基于局部约束线性编码的单帧和多帧图像超分辨率重建

基于稀疏表示的超分辨率图像重建是当前典型的算法之一,引入约束性更强的局部约束线性编码(LLC:Locality-constrained Linear Coding)对其进行了改进。首先依据一个高分辨率图像集训练出成对的高分辨率和低分辨率词典,然后根据低分辨率词典对输入的低分辨率图像用LLC方法进行编码,再依据高分辨率词典及编码系数初步重建高分辨率图像,最后添加全局约束重建高分辨率图像,并将该算法推广到多帧图像超分辨率重建层面。分析和对多幅图像的实验结果都表明,新算法相对原算法不仅提高了图像重建的质量还降低了计算复杂度,取得了满意的效果。     

基于多尺度特征映射网络的图像超分辨率重建

针对基于卷积神经网络的图像超分辨率重建（SRCNN）方法存在的重建网络浅、特征利用率低以及重建图像模糊等问题,提出基于多尺度特征映射网络的图像超分辨率重建方法. 多尺度特征映射网络通过学习低分辨率（LR）特征与高分辨率（HR）特征之间的映射关系,将多个尺度的LR特征映射到HR特征空间,通过特征融合来提高重建过程中对特征的利用率;该方法定义了结合逐像素损失、感知损失和对抗损失的联合损失函数,从低频内容、图像边缘和局部纹理等方面均衡提升重建图像质量. 对数据集Set5、Set14和BSD100的图片4倍下采样后进行测试,与当前主流方法进行比较和分析. 实验证明,基于生成对抗的多尺度特征映射网络在提高图像感知质量方面表现优秀,重建的图像具有更加清晰的边缘和纹理,在客观评价上具有较好的评分.     

广义非局部均值和自相似性的超分辨率算法

提出一种利用广义非局部均值和自相似性的图像超分辨率算法．该算法不仅利用图像的自相似性将低分辨率图像与其下采样图像作为一个训练库,而且利用非局部平均算法的良好特性提高复原图像的质量．该算法首先提取低分辨率图像的高斯差特征系数,然后利用广义非局部平均算法来估计待复原图像丢失的高频细节,获得高分辨率图像．实验结果表明,该算法对图像取得较好的复原效果,复原出的高分辨率图像更接近于真实图像,与其他方法相比,具有更好的主观和客观质量．     

基于流形学习的车牌图像超分辨率算法

为了解决视频监控系统中车牌图像分辨率较低、车牌字符难以辨识的问题,提出一种基于流形学习的车牌图像超分辨率重建算法。首先学习训练样本库中高、低分辨率图像之间的映射关系,然后利用线性判别分析(Linear Discriminant Analysis,LDA)算法提取图像特征,并利用流形学习中的局部线性嵌入(Locally Linear Embedding,LLE)算法对特征向量进行参数建模,最后通过特征映射关系获得高分辨率图像。实验表明,该方法对监控系统中的低分辨率车牌图像具有较好的超分辨率复原效果,不仅提高了字符的可读性,而且具有更高的峰值信噪比。     

一种基于阵列相机的超分辨率重建方法

本文利用阵列相机获取的多幅低分辨率图像合成一幅去噪高分辨率图像,提出一种基于阵列相机的超分辨重建去噪方法.首先,对阵列相机获取图像进行基于卷积神经网络的单幅低分辨率图像的超分辨率重建.其次采用SURF分块匹配方法实现多幅高分辨率图像的配准.最后对配准图像进行基于逐像素多尺度融合的多幅高分辨率图像融合.利用ISO12233分辨率卡进行对比测试,以证明本文方法具有更高图像解析度并减小噪声影响.     

神经网络模型在图像超分领域的应用研究

图像分辨率提高即超分技术是指从低分辨率图像重建相应的高分辨率图像,在医学影像等领域有重要的应用价值.传统的基于插值的方法效果不尽理想,近年来深度学习被应用于该领域.回顾了快速超分辨卷积神经网络(FSRCNN)、深度超分辨率卷积神经网络(VDSR)、超分辨率生成对抗网络(SRGAN)3种神经网络在图像超分中的应用原理,设...     

基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建

高分辨率磁共振图像对于医学诊断具有重要意义,本文提出一种多分辨率学习卷积神经网络,并应用于磁共振图像超分辨率。网络是一种新型深度残差网络,包含用于特征提取的残差单元、多分辨率上采样的反卷积层以及多分辨率学习层。设计的网络在低分辨率图像空间中实现图像超分辨率,采用多分辨率上采样实现多个残差单元信息融合并加速网络,多分辨率学习能够自适应地确定各分辨率上采样的高维特征图对磁共振图像超分辨重建的贡献度。实验表明,论文提出的方法能够很好地超分辨率重建磁共振图像,优于最新的深度学习方法。     

多级字典学习的图像超分辨率算法

改进单级字典学习的图像超分辨率算法,给出一种多级字典学习的图像超分辨率算法。通过多对字典的训练,记录不同层级退化图像和原始高分辨率图像之间的关系,由多对字典预测给定低分辨率图像不同层级丢失的高频信息,将预测出的高频信息与给定的低分辨率图像相加,得到逐级增强的高分辨率图像。在训练图像集相同的条件下,对于无噪声且没有压缩的低分辨率图像,改进算法相比单级字典学习的图像超分辨率算法,恢复出的高分辨率图像的峰值信噪比可平均提高约0.6dB。     

一种使用并行交错采样进行超分辨的方法

目前基于互联网各类图像以及人工智能应用对图像数据质量较为敏感,但由于采集设备以及传输方式限制,导致图像质量受到非常严重影响,为了弥补图像数据质量损失和增强图像效果,提出一种并行交错上下采样网络(parallel interlaced up and down sampling network, PSUDN)作为一个解决该问题的更好的方案,利用并行的高分辨特征(high resolution feature, HR_Feature)和低分辨特征(low resolution feature, LR_Feature),交错进行采样生成高级特征图,通过构建并行的高分辨率特征模块和低分辨率特征模块提升输出的高分辨率图片的质量。通过并行的上采样和下采样,构建的模型可以重建8倍的高分辨率图片,并达到当前较好的效果。     

一种面向视频传输应用的联合上下采样超分辨率框架

针对目前面向视频传输应用中,对低分辨率视频应用超分辨率技术进行还原时引发严重病态性问题,结合视频传输的全过程,提出一种联合上下采样的超分辨率框架.该框架通过将下采样过程和超分辨率过程进行联合训练,使得原始高分辨率视频的信息能够指导低分辨率视频的重建,并且下采样过程和超分辨率过程互相约束,减小了整个映射空间的尺寸,使得模型的泛化能力更强.实验表明,提出的方法在常用的图像超分辨率数据集上峰值信噪比(peak signal-to-noise ratio,PSNR)指标平均提升超过2.9 dB,在国际视频编码标准HEVC标准测试序列上平均达到近乎无损(PSNR指标超过40 dB),证明所提框架对于视频传输应用具有积极的意义.     

基于改进相容函数的超分辨率图像重建

提出了一种基于机器学习的超分辨率(SR)改进算法。首先建立一个包括低分辨率(LR)图像及其相应的高分辨率(HR)图像的训练样本集,为LR图像提供了HR的图像解释。把训练集中的每一幅图像分成若干个图像块,每一个图像块作为马尔可夫随机场(MRF)模型的结点,MRF模型参数从这些训练样本中学习得到,通过对训练样本中的LR图像块进行k-均值聚类减少计算开销,并用k-均值的聚类结果提出了一种新的相容函数形式。实验结果表明,该算法是可行的,并与同类算法相比能取得较好的结果,使得SR后的图像更平滑自然。     

基于非局部均值的单帧图像超分辨率重建算法

为了解决单帧低分辨率图像获得高分辨率图像的问题,提出了一种基于非局部均值滤波的单帧图像超分辨率算法,将图像超分辨率重建视为反问题,建立正则化模型,充分考虑图像的局部结构信息和自然图像中不同尺度的相似性冗余,加入非局部滤波.实验结果表明,文中算法从单帧图像重建的图像边缘轮廓和纹理较传统算法清楚,有效抑制了人工伪影,同时对噪声具有鲁棒性.在视觉效果及峰值信噪比上都取得良好的结果.     

Multi-channel fast super-resolution image reconstruction based on matrix observation model

A multi-channel fast super-resolution image reconstruction algorithm based on matrix observation model is proposed in the paper,which consists of three steps to avoid the computational complexity: a single image SR reconstruction step,a registration step and a wavelet-based image fusion. This algorithm decomposes two large matrixes to the tensor product of two little matrixes and uses the natural isomorphism between matrix space and vector space to transform cost function based on matrix-vector products model to matrix form. Furthermore,we prove that the regularization part can be transformed to the matrix formed. The conjugate-gradient method is used to solve this new model. Finally,the wavelet fusion is used to integrate all the registered highresolution images obtained from the single image SR reconstruction step. The proposed algorithm reduces the storage requirement and the calculating complexity,and can be applied to large-dimension low-resolution images.     

基于张量投票的图像超分辨率算法

张量投票算法在提取图像主观轮廓上具有良好的效果,本文提出了一种基于张量投票的图像超分辨率算法。首先用二维张量矩阵存储低分辨率图像各像素点所处的位置特征信息,并利用稀疏张量投票将特征信息进行加强,再使用稠密张量投票产生高分辨率图像对应的二维张量矩阵,此张量矩阵包含了视觉特性强的边缘信息,最后利用该边缘信息指导高分辨率图像的重构。实验结果表明,该方法得到的高分辨率图像信噪比高、视觉效果好。     

Micro-Scanning Error Correction Technique for an Optical Micro-Scanning Thermal Microscope Imaging System

An error correction technique for the micro-scanning instrument of the optical micro-scanning thermal microscope imaging system is proposed. The technique is based on micro-scanning technology combined with the proposed second-order oversampling reconstruction algorithm and local gradient image reconstruction algorithm. In this paper, we describe the local gradient image reconstruction model, the error correction technique, down-sampling model and the error correction principle. In this paper, we use a Lena original image and four low-resolution images obtained from the standard half-pixel displacement to simulate and verify the effectiveness of the proposed technique. In order to verify the effectiveness of the proposed technique, two groups of low-resolution thermal microscope images are collected by the actual thermal microscope imaging system for experimental study. Simulations and experiments show that the proposed technique can reduce the optical micro-scanning errors, improve the imaging effect of the system and improve the system''s spatial resolution. It can be applied to other electro-optical imaging systems to improve their resolution.     

基于多级特征级联的遥感图像实时语义分割

针对遥感图像语义分割中存在的分割耗时长、分割小目标不准确的问题,提出基于多级特征级联的高分辨率遥感图像快速语义分割模型(multi-level feature cascade network,MFCNet).该模型主要由特征编码、特征融合以及目标细化3部分组成.特征编码对输入的不同分辨率图像用不同量级主干网络进行特征提...     

H.264标准压缩视频的超分辨率重建

为利用低分辨率压缩图像序列来重建高分辨率图像序列,提出一种在凸集投影(POCS)方法框架下基于整数DCT域量化噪声模型的针对H.264标准压缩视频的超分辨率重建方法.首先建立压缩视频的降质退化模型,然后根据H.264标准中的整数DCT变换和量化过程建立整数DCT域的量化噪声模型,最后在凸集投影算法的框架下给出了基于整数DCT域量化噪声的超分辨率重建算法.实验表明该算法的超分辨率重建结果的主观质量提高明显,峰值信噪比可达到30dB,一般迭代5次即可得到良好结果,算法复杂度较低.     

基于莫尔效应的半色调图像处理防伪方法

以莫尔效应和半色调图像的信息隐藏为理论基础,将图像和文字信息隐藏在预复制的彩色图像中,然后通过激光打印机和印刷打样方式输出图像．实验结果表明：将特定的检测膜片置于打印稿或印刷稿上,如果角度和位置合适,可以清晰地观察到隐藏于图像中的图文信息．在激光打印稿的防伪实验中,低分辨率的半色调图像（〈600dpi）的防伪效果明显好于高分辨图像的防伪效果;在印刷稿的防伪实验中,175lpi图像的防伪效果和颜色层次再现最佳;青、品红、黄、黑四色图像分别作为防伪母版,青版和品红版可获得较好的防伪效果;将图文信息隐藏在防伪母版的亮调和中间调部位防伪效果较好．