联合运动估计与基于模式的超分辨率图像重构

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.已有的超分辨率图像重构算法对于人工模拟所得到的低分辨率图像序列具有很好的效果,但对于拍摄到的真实低分辨率图像序列而言,重构后的图像往往比较模糊,有时甚至仍然无法分辨.为此,本文提出了一个联合运动估计与基于模式的超分辨率图像重构算法.实验结果表明,该算法能够得到优于常规算法的高分辨率图像.     

基于稀疏K-SVD的单幅图像超分辨率重建算法

图像的超分辨率重建技术可以提升图像质量,改善图像视觉效果,在现实中具有很高的实用价值。针对基于K-SVD的超分辨率重建算法的不足,本文提出一种基于稀疏K-SVD的单幅图像超分辨率重建算法。首先,采用稀疏K-SVD方法进行训练获得高低分辨率字典对,以待重建的低分辨率图像及其降采样作为字典训练的样本,提高了字典和待重建的低分辨率图像的相关性;然后,采用逐级放大的思想进行重建;最后,利用非局部均值的方法,进一步提高重建效果。实验表明,与基于K-SVD的超分辨率重建算法相比,本文算法重建图像的峰值信噪比平均提高了0.6dB左右。重建图像在视觉效果上,也有一定程度的提升。     

L1范数的图像超分辨率重建改进算法

介绍了超分辨率图像重建的数学模型和基于L1范数的超分辨率重建算法。针对在所观察到的低分辨率图像不足情况下的超分辨率重建,在L1范数重建算法框架下,提出了一种新的代价方程,在其中增加了关于丢失的低分辨率观察信息的保真度项和正则化项。该方法同时对高分辨率图像和丢失的观察信息进行迭代估计,并利用交替最小方法求解。实验结果表明,在获取低分辨率图像较少的情况下,提出的算法能够有效地改进重建的结果。     

一种改进的POCS算法的超分辨率图像重建

图像超分辨率是指从一组模糊的低分辨率图像重建一帧清晰的高分辨率图像的过程.从经典的基于凸集投影POCS（projection onto convex set）的超分辨率图像重建算法出发,分析重建后高分辨率图像边缘模糊的成因,提出了一种基于保留边缘信息的POCS超分辨率图像重建算法.实验结果表明该方法能够明显地提高重建图像的质量.     

基于针对性字典的压缩图像稀疏超分辨率重建

为了有效地重建压缩低分辨率图像,提出一种基于针对性字典的压缩图像稀疏超分辨率重建算法.首先,根据压缩低分辨率图像的形成特点,对训练库图像进行针对性的下采样压缩编码处理,进行超完备字典的训练;然后,通过训练所得的针对性字典对压缩低分辨率图像进行稀疏表示的超分辨率重建.为进一步恢复图像的高频信息,进行了针对性残差字典训练,并对图像进行高频信息补偿,得到稀疏重建后的图像主观效果更加突出,客观评价参数也得到较大提升.实验结果表明,该算法对压缩图像的超分辨率重建更具针对性,具有良好鲁棒性和高效性.     

基于小波的图像超分辨率重建算法研究

在遥感图像、医学图像等领域，最初获得的图像分辨率往往达不到期望的水平。图像的超分辨率重建就是在低分辨率图像基础上重建出高分辨率图像的技术。针对已有重建算法中的不足，给出一种将高频能量适当降低的SHR重建算法；并进而针对高频细节不能高质量重建的问题，利用小波反变换对高频信息进行重建，提出了一种基于小波高频重建的图像超分辨率重建算法——SHW算法。实验证明，这两种算法的性能比已有图像超分辨率重建算法均有不同程度提高。     

超分辨率重建算法综述

随着高分辨率移动设备和超高清电视的发展,对已有的低分辨率视频进行超分辨率上采样成为最近的一个研究热点.对已有的超分辨率重建算法根据输入输出方式的不同,分为多图像超分辨率重建、单图像超分辨率重建、视频超分辨率重建三大类,综述了其中每类算法的发展情况及常用算法,并对不同算法的特点分析比较.随后讨论了多图像超分辨率重建和单图像超分辨率重建方法对视频超分辨率重建方法的影响,最后展望了超分辨率重建算法的进一步发展.     

基于多通道忆阻脉冲耦合神经网络的多帧图像超分辨率重建算法

高清晰度的图像是信息获取和精确分析的前提,研究多帧图像的超分辨率重建能够有效解决因外部拍摄环境引起的图像细节丢失、边缘模糊等问题。该文基于纳米级忆阻器,设计一种多通道忆阻脉冲耦合神经网络模型(MMPCNN),能够有效模拟网络中连接系数的动态变化,解决神经网络中固有的参数估计问题。同时,将提出的网络应用于多帧图像超分辨率重建中,实现低分辨率配准图像的融合操作,并通过基于稀疏编码的单帧图像超分辨率重构算法对获得的初始高分辨率图像进行优化。最终,一系列计算机仿真及分析(主观/客观分析)验证了该文提出方案的正确性和有效性。     

基于自训练字典学习的单幅图像的超分辨率重建

针对单幅低分辨率图像的超分辨率重建问题,提出了一种基于自训练字典学习的超分辨率重建算法。首先根据图像的退化模型,对输入的低分辨率图像进行降质处理,然后利用K-SVD方法训练字典,获得重建所需要的先验知识,最后根据先验知识重建高分辨率图像。仿真实验的结果表明,利用该方法获得的高分辨率图像在视觉效果和客观评价上均优于传统方法,同时算法的时间效率也有很大的提升。     

基于广义递归反演的超分辨率图像恢复研究

超分辨率图像恢复在安全监控、遥感监测、军事侦察等领域有着广泛的应用.文中提出了一种基于广义递归反演的超分辨率图像恢复算法,该算法引入正则化因子,将超分辨率图像恢复的欠定问题转化为适定问题,然后通过递归的方式来恢复超分辨率图像.仿真结果表明,该算法能从多帧低分辨率图像来恢复所需要的超分辨率图像,而且算法是稳健的和有效的.     

基于循环生成对抗网络的超分辨率重建算法研究

为了提高图像超分辨率重建的效果,该文将注意力机制引入多级残差网络(Multi-level Residual Attention Network,MRAN)作为CycleGAN的重建网络,提出了基于循环生成对抗网络(CycleGAN)的超分辨率重建模型MRA-GAN.MRA-GAN模型中重建网络负责将低分辨率(LR)图像...     

Zernike-moment-based image super resolution

Multiframe super-resolution (SR) reconstruction aims to produce a high-resolution (HR) image using a set of low-resolution (LR) images. In the process of reconstruction, fuzzy registration usually plays a critical role. It mainly focuses on the correlation between pixels of the candidate and the reference images to reconstruct each pixel by averaging all its neighboring pixels. Therefore, the fuzzy-registration-based SR performs well and has been widely applied in practice. However, if some objects appear or disappear among LR images or different angle rotations exist among them, the correlation between corresponding pixels becomes weak. Thus, it will be difficult to use LR images effectively in the process of SR reconstruction. Moreover, if the LR images are noised, the reconstruction quality will be affected seriously. To address or at least reduce these problems, this paper presents a novel SR method based on the Zernike moment, to make the most of possible details in each LR image for high-quality SR reconstruction. Experimental results show that the proposed method outperforms existing methods in terms of robustness and visual effects.     

使用改进的POCS算法的超分辨率图像复原

超分辨率复原技术的基本思想就是采用信号处理的方法,在改善图像质量的同时,重建成像系统截至频率外的信息。POCS（凸集投影）算法是一种广泛应用于图像超分辨率复原的方法。针对传统的POCS算法的边缘振荡效应,在分析其产生的原因．造成的影响的基础上,采用改进的POCS算法,以减少边缘振荡。采用基于小波变换模极大值的改进POCS算法进行图像超分辨率复原。实验结果表明,该方法有效的较少了复原图像的边缘振荡效应,是一种有效的图像超分辨率复原方法。     

A nonlinear least square technique for simultaneous image registration and super-resolution.

This paper proposes a new algorithm to integrate image registration into image super-resolution (SR). Image SR is a process to reconstruct a high-resolution (HR) image by fusing multiple low-resolution (LR) images. A critical step in image SR is accurate registration of the LR images or, in other words, effective estimation of motion parameters. Conventional SR algorithms assume either the estimated motion parameters by existing registration methods to be error-free or the motion parameters are known a priori. This assumption, however, is impractical in many applications, as most existing registration algorithms still experience various degrees of errors, and the motion parameters among the LR images are generally unknown a priori. In view of this, this paper presents a new framework that performs simultaneous image registration and HR image reconstruction. As opposed to other current methods that treat image registration and HR reconstruction as disjoint processes, the new framework enables image registration and HR reconstruction to be estimated simultaneously and improved progressively. Further, unlike most algorithms that focus on the translational motion model, the proposed method adopts a more generic motion model that includes both translation as well as rotation. An iterative scheme is developed to solve the arising nonlinear least squares problem. Experimental results show that the proposed method is effective in performing image registration and SR for simulated as well as real-life images.     

改进的基于邻域嵌入的图像超分辨率重构

为了提高传统的基于邻域嵌入的图像超分辨率重构算法的时间效率,采用了一种利用图像块方向信息进行邻域选择和训练集分类的新方法。该方法首先利用图像块方向的不同对训练集进行分类,然后在分类后的子训练集中选择与待重构图像块的方向相似的图像块作为邻域进行重构,并对重构结果进行迭代反投影全局后处理,进一步提高重构质量,最后对改进方法进行数值实验验证。结果表明,该方法不仅把超分辨率重构的时间效率提高了10倍以上,而且重构质量也得到了改善,具有较好的实际应用价值。     

基于先验信息与密集连接网络的人脸超分辨率重建方法

图像超分辨率在医疗和安防等领域应用广泛,本文针对传统超分辨率重建(super-resolution reconstruction, SR)方法无法重建出边缘特征图像的不足,提出了一种先验信息与密集连接网络模型的重建方案,利用考虑输入统计信息的残差特征的不同组合,引入了多注意力模块,通过与主干网络结构协作,在不增加额外模块的情况下提高了网络性能。新提出的模型与现有复杂结构的技术(state-of-the-art, SOTA)模型相比,具有更好的性能。为了避免输入的身份特征会急剧漂移的问题,提出了一种基于先验信息引入注意力机制网络模块来分辨真实低分辨率(low resolution, LR)对应物的模型,这种模型在捕获运动噪声等方面具有优势。经实验验证得出,本文方法相比其他主流方法,在评价指标和主观可视化分析方面更具优势。     

Reference guided image super-resolution via efficient dense warping and adaptive fusion

Due to the limited improvement of single-image based super-resolution (SR) methods in recent years, the reference based image SR (RefSR) methods, which super-resolve the low-resolution (LR) input with the guidance of similar high-resolution (HR) reference images are emerging. There are two main challenges in RefSR, i.e. reference image warping and exploring the guidance information from the warped references. For reference warping, we propose an efficient dense warping method to deal with large displacements, which is much faster than traditional patch (or texture) matching strategy. For the SR process, since different reference images complement each other, and have different similarities with the LR image, we further propose a similarity based feature fusion strategy to take advantage of the most similar reference regions. The SR process is realized by an encoder–decoder network and trained with pixel-level reconstruction loss, degradation loss and feature-level perceptual loss. Extensive experiments on three benchmark datasets demonstrate that the proposed method outperforms state-of-the-art SR methods in both subjective and objective measurements.     

红外图像超分辨率重建技术研究

利用图像超分辨率重建技术可以在不改进硬件的情况下提升现有成像系统的图像分辨率。为提升红外图像质量,提出了一种基于NSCT变换与自适应正则化重建相结合的图像超分辨率重建算法。算法充分考虑了实际红外图像中噪声特点,利用NSCT变换特点在尽可能减少图像信息损失的条件下,对加性噪声与乘性噪声采用不同策略进行了抑制,并对预处理后的红外图像序列进行自适应正则化重建。实验结果表明本算法处理后的红外图像在主观视觉效果与客观指标上较传统图像处理方法均有改善。     

基于深度学习的单像素相机超分辨率成像优化

基于压缩感知和单像素成像的基本原理,设计了一种用于图像超分辨率重建的新型深度卷积神经网络架构.这种单像素超分辨率成像算法成功地将深度学习图像超分辨率重建技术与压缩感知单像素成像技术相结合,从而发展出一种全新的深度学习单像素成像优化方法.与传统的常规压缩感知图像重构算法相比,该算法有效提升了图像超分辨率重建精度和单像素成像质量.通过图像重建的仿真实验和单像素相机的成像实验验证,结果表明这种基于深度学习的新型单像素相机成像方式具有良好的性能表现.