基于流形学习和梯度约束的图像超分辨率重建

将改进的基于流形学习的超分辨率重建与基于梯度约束的正则化重建结合起来,提出一种新的单帧图像超分辨率重建算法.该算法首先针对基于流形学习的超分辨率重建,提出新的特征提取方法,联合归一化亮度与平稳小波变换细节子带系数两个特征矢量,提高重建性能;然后将学习得到的高分辨率图像作为初始估计,将其梯度作为目标梯度域,进行基于梯度约束的正则化重建,得到最终的高分辨率图像.与现有的一些算法相比,文中算法无论在视觉效果还是客观评价上都具有较好的重建性能.     

基于Keren配准和插值的快速超分辨率图像重建

为提高图像超分辨率重建技术实时应用的可能性,增强其对配准误差的容忍度,提出了一种基于Keren配准和插值的快速鲁棒超分辨率图像重建算法.该算法将配准后的低分辨率图像根据变换参数映射到高分辨率网格上,再利用模板卷积迭代地填充缺失像素值,从而重建一幅高分辨率图像.将文中算法与非均匀插值法、凸集映射法、鲁棒的迭代后向映射法和...     

基于DRNAMC表示的快速矩计算算法

为了进一步提高低阶矩的计算速度,分析了基于对角优先的矩形非对称逆布局模型编码（DRNAMc）表示的同类块的矩计算的复杂度,给出了基于DRNAMC表示的矩计算的2个重要定理,提出了一种DR—NAMC基于表示的快速矩计算算法．实验结果表明：以Peppers,Boat和Goldhill等灰度图像作为典型测试对象,与流行的基于S树编码（STC）表示和传统表示的矩计算算法相比,基于DRNAMC表示方法的矩计算平均执行速度比基于STC表示方法的矩计算平均执行速度提高了32．92％,比传统表示方法的平均执行速度提高了91．07％,是一种良好的矩计算方法．     

基于近邻嵌入逐级放大的图像超分辨率重建

针对基于近邻嵌入的图像超分辨率重建,提出带约束的逐级放大策略来提高近邻保持率,改进重建效果,并对各级放大的图像用迭代反向投影约束进行修正,减少学习过程中可能出现的误差,保证每一级的解向着正确的方向演化.此外,为充分利用测试图像本身的信息,将由测试图像得到的在线训练集与由训练图像数据库得到的离线训练集串联,构成联合训练集,进一步改进算法的性能.实验表明,与现有的一些算法相比,文中算法无论在视觉效果还是客观评价上都获得了更好的结果.