基于MAP算法的图像超分辨率重建

近年来图像的超分辨率重建已经成为人们广泛研究的热点.本文提出了一种从多幅低分辨率欠采样图像中重建出一幅高分辨率图像的重建方法.该方法基于MAP框架,用迭代方法得到最优化解.在每次的迭代过程中利用上次迭代得到的重建图像的有用信息来不断调整迭代参数,不断的循环迭代,最后求解出重建图像的最优解.实验结果证明,该方法有效,它不仅能在迭代过程中自动选择和更新调整参数,并且能得到期望的高分辨率重建图像.     

基于POCS框架的时空联合自适应视频超分辨率重建算法*

针对传统POCS( projection onto convex sets)算法的局限性,提出了一种基于POCS框架的时空联合自适应视频超分辨率重建算法.通过引入时空联合自适应机制,算法有效地减缓了错误运动估计信息对重建图像质量的影响,克服了传统POCS算法对目标运动剧烈的视频序列重建时存在的噪声放大效应.实验结果表明...     

基于自适应滤波的视频序列超分辨率重建

针对视频序列的超分辨率重建,提出了一种动态自适应滤波方法.在最大后验概率估计和加权最小二乘的基础上,给出视频序列超分辨率重建数学模型;深入研究了运动补偿矩阵和权值矩阵的构成和性质;详细推导了自适应滤波器的递推公式;分析了算法的存储与计算复杂度.仿真实验表明该算法的重建结果相当有效,相比双三次插值和无运动补偿的单帧迭代重建,可以获得一定的PSNR增益;与Elad滤波方法相比,具有更小的计算量和更强的自适应性和鲁棒性.     

亮度—梯度联合约束的车牌图像超分辨率重建

目的 受成像距离、光照条件、动态模糊等因素影响,监控系统拍摄的车牌图像往往并不具备较高的可辨识度。为改善成像质量,提升对车牌的识别能力,提出一种基于亮度与梯度联合约束的车牌图像超分辨率重建方法。方法 首先充分结合亮度约束和梯度约束的优势,实现对运动位移和模糊函数的精确估计;为抑制重建图像中的噪声与伪影,基于车牌图像的文字化特征,进一步确定了亮度与梯度联合约束的图像先验模型。结果 为验证该方法的有效性,利用监控系统获得4组车牌图像,分别进行模拟和真实的超分辨率重建实验。在模拟实验中将联合约束图像先验重建结果与拉普拉斯、Huber-Markov（HMRF）以及总变分（TV）先验的处理结果进行对比,联合约束先验对车牌纹理信息的恢复效果优于其他3种常见图像先验;同时,在模拟和真实实验中,将本文算法与双三次插值、传统最大后验概率、非线性扩散正则化和自适应范数正则化方法的超分辨率重建结果进行比较,模拟实验的结果表明,在不添加噪声情况下,该算法峰值信噪比（PSNR）和结构相似性（SSIM）指标分别为35.326 dB和0.958,优于其他4种算法;该算法在真实实验中,能够有效增强车牌图像纹理信息,获得较优的视觉效果,通过对重建车牌图像的字符识别精度比较,本文算法重建结果的识别精度远高于其他3种算法,平均字符差距为1.3。结论 模拟和真实图像序列的实验结果证明,基于亮度—梯度联合约束的超分辨率重建方法,能够降低运动和模糊等参数的估计误差,有效减少图像中存在的模糊和噪声,提高车牌的识别精度。该算法广泛适用于因光照变化、相对运动等因素影响下的低质量车牌图像超分辨率重建。     

基于自适应约束正则HL-MRF先验模型的MAP超分辨率重建

针对Huber-MRF先验模型对图像高频噪声抑制能力较差,而Gauss-MRF先验模型对图像高频过度惩罚的问题,提出了一种改进的自适应约束正则HL-MRF先验模型。该模型将Huber边缘惩罚低频函数与Lorentzian边缘惩罚高频函数相结合,对低频进行线性约束的同时对高频实现平滑惩罚;并采用自适应约束方法确定正则化参数,从而得到最优的参数解。与基于Gauss-MRF先验模型和Huber-MRF先验模型的超分辨率算法相比,HL-MRF先验模型获得的超分辨率重建图像在峰值信噪比(PSNR)和细节方面都有一定程度的提高,在抑制高频噪声、避免图像细节被过度平滑方面具有一定的优势。     

基于MAP框架的金字塔人脸超分辨率算法

提出一种基于学习的金字塔人脸超分辨率算法,利用金字塔学习人脸图像梯度的空间分布特性,建立标准人脸训练库作为学习模型,采用塔状父结构从训练库搜索匹配特征信息相似度最高的小块,预测出最优的拉普拉斯金字塔先验模型,利用贝叶斯MAP框架求出高分辨率人脸图像。实验结果表明,与其他人脸超分辨率算法相比,在将人脸图像分辨率提高4×4倍的情况下,该算法生成的高分辨率人脸图像的平均峰值信噪比提高1.19 dB~2.4 dB,可以更好地消除噪声,具有较好的视觉效果。     

基于自适应运动估计的视频超分辨率重建

针对传统的空域超分辨率重建算法过度依赖配准的精度而限制了算法的适用范围,提出基于自适应运动估计的视频超分辨率重建算法。在非参数估计的核回归模型的基础上,将二维核回归函数扩展到三维,把视频序列中的每一个像素点表示成三维泰勒展开式。通过局部加权最小二乘法得到展示的系数,用核回归的权重捕捉时空局部运动信息,避免了显式的亚像素精度的运动估计。在标准测试视频数据库中的实验表明,该算法具有较好的重建效果和较大适用范围,可用于具有局部和复杂运动的视频。     

基于频域、时域相结合的自适应图像超分辨率重建

基于最大后验概率(MAP)的超分辨率(SR)重建的研究重点是规则化项的选择,且其大都在频域中实现,为此提出一种基于频域、时域相结合的图像SR重建方法.首先,根据不同图像的特点,定义了频域规则化项(FR)和时域规则化项(TR);然后,给出了图像重建模型,引入频域、时域自适应权值来加强算法的自适应性;最后,运用共轭梯度法推导出重建迭代计算公式.实验表明,所提出的算法具有良好的收敛性和精确性.     

基于峭度图像的超分辨率重建算法

针对在强噪声环境下,传统的超分辨率重建算法重建图像效果不佳的问题,提出一种基于峭度图像的超分辨率重建算法。定义峭度图像,从统计学角度分析得到峭度图像的2个重要性质,即具有高斯不变性,并且图像越模糊,峭度绝对值越小。在满足高分辨率图像与低分辨率图像之间反卷积的剩余误差有界的前提下,通过最大化峭度绝对值求解未知的高分辨率图像,采用Lagrange乘子法则求解此约束优化问题。分析高斯噪声和非高斯噪声环境下算法性能。仿真结果表明,该算法在主观视觉和客观评价上都明显优于传统算法。     

内外部梯度联合约束的图像超分辨率重建方法

图像在获取过程中受传感器、光学系统、大气扰动等多因素影响,导致图像分辨率下降。提出一种结合内外部梯度先验的图像超分辨率重建方法。基于最大后验估计理论框架,将深度学习的外部梯度先验和范数的内部梯度、亮度联合约束先验相结合,通过联合利用外部梯度先验和内部梯度先验的互补优势,借助高分辨率的梯度信息提高重建的超分辨率图像质量。实验结果表明,与ASAR、DRRN等方法相比,该方法能够有效增强图像的高频细节和边缘信息,减少重建图像中可能存在的噪声与伪影效果。     

一种保边缘影像超分辨率重建方法

提出了一种基于方向性平滑测度的保边缘加权马尔可夫先验模型,并将其应用到基于最大后验估计的影像超分辨率重建中.该模型对邻域内不同方向的平滑测度使用不同的权值,以此减小对影像高频成分的惩罚约束,进而保护影像的边缘.利用不同影像对本文方法进行了验证,并用MSE影像评价方法对重建影像进行了定量评价.实验结果表明,与传统马尔可夫先验模型相比,加权马尔可夫先验模型能有效保护影像的边缘,取得更好的重建结果.     

基于多帧视频序列的盲超分辨率影像重建

提出了一种基于多帧序列的盲超分辨率算法和实现框架以解决影像分辨率较低问题.该算法首先对获得的视频序列低分辨率影像进行预处理.然后估计各帧间的相对运动,最后在不知道监控系统的降质模型及相关参数的情况下,逐步投影迭代来重建高分辨率影像.运用该算法对实际监控影像进行了重建实验,通过主观感受和多种客观评价指标多角度对算法进行了...     

基于MAP框架的图像序列超分辨率和模板匹配

许多图像序列处理系统的最终目的是自动或半自动地提取图像序列中的信息．为了得到被拍摄物体更清晰的影像，需要利用超分辨率技术提高分辨率．为了分析图像中的信息，常常需要利用模板匹配．以往这两个问题是分开求解的．该文提出在统一的基于最大后验概率估计的算法框架下同时求解图像序列超分辨率和模板匹配问题．算法框架具有以下两个特点：首先，在超分辨率中引入了模板库中的先验知识，提高了超分辨率的恢复效果．其次，在模板匹配中更充分地利用了图像序列中的信息，提高了模板匹配的准确性．文章的最后给出了算法在车牌识别中的实验结果．     

基于亚像素位移的超分辨率图像重建算法

针对多帧图像超分辨率重建问题, 利用一阶泰勒展式, 在亚像素级上对图像退化过程进行建模, 并建立极小化能量函数, 选择Graph-cut算法进行能量极小化求解. 为了验证本文算法的有效性, 采用模拟图像退化过程和直接用相机拍摄两种方式获得低分辨率图像序列. 从4×4倍重建结果的比较来看, 本文算法不仅对模拟退化过程产生的低分辨率图像序列有效, 而且在提高真实低分辨率图像的分辨能力方面也有很好的效果. 此外, 实验结果表明本文算法对噪声有较好的抗干扰能力.     

基于混合先验模型的超分辨率重建

在L1范数图像超分辨率重建算法框架下,引入参数自适应估计,结合差分图像统计特性和概率分布模型提出一种基于混合先验模型的超分辨率重建方法。实验证明该方法可以弥补L1范数重建方法的不足,获得更多的图像细节,对模型误差表现出良好的稳健性,可以加速收敛。     

基于权值的自适应正则化超分辨率算法

不精确的配准参数会使图像重建结果不理想.为此,提出一种基于权值的自适应正则化超分辨率算法.自适应局部区域权值根据该区域的可靠性进行自适应运算,利用分水岭分割将参考图像分成不同区域,由此提升重建质量.对真实视频序列的实验结果证明该算法有效.     

基于特征空间的人脸超分辨率重构

超分辨率图像重构是利用关于同一场景的多帧低分辨率图像重构出一幅具有更高分辨率图像的过程.传统的超分辨率图像重构算法是基于像素空间,通过利用高、低分辨率像素空间之间的映射关系来求解,具有计算复杂性高等缺点. 针对低分辨率人脸放大问题,提出了一个基于特征空间的人脸超分辨率图像重构算法.与传统算法相比,该算法不仅降低了计算复杂性,还具有更好的鲁棒性.     

基于洛伦兹范数的医学图像超分辨率重建研究

在超分辨率图像重建(SR)模型中,为了达到良好的重建效果,选择一个合适的代价函数是研究的重点。采用SR重建模型中的差错项选择了洛伦兹范数,正则化项选择了吉洪诺夫正则化,重建过程采用了迭代方法。提出的算法可以有效地解决医学图像SR重建过程中的去异值点和图像边缘保持的两大关键问题,达到良好的重建效果。为了验证上述算法的有效性,就一系列添加了运动模糊和不同噪声的低分辨率MRI医学图像进行了SR重建,并且与基于L2范数的重建算法的重建效果进行了比较分析。实验结果显示,所提算法具有良好的实用性和有效性。