一种基于MOD字典学习的图像超分辨率重建新算法

将低分辨率图像重建成高分辨率图像是图像处理领域中的一个重要课题。Yang提出一种基于联合字典学习的图像超分辨率重建算法,其算法样本选取与字典训练方法较为复杂。提出一种基于MOD字典学习的图像超分辨率重建新算法,首先采用少量的训练样本代替Yang的大量训练样本,然后使用MOD字典学习算法代替Yang的FFS字典学习算法,最后利用字典对图像进行稀疏表示与重建。实验结果表明,所提出的算法速度较快,并且重建图像的质量较高。     

基于稀疏表示的车牌图像超分辨率算法研究

介绍一种应用于车牌图像的稀疏表示超分辨率算法,依据稀疏表示理论,自然图像在合适的过完备字典下总存在稀疏的表示,为输入的低分辨率图像寻找一个稀疏表示,用稀疏系数来生成高分辨率输出图像。通过对低分辨率和高分辨率图像补丁的联合训练生成字典,该字典提供低分辨率图像补丁的稀疏表示,用来生成高分辨率图像补丁。     

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...     

基于耦合过完备字典的红外云图超分辨率方法

针对红外云图分辨率低的问题,提出一种基于耦合过完备字典的超分辨率方法。在分析红外云图成像退化模型的基础上,建立了采用稀疏表示理论的超分辨率重构框架,首先随机抽取大量高、低分辨率云图的图像块,组成训练样本,经过字典学习获取针对高、低分辨率云图块的两个字典Dh和Dl,为保证对应的高、低分辨率云图块关于各自的字典具有相似的稀疏表示,提出一种耦合字典学习算法,该算法改变了字典对的更新策略,通过在每一步迭代中交替优化Dh和Dl,得到耦合的过完备字典对;最后对输入的低分辨率红外云图,采用最优正交匹配追踪算法(Optimized Orthogonal Matching Pursuit Algorithm,OOMP),得到满足重构约束的高分辨率云图。实验结果表明,本文方法与其他方法相比,红外云图重构质量有较为明显的改善,而且比同类方法具有更高的计算效率。     

融合2D-PCA及稀疏表示的掌纹识别方法

提出一种基于稀疏表示的掌纹识别方法,该方法借鉴二维主成分分析(PCA)良好的数据压缩属性和较快的特征提取速度,生成掌纹特征图像.二维PCA不仅克服了一维PCA数据维数过大不易计算的缺点,而且保留了原始图像的数据结构,提取的特征能更好的代表原始图像.为了便于稀疏表达,对提取的掌纹特征图像利用一维主成分分析进行二次特征提取,得到训练样本.虽然此处使用了一维PCA,但是由于这是二次特征提取,提取的特征还是保留了原始图像的数据结构,相比单纯的一维PCA,提高了识别率.利用训练样本构造出冗余字典,并采用稀疏表示理论将测试样本表示为字典原子的线性组合,然后根据表示系数的稀疏性与稀疏集中度实现分类识别.由于该方法利用了表达系数的稀疏性,因此减小了算法的时间和空间复杂度.实验表明,针对香港理工大学的MSpalmprints Database,本文方法的识别率较传统方法有明显提高.     

基于自相似性与稀疏表示的超分辨率算法

目的为了解决当前稀疏表示的超分辨率算法效果依赖参与训练的数据的问题,结合图像的自相似性,提出一种基于自相似性与稀疏表示相结合的超分辨率算法。方法算法利用图像的多维自相似性,构建多维图像金字塔,采用改进的相似块搜索策略,得到对应的高低分辨率图像块作为训练样本,然后对样本进行字典训练,最后根据稀疏表示得到超分辨率图像。结果实验结果显示,文中算法在峰值信噪比(PSNR)和结构相似度(SSIM)上优于其他算法,对于实验图像而言,PSNR平均提升了0.5 dB。结论提出的超分辨率算法未引入外部数据库,具有较好的效果,能够用于超分辨率重建。     

基于生成对抗网络的CT图像无监督超分辨率分析

提高计算机断层成像(CT)医疗影像的分辨率有助于医生更精确地识别病变部位,具有重要临床诊断意义。本文研究在没有高-低分辨率图像对数据的条件下,使用仅包含低分辨率图像的数据集,通过降质网络和注入噪声获得与真实图像同域的低分辨率图像,进而构造接近天然图像对的训练数据集。并且设计了包括超分辨生成器、超分辨鉴别器和超分辨特征提取器的超分辨率生成对抗网络(DeSRGAN),实现对CT影像4倍超分辨率分析。实验测试表明,超分辨率分析生成的4倍CT图像在NIQE、BRISQUE和PIQE等无参考图像质量评估指标的定量对比中,DeSRGAN方法均优于最新的单图像超分辨率的增强型深度残差网络(EDSR)、残差信道注意力网络(RCAN)、增强型超分辨率生成对抗性网络(ESRGAN)等方法生成的图像。同时在直观视觉效果上,DeSRGAN方法生成的图像具有更清晰细节和更好感知效果。     

增强稀疏编码的超分辨率重建

本文提出一种基于稀疏字典编码的超分辫率方法.该方法有效地建立高、低分辫率图像高频块间的稀疏关联,并将这种关联作为先验知识来指导基于稀疏字典的超分辫率重建.较超完备字典,稀疏字典对先验知识的表达更紧凑、更高效.字典训练过程中,本文选用高频信息作为高分辫率图像的特征,更有效地建立高、低分辫率图像决间的稀疏关联,所需的训练样...     

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。     

Gabor特征结合Metaface学习的扩展稀疏表示人脸识别

为了克服人脸识别中存在的遮挡等闭塞问题,本文提出了Gabor特征结合Metaface学习的扩展稀疏表示人脸识别算法(GMFL)。考虑到Gabor局部特征对光照、表情和姿态等变化的鲁棒性,该算法首先提取图像的Gabor特征集;然后对Gabor特征集进行Metaface字典学习得到具有更强稀疏表示能力的新字典,同时引入Gabor闭塞字典来编码表示图像中的闭塞部分,并与新字典联合构造一组过完备字典基;最后利用过完备字典基求解稀疏系数重构样本,根据样本与重构样本之间的残差最小原则对人脸图像进行分类识别。在AR人脸库和FERET数据库上的实验结果验证了本文算法的可行性和有效性。     

基于图像自相似性及字典学习的超分辨率重建算法

图像超分辨率重建技术在重构图像细节,改善图像视觉效果等方面起着重要作用.为了提高超分辨率图像的重构质量,本文结合图像自身和自然图像库信息进行超分辨率重建.先利用图像在不同尺度的自相似性,形成图像金字塔,只用单幅低分辨率图像进行超分辨率重建;然后利用自然图像库进行字典学习并以初步得到的重建图像作为输入再次处理;在图像后处理时,利用图像非局部相似性和迭代反投影,进一步提高重建效果.实验结果表明,本文的方法与其它几种基于学习的超分辨率算法比较,无论主观视觉效果上还是峰值信噪比上都有明显提高.     

稀疏规则引导的由粗及细系数累积人脸识别算法

考虑到以训练样本作为字典未利用类间差异特征的不足,且利用最小残差判别函数分类时,各类残差可能因较接近而导致分类错误。针对此问题,从分类判别函数出发,提出稀疏规则引导的由粗及细系数累积人脸识别算法。首先,用所有训练样本作为字典表示测试样本,得到相邻最大类累积稀疏系数。进而,根据累积系数相对差别,对训练样本类别进行软约束,摒弃与测试样本相异甚远的类别,遴选候选类。最后,利用最大类稀疏系数累积作为判别函数,融合由粗及细的结果进行分类从而获得最终的识别率。该方法不仅充分利用系数的稀疏性,而且发挥候选类具有增强字典鉴别力的作用,从而取得较高的识别率。本文方法分别在ORL、AR和GT(Georgia Tech Face Database)人脸数据库上进行了实验。     

基于主动位移成像的图像超分辨率重建

超分辨重建算法是一种将低分辨率图像恢复为高分辨率图像的算法,被广泛用于医学、遥感、军事安防以及人脸识别等领域。在黑夜、远场场景下构建数据集比较困难,基于深度学习的超分辨重建算法应用受到阻碍。而微扫描成像技术扫描模式固定,对器件到位精度要求高。针对这两个问题,我们提出一种基于主动位移成像的图像超分辨率重建算法。具体地,在控制相机随机移动的同时记录采样时刻位移,通过解算、映射选图、精确匹配图像序列并获取多帧图像间的亚像素信息,然后对估计图像进行迭代和更新,最后重建获得高分辨率图像。实验结果表明,本算法在PSNR、SSIM和平均梯度三个指标上都优于最近提出的基于POCS的图像超分辨率重建算法MFPOCS,与基于CNN的方法 ACNet相比具有竞争力。值得提出的是,本算法无需固定的扫描模式,降低了微扫描技术对器件实时到位精度的要求,同时,本算法可以保证重建初始帧的优良选取,有效规避了POCS算法的固有缺点。     

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。     

光滑逼近超完备稀疏表示的图像超分辨率重构

为改善单帧降质图像的分辨率水平,提出了一种新的基于稀疏表示的学习法超分辨率图像重构方法。针对信号在既定的欠定超完备字典下的非稀疏性问题,采用光滑的递减函数逼近L0范数以避免对稀疏度先验的依赖,从而实现待重构图像块的有效稀疏表示,同时通过梯度下降的迭代优化获得稳定的收敛解。与双立方插值相比,图像的三倍超分辨实验显示,图像峰值信噪比(PSNR)提高2dB,框架相似性(SSIM)改善0.04,重构图像剔除了更多的模糊退化及边缘伪迹。该方法适于单帧降质图像的超分辨率增强。     

共享空间基-逐类剩余空间基混合稀疏表示人脸识别算法

针对传统训练样本字典学习未利用类共有信息的不足,引入共享空间和与类别相关的剩余空间,提出了共享空间基-逐类剩余空间基混合稀疏表示人脸识别的算法。该算法首先提取训练样本主成分分析(PCA)特征,获取无标记的共享空间基及其重构样本得到类共有信息;然后结合原始样本得到差分训练集合,并引入类间差异信息构建逐类特异性剩余空间基;最后融合共享空间基和剩余空间基,利用残差判别函数完成模式分类。该方法不仅利用混合空间的正交特性,而且发挥剩余空间的鉴别能力和共享信息稀疏逼近的作用,使结构性字典和模式分类紧密结合。该方法的有效性,分别通过用AR、CMU PIE、Extended Yale B人脸数据库进行的实验得到验证。     

稀疏重建的兰姆波结构损伤定位

研究了基于稀疏重建算法的兰姆(Lamb)波损伤成像方法。利用损伤的稀疏性,对测量信号在字典中寻求其稀疏表示,通过稀疏重建方法得到定位缺陷的图像。由兰姆波信号传播模型理论,计算检测区域所有可能出现缺陷位置对应传感器接收到的散射信号波形,以此组成过完备字典;并通过梯度投影算法从字典中搜寻匹配的原子,匹配原子在字典中的位置对应于缺陷在检测区域中的位置。仿真实验采用多模态兰姆波进行损伤定位,结果表明稀疏重建方法在低噪声情况下可以实现对单个、两个缺陷的定位,和延迟求和成像方法对比,稀疏成像具有更少的噪声干扰及伪像。     

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。     

基于可分离字典的稀疏和低秩表示图像去噪

目的 为了有效去除图像中的椒盐噪声，提高图像质量。方法 文中将可分离字典和低秩表示结合，提出基于可分离字典的稀疏和低秩表示算法(SLRR–SD)。首先，使用可分离字典代替传统的过完备字典可分离字典可以对二维图像直接表示。其次，使用Frobenius范数对分离字典进行约束以挖掘字典内部的低秩性。此外，为了挖掘图像内部的稀疏结构，对表示系数使用稀疏约束进一步提升表示的有效性。结果 提出的算法在噪声强度为5%、10%、20%和30%下，PSNR/FSIM的平均值分别为32.736/0.975、29.769/0.957、29.295/0.951和26.768/0.921。结论 文中算法保留了相邻列之间的相关性，并且可分离字典优化过程也降低了计算负担。实验结果表明，该算法在保留原图像信息的同时能更好地完成去噪任务。     

基于子空间字典偶学习的高光谱图像分类

针对高光谱高分辨率带来巨大数据量和空间分辨率引起混合像元的问题,提出了基于子空间(subspace)的字典偶学习(DPL)算法,简称DPLsub算法。DPL算法是对字典学习的改进,它通过学习得到综合字典和分析字典,在模式识别中体现了高效性,而子空间投影的方法能更好地表征噪声和高度混合的像元。将光谱和空间特征融合的方法用于分类研究试验。实验数据是两幅高光谱影像,比较了子空间字典偶学习(DPLsub)模型和其他三种分类器即最小二乘支持向量机(LS-SVM)、稀疏多分类回归(SMLR)和字典学习(DL-OMP)的分类结果。实验结果显示,DPLsub算法无论在时间上还是精度上都优于其他算法,证明了这种子空间字典偶学习方法对高光谱图像分类的可行性与高效性。