结合结构自相似性和卷积网络的单幅图像超分辨率

针对单幅图像超分辨率（SR）复原病态逆问题,在重建过程边缘细节丢失导致的模糊,提出一种结合结构自相似和卷积网络的单幅图像超分辨率算法。首先,通过将尺度分解获得待重构图片样本的自身结构相似性,结合外部数据库样本结合作为训练样本,可以解决样本过于分散的问题;其次,将样本输入卷积神经网络（CNN）进行训练学习,得到单幅图像超分辨率的先验知识;然后,利用非局部约束项自适应选择最优字典重建图像;最后,利用迭代反投影算法对图像超分辨率效果进一步提升。实验结果表明,与双三次插值（Bicubic）方法、K-SVD算法和基于卷积神经网络的图像超分辨率（SRCNN）方法等优秀算法相比,所提算法可以得到边缘更为清晰的超分辨率重建效果。     

基于汉宁窗函数的滤波器的设计

在CT图像重建中,滤波反投影是目前采用最为广泛的算法,滤波器又是滤波反投影的重要组成部分,因此滤波器的设计是滤波反投影算法的关键.滤波器的设计主要是其窗函数的选择,本文基于汉宁窗函数的特点,提出了一种可调节参数的窗函数.通过仿真实验,给投影数据加入噪声,采取不同的参数进行图像重建,考察不同的参数对噪声的抑制作用.实际检...     

基于稀疏表示的滤波反投影超声层析成像重建算法

针对传统超声Lamb波难以检测复合材料分层缺陷以及直观描绘缺陷形状的问题,提出一种基于稀疏表示的滤波反投影（FBP）超声层析成像重建算法。首先,提取超声Lamb波在复合材料缺陷板中的走时信号作为投影值,把对投影的一维傅里叶变换等效于对原图像进行的二维的傅里叶变换,与滤波器函数进行卷积运算并沿不同方向投影,从而得到FBP重建图像;然后,构建稀疏超分辨率模型,通过构建低分辨率图像块和高分辨图像块字典进行联合训练,以强化低分辨率和高分辨率块与真实图像块之间的稀疏相似性,并使用低分辨率块和高分辨率块构建完备的字典;最后,将FBP得到的图像代入构建的字典中得到完整的高分辨率图像。实验结果表明,相较于使用线性插值的算法重建的图像,所提算法重建图像的峰值信噪比（PSNR）、结构相似度（SSIM）和边缘结构相似度（ESSIM）值分别提高9.22%、2.90%与80.77%;相较于双三次样条插值算法重建的图像,所提算法重建图像的PSNR、SSIM、ESSIM分别提高4.75%、1.52%与16.5%。所提算法能够有效检测复合材料的分层缺陷,提高获得的分层缺陷图像的分辨率,强化图像的边缘细节。     

基于残差神经网络的图像超分辨率改进算法

为更有效地提升图像的超分辨率（SR）效果,提出了一种多阶段级联残差卷积神经网络模型。首先,该模型采用了两阶段超分辨率图像重建方法先重建2倍超分辨率图像,再重建4倍超分辨率图像;其次,第一阶段与第二阶段皆使用残差层和跳层结构预测出高分辨率空间的纹理信息,由反卷积层分别重建出2倍与4倍大小的超分辨率图像;最后,以两阶段的结果分别构建多任务损失函数,利用第一阶段的损失指导第二阶段的损失,从而提高网络的训练速度,加强网络学习中的监督指导。实验结果表明,与bilinear算法、bicubic算法、基于卷积神经网络的图像超分辨率（SRCNN）算法和加速的超分辨率卷积神经网络（FSRCNN）算法相比,所提模型能更好地重建出图像的细节和纹理,避免了经过迭代之后造成的图像过度平滑,获得更高的峰值信噪比（PSNR）和平均结构相似度（MSSIM）。     

三维锥束重建中滤波器的设计

设计了几种用于CT三维锥束图像重建的滤波器,并将其对图像质量的影响进行了分析。CT是一种先进的成像技术,现已被应用于多个领域。CT图像重建算法多采用滤波反投影法,滤波是此方法的核心部分。本文介绍了三维锥束近似重建的基本原理,分析并设计了几种用于CT锥束图像重建的滤波器,并且通过投影数据的图像重建结果分析了不同滤波函数对断层图像重建质量的影响。实验结果证明：所设计的几种滤波器能较好的满足实际图像重建的要求。     

生成对抗网络下的低剂量CT图像增强

为去除低剂量计算机断层扫描（LDCT）图像中的噪声,增强去噪后图像的显示效果,提出一种生成对抗网络（GAN）下的LDCT图像增强算法。首先,将GAN与感知损失、结构损失相结合对LDCT图像进行去噪;然后,对去噪后的图像分别进行动态灰度增强和边缘轮廓增强;最后,利用非下采样轮廓波变换（NSCT）将增强后的图像在频域上分解为具有多方向性的系数子图,并将配对的高低频子图使用卷积神经网络（CNN）进行自适应融合,以重构得到增强后的计算机断层扫描（CT）图像。使用AAPM比赛公开的真实临床数据作为实验数据集,进行图像去噪、增强、融合实验,所提方法在峰值信噪比（PSNR）、结构相似度（SSIM）和均方根误差（RMSE）上的结果分别为33.015 5 dB、0.918 5和5.99。实验结果表明,所提算法在去除噪声的同时能保留CT图像的细节信息,提高图像的亮度和对比度,有助于医生更加准确地分析病情。     

改进的基于通道注意力反馈网络的遥感图像融合算法

针对前馈卷积神经网络（CNN）感受野较小、获取上下文信息不足、其特征提取卷积层只能提取到浅层特征的问题,提出改进的基于通道注意力反馈网络的遥感图像融合算法。首先,通过两层卷积层分别初步提取全色（PAN）图像的细节特征和低分辨率多光谱（LMS）图像的光谱特征;其次,将提取的特征和网络反馈的深层特征相结合,并将其输入到通道注意力机制模块中以得到初步精细化特征;然后,经过反馈模块生成表征能力更强的深层特征;最后,将生成的深层特征经过含有反卷积的重建层,从而得到高分辨率多光谱（HMS）图像。在三个不同卫星图像数据集上的实验结果表明：所提算法能很好地提取PAN图像的细节特征和LMS图像的光谱特征,同时其恢复出来的HMS图像在主观视觉上更加清晰,并且在客观评价指标上优于对比算法,同时在均方根误差（RMSE）指标上,所提算法比传统算法降低了50%以上,比前馈卷积神经网络算法降低了10%以上。     

基于轻量密集神经网络的医学图像超分辨率重建算法

医学图像的清晰与否直接影响临床诊断。由于成像设备与环境因素的限制,往往不能直接获得高分辨率的图像,且大多数智能终端的硬件并不适合运行大规模深度神经网络模型,因此提出一种拥有较少的层和参数的轻量密集神经网络模型。首先,网络中使用密集块和跳层结构进行全局和局部图像特征学习,并将更多特征信息传入激活函数,从而使网络中浅层低级的图像特征更容易传播到高层,由此提高医学图像超分辨率重建的质量;然后,采用分阶段方法训练网络,并以双任务损失加强网络学习中的监督指导,从而解决高倍图像超分辨率重建导致的网络训练难度增加的问题。实验结果表明,与最近邻（NN）插值、双线性插值、双立方插值、基于卷积神经网络（CNN）的算法以及基于残差神经网络的算法相比,所提模型能更好地重建出医学图像的纹理细节,获得更高的峰值信噪比（PSNR）和结构相似性（SSIM）,在训练速度和硬件消耗方面均取得了良好的效果,具有较高的实用价值。     

平稳小波域深度残差CNN用于低剂量CT图像估计

针对低剂量计算机断层扫描（LDCT）重建图像中存在大量噪声的问题,提出了一种平稳小波的深度残差卷积神经网络（SWT-CNN）模型,可以从LDCT图像估计标准剂量计算机断层扫描（NDCT）图像。该模型在训练阶段,将LDCT图像经平稳小波（SWT）三级分解后的高频系数作为输入,将LDCT图像高频系数与NDCT图像高频系数相减得到残差系数作为标签,通过深度卷积神经网络（CNN）学习输入和标签之间的映射关系;在测试阶段,利用此映射关系即可从LDCT图像的高频系数中预测NDCT高频系数,最后通过平稳小波反变换（ISWT）重构预测的NDCT图像。实验采用50对大小为512×512的同一体模的常规剂量胸腔及腹腔扫描切片和投影域添加噪声后的重建图像作为数据集,其中45对作为训练集,其余5对作为测试集。将所提模型与效果较好的非局部降噪算法、K-奇异值分解（K-SVD）算法、匹配三维滤波（BM3D）算法及图像域CNN（Image-CNN）模型对比,实验结果表明,SWT-CNN模型预测的NDCT图像信噪比（PSNR）和结构相似性（SSIM）高,且均方根误差（RMSE）小于其他算法处理结果。该模型对于提高低剂量CT图像质量是可行且有效的。     

基于空洞卷积的医学图像超分辨率重建算法

为解决现有医学图像超分辨率重建中存在的图像细节模糊、全局信息利用不充分等问题,提出一种基于空洞卷积与改进的混合注意力机制的医学图像超分辨率重建算法。首先,将深度可分离卷积与空洞卷积相结合,使用不同大小的感受野对图像进行不同尺度的特征提取,从而增强特征表达能力;其次,引入边缘通道注意力机制,在提取图像高频特征的同时融合边缘信息,从而提高模型的重建精度;再次,混合L1损失与感知损失函数作为整体损失函数,使重建后的图像效果更符合人类视觉感观。实验结果表明,在放大因子为3时,与基于卷积神经网络的图像超分辨率（SRCNN）算法、VDSR(Very Deep convolutional networks Super-Resolution)相比,所提算法的峰值信噪比（PSNR）平均提高了11.29%与7.85%;结构相似性（SSIM）平均提高了5.25%和2.44%。可见,所提算法能增强医学图像的效果与纹理特征,且对图像整体结构还原更加完整。     

应用通道间相关性及增强信息蒸馏的彩色图像去马赛克网络

在商用数码相机中,由于CMOS传感器的限制,在采样得到的图像中的每个像素位置仅有一个色彩通道的信息,因此,需要采用彩色图像去马赛克(CDM)算法来恢复全彩图像.然而,现有的基于卷积神经网络(CNN)的CDM算法不能以较低的计算复杂度和网络参数量取得令人满意的性能.针对这个问题,提出一种应用通道间相关性和增强信息蒸馏(I...     

自适应步长非局部全变分约束迭代图像重建算法

针对计算机断层成像（CT）系统中,全变分（TV）迭代约束模型易于产生阶梯效应以及不能很好地保存图像中精细结构的问题,提出一种自适应步长的非局部全变分（NLTV）约束迭代重建算法。考虑到NLTV模型能较好保存和恢复图像细节以及纹理的特点,首先将CT模型当成在满足投影数据的保真项的解集中寻找满足特定正则项即NLTV最小化的解约束优化模型;然后,使用代数重建（ART）算法和分离布雷格曼（SB）来确保重建结果满足数据保真项和正则化项的约束;最后,以自适应最速下降-投影到凸集（ASD-POCS）算法作为基础迭代框架来重建图像。实验结果表明,在不含噪声的稀疏重建条件下,提出的算法使用30个角度的投影数据已经可以重建出理想的结果。在含噪稀疏数据重建实验中,该算法在30次迭代时已得到接近最终收敛的结果,且均方根误差（RMSE）是ASD-POCS算法的2.5倍。该重建算法能在稀疏投影数据下重建出精确的结果图像,同时改善了TV迭代模型的细节重建能力,且对噪声有一定的抑制作用。     

基于教与学优化的可变卷积自编码器的医学图像分类方法

针对传统手工方法优化卷积神经网络（CNN）参数时存在耗时长、不准确,以及参数设置影响算法性能等问题,提出一种基于教与学优化（TLBO）的可变卷积自编码器（CAE）算法。该算法设计了可变长度的个体编码策略,从而快速构建CAE结构,并堆叠CAE为一个CNN;此外,充分利用优秀个体的结构信息来引导算法朝着更有希望的区域搜索,从而提高算法性能。实验结果表明,所提算法在解决医学图像分类问题时,分类精度达到89.84%,高于传统CNN和同类型神经网络。该算法通过优化CAE结构和堆叠CNN解决医学图像分类问题,有效提高了医学图像分类性能。     

基于多特征融合的多尺度生成对抗网络图像修复算法

针对多尺度生成式对抗网络图像修复算法（MGANII）在修复图像过程中训练不稳定、修复图像的结构一致性差以及细节和纹理不足等问题,提出了一种基于多特征融合的多尺度生成对抗网络的图像修复算法。首先,针对结构一致性差以及细节和纹理不足的问题,在传统的生成器中引入多特征融合模块（MFFM）,并且引入了一个基于感知的特征重构损失函数来提高扩张卷积网络的特征提取能力,从而改善修复图像的细节性和纹理特征;然后,在局部判别器中引入了一个基于感知的特征匹配损失函数来提升判别器的鉴别能力,从而增强了修复图像的结构一致性;最后,在对抗损失函数中引入风险惩罚项来满足利普希茨连续条件,使得网络在训练过程中能快速稳定地收敛。在CelebA数据集上,所提的多特征融合的图像修复算法与MANGII相比能快速收敛,同时所提算法所修复图像的峰值信噪比（PSNR）、结构相似性（SSIM）比基线算法所修复图像分别提高了0.45%～8.67%和0.88%～8.06%,而Frechet Inception距离得分（FID）比基线算法所修复图像降低了36.01%～46.97%。实验结果表明,所提算法的修复性能优于基线算法。     

基于无监督学习卷积神经网络的振动信号模态参数识别

针对现有的时域模态参数识别方法大多存在难定阶和抗噪性差的问题,提出一种无监督学习的卷积神经网络（CNN）的振动信号模态识别方法。该算法在卷积神经网络的基础上进行改进。首先,将应用于二维图像处理的卷积神经网络改成处理一维信号的卷积神经网络,其中输入层改成待提取模态参数的振动信号集合,中间层改成若干一维卷积层、抽样层,输出层得到的为信号对应的N阶模态参数集合;然后,在误差评估中,对网络计算结果（N阶模态参数集）进行振动信号重构;最后,将重构信号和输入信号之间差的平方和作为网络学习误差,使得网络变成无监督学习网络,避免模态参数提取算法的定阶难题。实验结果表明,当所构建的卷积神经网络应用于模态参数提取时,与随机子空间识别（SSI）算法及其局部线性嵌入（LLE）算法对比,在噪声干扰下,构建的卷积神经网络识别精度要高于SSI算法与LLE算法,具有抗噪声强、避免了定阶难题的优点。     

低剂量CT图像的自适应广义总变分降噪算法

针对低剂量计算机断层扫描(CT)重建图像时出现明显条形伪影的现象,提出一种自适应广义总变分(ATGV)降噪算法。该算法考虑了传统广义总变分(TGV)算法在降噪时模糊图像边缘信息的缺点,把可以有效区分图像平滑区和细节区的直觉模糊熵应用到传统TGV中,对图像的不同区域进行不同强度的去噪,从而达到保护图像细节的效果。该算法首先采用滤波反投影(FBP)算法得到低剂量CT重建图像;然后利用基于直觉模糊熵的边缘指示函数对传统TGV模型进行改进;最后用改进后的模型对重建图像进行降噪处理。采用Shepp-Logan模型和数字胸腔模型(thorax phantom)仿真低剂量CT重建图像来验证算法的有效性。实验结果表明,所提算法的归一化均方距离(NMSD)和归一化平均绝对距离(NAAD)均比总变分(TV)降噪算法和广义总变分(TGV)降噪算法小,且可分别获得26.90 dB和44.58 dB的峰值信噪比(PSNR)。该算法在去除条形伪影的同时可以较好地保持图像的边缘和细节信息。     

结合梯度投影稀疏重构和复数小波的图像重构

压缩感知主要包括随机投影和重构两部分。针对迭代收缩算法收敛速度较慢,普通二维小波变换缺少方向性表示的缺点,利用置乱离散余弦变换（PDCT）实现随机投影,重构时采用梯度投影算法,在简化计算的基础上,通过迭代的方式完善图像在双树复数小波域的变换系数,最后经反变换后得到重构图像。在同一重构算法下,比较了利用双树复数小波变换和双正交小波变换的重构结果,结果表明前者重构后的图像在细节和平滑度上优于后者,在峰值信噪比（PSNR）上平均高出约1.5 dB;同一稀疏域中,梯度投影算法的收敛速度优于迭代收缩算法;相同稀疏域和重构算法下,PDCT与结构随机矩阵相比在PSNR上略高。     

基于多种正则化的改进超分辨率重建算法

为了解决超分辨率图像重建过程中无法同时降低平滑区域噪声和保持图像细节的问题,结合改进的非局部变分（NLTV）和全变分（TV）正则项方法提出一种新的超分辨率重建算法。首先,根据图像重尾分布特性,结合高斯分布、拉普拉斯分布及柯西分布改进了传统NLTV正则项系数,提出了改进的ANLTV正则项。然后利用ANLTV正则项基于分裂Bregman算法重建了初始的高分辨率图像。最后结合TV正则项对重建的高分辨率图像进行去模糊操作,进而得到最终的超分辨率图像重建结果。为验证所提算法的性能,分别利用该算法与传统的TV和NLTV算法进行超分辨率图像重建并对比。实验结果表明,所提出的方法相比于传统的TV和NLTV重建算法,其峰值信噪比、信噪比和结构相似度均有所提高,能够同时满足超分辨率图像重建过程中抑制噪声和保持边缘细节的需求。