邻域中的每一个图像块,估计4个方向的方差以适应插值像素。实验结果表明,该方法既能保证重建的高分辨率图像均匀区域的一致性,同时也能完整保留图像细节信息和边缘轮廓。     

全局和局部结构内容自适应正则化的单幅图像超分辨模型

目的 基于正则化的重建是单幅图像超分辨的重要方法之一.其中,如何构造合适的图像先验,增强超分辨重建过程中的边缘和纹理保持能力是该类方法的关键.提出一个全局和局部结构内容自适应正则化的单幅图像超分辨模型.方法 该模型综合了图像梯度的全局非高斯性和局部结构方向自适应回归特性.首先,利用广义高斯分布拟合图像梯度模的重尾特性,由最大后验概率框架构造了图像全局内容感知的lα(0＜α＜1)范数稀疏性度量;然后,利用图像局部内容的各向异性相关性,给出基于Geman-McClure(GM)权函数加权的局部结构方向自适应回归先验;最后利用半二次惩罚和变量分裂法,设计了该优化模型快速求解的超分辨算法.结果 实验结果表明:在客观评价上,本文方法在峰值信噪比与结构相似度两方面优于现有的一些超分辨方法,在主观视觉效果上,能够很好的恢复图像的纹理细节和边缘信息.结论 基于全局和局部结构内容自适应正则化的单幅图像超分辨方法在保持图像边缘和恢复图像纹理细节方面取得较好的重建性能.     

纹理细节和边缘结构保持的图像插值算法

针对图像重建过程中产生的边缘结构被破坏和纹理细节丢失问题,提出一种纹理细节和边缘结构保持的图像插值算法。首先,采用自适应阈值的八方向边缘检测划分图像区域;其次,构造双变量有理函数模型,它可在有理模型和多项式模型之间转换;最后,提出基于边缘数据的局部不对称性和梯度特征调整待插值点空间距离的方法,调整边缘部分待插值点坐标并代入有理模型实现插值,而非边缘部分采用多项式模型插值。实验表明,该算法的峰值信噪比平均提升了0.48~2.17 dB,结构相似性平均提升了0.004~0.028,获得了较高的客观评价数据。该算法将原空间距离不变的插值修正为空间距离变化的插值,有效地保持了图像的边缘结构和纹理细节,使得重建结果具有较好的视觉效果。     

基于局部梯度的WaDi图像插值

线性插值算法容易产生细节模糊和边缘锯齿效应,为了较好地保持图像的边缘信息,改善图像的主观视觉效果,提出了一种改进的WarpedDistance(WaDi)图像插值方法.传统的WaDi算法是对空间线性插值的改进,但它仅仅利用了图像边缘的局部不对称特征来计算WaDi.除了局部不对称特征,局部梯度特征也是图像边缘的一种重要特征.文中采用将局部不对称特征和局部梯度特征相结合的方法来计算WaDi,可同时保持图像边缘的细节特征和非边缘的光滑性.实验结果表明,用该方法能获得高精度的插值图像.     

基于轮廓模板和自学习的图像纹理增强超采样算法

提出一种以轮廓模板插值和局部自学习相结合的图像纹理增强超采样算法,有效地恢复了插值图像丢失的细节纹理,抑制了插值图像边缘的扩散.该方法通过局部自相似性在原始低分辨图像中估计高频信息,对轮廓模板插值图像的细节纹理进行了恢复.其中,为了弥补轮廓模板插值缺少先验知识的缺陷,将原始低分辨率图像的高频信息作为先验知识.为了保证估计的高频信息最优,匹配的过程中采用双匹配,相比较于全局搜索和小窗搜索,提高了效率并保证了匹配精度.此外,使用高斯模糊代替了传统提取高频信息的方法,简化了算法的复杂度,提高了准确性和效率.对估计得到的高频信息采用高斯函数加窗,以减小估计出错和重叠区的混叠影响.本文算法的训练库由原始低分辨图像自身和插值图像构成,节省了生成训练库所需的时间和空间.训练库的简化使得高频信息的估计可以多尺度进行,算法效率得到进一步优化.理论分析和实验结果表明,相比传统的基于插值、基于自学习的图像超分辨率方法,本文方法获得更好的实验结果,主观效果得到明显改善,有效地恢复了图像的纹理细节,提高了图像边缘锐度,避免了产生锯齿等人工效应,客观指标得到提高.     

基于边缘特征引导的深度图像超分率重建

针对TOF(Time of Flight)相机深度图像在超分辨重建过程中易出现边缘模糊、纹理映射问题,在联合双边上采样滤波器的基础上提出一种基于深度图像自身边缘特征引导的超分辨重建方法。通过低分辨深度图像的边缘特征引导,将深度图像分为不同的区域,根据滤波区域性质的不同,对联合双边上采样滤波器模型中的颜色相似项进行不同加权。同时为了进一步保持图像边缘,在深度图像边缘部分加入一个结构保持项。最后利用联合双边上采样滤波器模型重建出高分辨深度图像。实验结果表明,该方法不仅提高了TOF深度图像的分辨率,而且很好地保护了深度图像的边缘结构,取得了较好的效果。     

基于分组SVR和KNR的单帧图像超分辨

基于学习的图像超分辨是超分辨领域的一类新方法,该方法通过建立映射模型有针对性地对图像目标进行恢复,取得较好的超分辨效果,但往往需要大量学习样本,实际情况中一般难以满足。在无高分辨清晰图像库作为训练样本的前提下,从低分辨图像与其插值图像之间的关系出发,引入分组的思想,采用支持向量回归（SVR）或核非线性回归（KNR）对“组”建立局部映射模型,利用局部模型针对性地重新估计被插值的像素点。结果表明该方法有明显的超分辨效果。     

基于局部梯度的WaDi图像插值

线性插值算法容易产生细节模糊和边缘锯齿效应,为了较好地保持图像的边缘信息,改善图像的主观视觉效果,提出了一种改进的Warped Distance（WaDi）图像插值方法。传统的WaDi算法是对空间线性插值的改进,但它仅仅利用了图像边缘的局部不对称特征来计算WaDi。除了局部不对称特征,局部梯度特征也是图像边缘的一种重要特征。文中采用将局部不对称特征和局部梯度特征相结合的方法来计算WaDi,可同时保持图像边缘的细节特征和非边缘的光滑性。实验结果表明,用该方法能获得高精度的插值图像。     

基于多帧融合及四参数仿射模型的图像超分辨

运动参数估计和复原是多帧图像超分辨重构中最重要的两个环节,其中经典的Fourier-Mellin变换方法于频域采用对数极坐标形式和相位相关方法结合来估计运动参数。相位相关是整像素级平移参数估计方法,将其改进为亚像素级平移参数估计方法,以提高旋转、缩放参数的估计精度。对于复原算法,在讨论基于局部信息的传统双三次插值超分辨重构方法的基础上,重点探讨基于全局信息的Kriging插值超分辨重构和核非线性回归（KNR）超分辨重构方法。实验结果表明,探讨的参数估计方法和超分辨重构方法是有效的。     

基于边缘最大相关性的快速图像插值算法

处理视频、网络信号要求有较好的视觉质量和较低的算法复杂度、运算量。传统的图像插值算法会产生细节模糊和边缘锯齿化,为此，提出了一种基于图像边缘多方向最大相关性的快速数字图像插值算法。为了得到高分辨率图像相关信息，根据图像空间域内多个方向邻近像素点的相关特性，利用与待内插值点相邻6个降采样像素值。实验证明，该算法降低了运算复杂度，有效地保持了边缘信息，得到了视觉质量较好的插值图像。     

局部几何结构驱动的图像插值放大及超分辨率复原

众所周知,图像插值是根据一幅低分辨率噪声图像重建相应高分辨率清晰图像的数字图像处理技术。虽然已有一些文献报道了多种图像插值算法,然而现有算法在插值视觉效果和计算复杂度两者间往往难以实现均衡,为此,提出了一种局部几何结构驱动的偏微分方程(PDE)图像插值算法。该算法通过耦合边缘、纹理和角形3种不同几何结构的扩散机制来进行插值,插值结果表明,该算法不仅具有抗噪声性能,而且能够同时增强边缘、纹理以及角形结构。考虑到图像的超分辨率复原与插值放大在数学本质上的一致性,特将上述PDE应用推广到图像的超分辨率复原,并且针对高强度噪声情形下,超分辨率图像中出现的伪纹理结构,提出了一种耦合全变差模型的改进的PDE。实验结果表明,不论是插值放大图像,还是超分辨率复原图像都具有较高的视觉质量和峰值信噪比。     

一种改进的边缘方向插值算法

已有的边缘方向插值算法利用高低分辨率图像局部方差之间存在的对偶性实现自适应非线性插值。其性能明显优于传统线性插值算法，但图像边缘噪声可能仍然比较明显。为了获得更好的视觉效果。提出了一种改进算法。充分利用局部降采样像素之间的相关信息，用和被插点相邻的6个降采样像素估计高分辨率图像的局部协方差。该算法应用于灰度和彩色图像的分辨率增强，不仅降低了运算复杂度，而且有效地抑制了边缘噪声，进一步提高了插值图像的视觉质量。     

改进相似性度量模型的单幅图像自学习超分辨算法

在自学习超分辨算法中,高低分辨率图像块匹配是否准确是算法的关键。在高低分辨率图像块匹配过程中,考虑图像块纹理结构的重要性,提出了一种基于纹理约束的图像块相似性度量模型,应用该模型完成了高低分辨率图像块更为准确的匹配,使超分辨结果图像的细节更加丰富,进一步提高了图像质量。该算法仅使用了单幅低分辨率图像自身的相关先验信息,有效提升了图像的空间分辨率。实验结果表明,与双三次插值算法、自相似学习超分辨算法相比,本文提出的算法超分辨视觉效果更好,并且在客观评价指标中同样表现良好。     

改进的图像自适应梯度插值

传统的图像插值算法存在边缘模糊和边缘锯齿,已有改进算法改善了插值图像质量,但存在斜边缘锯齿或局部扭曲变形等问题。为解决上述问题,提出了改进的图像自适应梯度插值。该方法首先根据图像的局部不对称性和局部梯度特征在1维方向上修正插值点空间距离,并将1维修正结果合并到2维空间,然后将修正的空间距离应用到传统的插值算法中。实验结果表明,该方法改善了插值图像的峰值信噪比,有效保护了图像在各个方向上的边缘信息。     

改进的单帧图像超分辨率算法研究

针对牛顿插值算法信息利用率不高的缺点,提出了一种改进的单帧图像超分辨率算法。利用源图像中的像素点信息,同时从多个方向计算牛顿插值结果,并根据源图像中各像素点的相关性通过融合计算获得超分辨率图像的插值结果。该方法既提高了源图像中信息的利用率,又减小了插值误差的累积。仿真实验结果表明,利用改进方法所获得的超分辨率图像更细腻清晰,尤其图像边缘区域所包含的大量细节信息可得到有效恢复。改进算法所获得的超分辨率图像的峰值信噪比、均方误差以及视觉信息保真度等评价指标均优于传统方法。     

Locally edge-adapted distance for image interpolation based on genetic fuzzy system

This study presents a new adaptive scheme for developing kernel-based interpolation methods that simultaneously enhance spatial image resolution and preserve locally detailed edges. A new edge-adapted distance is first estimated according to local gradients information by combining fuzzy theory with genetic learning algorithm. This estimated distance is then employed in place of the original Euclidean distance in various interpolation methods. Additionally, a learning procedure based on genetic algorithm is presented to obtain crucial parameters of the fuzzy system automatically. Experimental results presented in numerical comparisons and in visual observations verify the effectiveness of the proposed adaptive framework for kernel-based interpolation methods.     

Image super-resolution by estimating the enhancement weight of self example and external missing patches

Image super-resolution (SR) is the process of generating a high-resolution (HR) image using one or more low-resolution (LR) inputs. Many SR methods have been proposed, but generating the small-scale structure of an SR image remains a challenging task. We hence propose a single-image SR algorithm that combines the benefits of both internal and external SR methods. First, we estimate the enhancement weights of each LR-HR image patch pair. Next, we multiply each patch by the estimated enhancement weight to generate an initial SR patch. We then employ a method to recover the missing information from the high-resolution patches and create that missing information to generate a final SR image. We then employ iterative back-projection to further enhance visual quality. The method is compared qualitatively and quantitatively with several state-of-the-art methods, and the experimental results indicate that the proposed framework provides high contrast and better visual quality, particularly for non-smooth texture areas.     

基于深度可分离卷积和宽残差网络的医学影像超分辨率重建

为提高医学影像超分辨率的重建质量,提出了一种基于深度可分离卷积的宽残差超分辨率神经网络算法。首先,利用深度可分离卷积改进网络的残差块,扩宽残差块中卷积层的通道,将更多的特征信息传入了激活函数,使得网络中浅层低级图像特征更容易地传播到高层,提高了医学影像超分辨率的重建质量;然后,采用组归一化的方法训练网络,将卷积层的通道维度划分为组,在每个组内计算归一化的均值和方差,使得网络训练过程更快地收敛,解决了深度可分离卷积扩宽通道数导致网络训练难度增加的问题,同时网络表现出更好的性能。实验结果表明,对比传统的最近邻插值、双三次插值超分辨率算法,以及基于稀疏表达的超分辨率算法,所提算法重建出的医学影像纹理细节更加丰富、视觉效果更加逼真。对比基于卷积神经网络的超分辨率算法,基于宽残差超分辨率神经网络算法和生成对抗网络超分辨率算法,所提算法在峰值信噪比（PSNR）和结构相似性（SSIM）上有显著的提升。     

基于注意力生成对抗网络的图像超分辨率重建方法

针对现有基于深度学习的图像超分辨率重建方法,其对细节纹理恢复过程中容易产生伪纹理,并且没有充分利用原始低分辨率图像丰富的局部特征层信息的问题,提出一种基于注意力生成对抗网络的超分辨率重建方法.该方法中生成器部分是通过注意力递归网络构成,其网络中还引入了密集残差块结构.首先,生成器利用自编码结构提取图像局部特征层信息,并提升分辨率;然后,通过判别器进行图像修正,最终将图像重建为高分辨率图像.实验结果表明,在多种面向峰值信噪比超分辨率评价方法的网络中,所设计的网络表现出了稳定的训练性能,改善了图像的视觉质量,同时具有较强的鲁棒性.