基于凸集投影（POCS）的车牌图像超分辨率重建研究

针对车牌识别中所拍摄的图像序列存在分辨率较低的问题,提出了利用图像间的互补信息来重建一幅高分辨率图像的方法,以便于车牌图像的识别。通过迭代求解法和高斯金字塔模型,快速精确地估计得到配准参数,采用凸集投影（POCS）算法对图像序列进行了超分辨率重建。实验表明算法具有亚像素级的配准精度和较强的稳健性,重建图像取得了良好的视觉效果。     

基于keren改进配准算法的POCS超分辨率重建

详细介绍了keren亚象素配准算法及其不足,提出了keren算法及其迭代算法的改进算法。该算法基于简化的四参数仿射变换模型而不是传统的刚体变换模型,成功地避免了keren算法因为角度的泰勒级数展开所带来的误差,大大地提高了配准精度。实验仿真结果表明该算法与keren迭代算法相比角度绝对误差显著的降低;平移参数在15°的大角度旋转情况下获得了0.1个象素以下的绝对误差精度,在小角度的情况下获得了0.01个象素以下的绝对误差精度,最后采用POCS方法进行序列图像的高分辨率重建,实验仿真结果表明基于改进配准算法的POCS重建具有良好的配准精度和超分辨率重建效果。     

基于一种优化的配准算法的图像超分辨率重建

提出了一种优化的图像配准算法.该算法充分结合了时域基于全局运动模型的配准算法和频域基于傅立叶变换的配准算法,并运用到超分辨重建中.假设序列低分辨率图像之间存在旋转和平移,首先运用全局配准法求出旋转参数,对图像进行旋转补偿,然后对补偿后的图像用频域配准法估计平移参数,针对估计出的旋转参数和平移参数对序列低分辨率图像进行超分辨率图像重建,实验表明该方法能较有效地提高图像分辨的效果,并且本文还阐述了低分辨率图像帧数的影响.     

基于混合仿射模型配准的IBP超分辨率重建

针对传统的配准只考虑几何因素的不足,提出一种基于几何和光度混合仿射模型的配准迭代算法。该算法避免keren算法因为角度的泰勒级数展开所带来的误差,大幅提高配准精度,而且使图像亮度得到保持。与传统的仿射变换相比,平均平移误差精度达到了0.165个像素。采用迭代反投影算法对配准后的图像序列进行超分辨率重建。实验结果表明,超分辨率重建结果的信噪比和结构相似度有了较大提高。     

基于全参数的分层搜索图像配准

在图像的超分辨率复原过程中,往往需要处理数量较多的模糊形变图像,这就需要进行图像配准,而目前常见的图像配准算法在配准精度和速度上常常不能达到令人满意的程度.为了二者都能达到实际需求,本文通过对仿射变换模型和配准算法的研究,提出快速、精确的全参数分层搜索算法,并用实验进行了仿真.     

基于支持向量机的图像亚像素配准及超分辨率重建

超分辨率重建是根据场景的一组低分辨率图像重建其高分辨率图像。重建算法中,低分辨图像之间的亚像素配准是很重要的一部分。提出了一种基于支持向量机的亚像素配准方法,将低分辨图像之间的相对旋转平移参数看成支持向量机的目标集,通过支持向量回归建立图像特征与目标集之间的映射关系,从而计算图像间的相对运动参数。实验表明,与现有算法相比,所提出的算法具有较高的精度。     

基于图像配准的新媒体视觉影像超分辨率重建方法

针对传统的影像超分辨率重建方法受到原始影像分辨率的影响,导致重建效果差、信噪比高的问题,提出基于图像配准的新媒体视觉影像超分辨率重建方法.仿真结果表明,采用该方法进行新媒体视觉影像超分辨重建的视觉表达能力较好,输出峰值信噪比较高.     

基于光流法运动配准的覆冰图像超分辨率重建

针对电力监控系统中输电线路易晃动造成覆冰图像模糊,提出基于光流法运动配准的覆冰图像超分辨率重建算法。该算法首先利用基于光流法的图像配准算法估计图像间的亚像素级运动矢量,得到前向和后向配准图像;然后,利用迭代反投影(IBP)算法对估计出的图像分别进行超分辨率重建;最后,根据配准误差加权得到最终的输出图像。实验结果表明,相对于传统算法,该算法的重建结果无论是在峰值信噪比和标准差还是基于对比敏感度的无参考图像清晰度上,均有明显提高,具有较好的客观指标和视觉效果。     

基于全局运动模型配准的图像超分辨重建

把全局运动模型配准算法运用到序列图像超分辨重建中,通过与优化的基于频域的配准法进行对比,在运动模型可以准确地反映物体运动状态的情况下,该算法能够更精确地估计运动参数,从而确保重建后的高分辨率图像拥有更多细节信息。同时,阐述了参与重建的低分辨率图像帧数越多,重建精度会越高,但随着帧数的增多,重建误差降低幅度会越低,而算法复杂度及其耗时会过多地增加,因此提出应根据对重建精度的要求而确定参与重建的低分辨率图像的帧数。     

基于SIFT的POCS图像超分辨率重建

针对传统的POCS图像超分辨率重建算法中广泛使用的基于改进的Keren配准算法,对于序列帧间存在剪切和非均匀尺度变换现象时,很难做到精确的亚像素级配准,文中讨论了一种基于SIFT算法的POCS序列图像超分辨率重建算法。首先利用SIFT算法提取序列帧与参考帧间的SIFT关键点对,随后选取匹配关键点对,通过RANSAC去除误配点的同时估算出六参数仿射变换参数,最后使用POCS重建算法得到最终的重建结果。实验结果表明：该方法能有效地解决因运动估计不准而引起的重建图像效果不好的问题,特别是在序列帧间存在剪切和非均匀尺度变换现象时,重建效果明显好于传统的POCS算法,具有更强适应性。     

基于NCCSS的快速多波段图像配准算法

归一化互相关（NCC）方法是图像配准中使用非常广泛的方法,经典的NCC方法是基于空间域的,适用于单波段图像配准。但在实际应用中,往往要对多波段图像进行配准,此时NCC方法很可能无法获得正确的结果。最近有学者提出了归一化空间频谱互相关（NSSCC）方法,该方法可将多波段图像中不同波段的信息应用到图像配准中,与经典的NCC方法相比能够有效地提升配准的有效性。然而,如果图像所含波段较多且尺寸较大,NSSCC方法需要很大的计算量。结合标准的NCC快速算法,可以对NSSCC方法作进一步的改进,仿真实验验证了改进的方法用于多波段图像配准时的快速性和有效性。     

基于非线性最小二乘的图像自适应SR重建以及运动估计

图像超分辨率（SR）重建是利用数字信号处理技术由一系列低分辨率观测图像得到高分辨率图像。为了扩展SR技术的应用范围,提出了一种同时进行图像超分辨率重建和全局运动估计的方法。该方法首先基于最大后验概率(MAP)给出了图像SR重建和运动估计框架,该框架不仅考虑了前后两次迭代所得的HR图像差值对最终重建图像的影响,而且引入了不同LR图像对重建图像的重要性权值,使得算法具有自适应性;然后将总体框架转换为图像SR重建模型和运动估计模型;最后基于非线性最小二乘法对模型进行优化求解,得出了SR重建图像及其全局运动域。实验表明,该方法不仅图像重建效果良好,并有着良好的收敛性。     

一种基于小波与概率估计的医学图像配准方法

为提高医学图像配准效果,提出了一种基于小波变换和互信息的配准方法.以小波变换对源图像进行二级分解,并在每个分解层对其子带分量分别进行贝叶斯最大验后概率估计,求概率估计的回归参数,得到配准图像的各小波子带分量,再进行小波逆变换,实现对源医学图像的配准.     

基于Co-motion的可见光——热红外图像序列自动配准算法

提出了一种基于Co-motion的可见光--热红外图像序列自动配准方法, 引入Co-motion运动统计特征来解决异源图像序列配准问题, 从而避开了异源图像相似图像特征提取和精确运动检测的难题. 由于可见光和热红外成像机理不同, 在运用运动统计特征时, 会面临与同源配准不同的诸多问题, 如难以提取相似前景、大量外点干扰和易受大尺度变化的影响等. 本文通过对所面临难题的分析 提出了适合于异源图像序列配准的同名点对选取方法和外点去除方法, 并精确迭代优化变换模型. 对俄亥俄州大学红外--可见光数据库和自建数据库共8组数据的实验分析结果表明, 该算法在大尺度、旋转、平移及视场角变化下均能精确配准.     

基于NCC的存在旋转的图像匹配方法

图像匹配在导航制导、医学等领域具有十分重要的意义。由于实时图和参考图拍摄的时间不一样,容易存在旋转等现象,给图像的匹配带来很大难度。传统的归一化互相关(NCC)匹配算法是一种简单有效的匹配算法,但不适合存在旋转这种情况。在NCC匹配方法的基础上,利用参考图的多个角度的旋转达到匹配的目的,从而找出准确的匹配位置,并利用所得控制点和坐标转换模型找出参考图与实时图之间的相对位置关系,包括旋转角度与相对位移。仿真实验表明:此方法可较好地解决存在旋转的图像匹配问题。     

融合GMS与VCS+GC-RANSAC的图像配准算法

针对当前图像配准算法配准时间过长、配准正确率低等问题,提出一种基于网格运动统计（GMS）、矢量系数相似度（VCS）与图割随机抽样一致性（GC-RANSAC）的图像配准算法。首先,通过ORB（Oriented FAST and Rotated BRIEF）算法对图像进行特征点提取,并对特征点进行暴力匹配。之后,通过GMS算法对图像中的粗匹配特征点进行网格划分,利用网格中正确匹配点邻域内具有较高特征支持量的原理对粗匹配对进行筛选;并引入图像匹配对在进行矢量运算时VCS不超过某一设定阈值的原理对匹配对进行部分剔除,以利于算法后期的快速收敛。最后,运用GC-RANSAC算法进行局部最优模型拟合,得到精匹配特征点集,实现高精度的图像配准和拼接。通过与ASIFT+RANSAC、GMS、AKAZE+RANSAC、GMS+GC-RANSAC等算法对比,实验结果表明,该算法在平均匹配精度上提高了30.34%,平均匹配时间缩短0.54 s。     

An efficient incremental strategy for constrained groupwise registration based on symmetric pairwise registration

Neuroimaging studies carried out on healthy or pathological cohorts generally require to map the set of all subject images in a common coordinate system thanks to some registration techniques. This is usually done by considering an arbitrarily chosen reference image (also called template) on which all other images are registered. However, the choice of the template can significantly impact the results and the interpretation of statistical comparisons between cohorts for both functional and morphometric studies. This is why we propose an efficient strategy for the automatic building of study-specific templates. The main contribution of this work is to propose a method, based on a symmetric formulation of the pairwise registration problem, that enables to enforce the template image to be at the geometric center of the population with little computational overhead. Moreover, the template image is estimated in an incremental way, thus being conveniently updatable when considering additional images. This property is of major interest for current clinical studies which involve very large databases that are constantly growing. Experiments on both synthetic and real data highlight the good convergence properties of the approach compared to a standard strategy based on pairwise registration. The benefit of using the proposed symmetric formulation in the standard template construction strategy is also pointed out.     

基于残差融合网络的定量磁敏感图像与T1加权图像配准

医学图像配准对医学图像处理和分析至关重要, 由于定量磁敏感图像 (quantitative susceptibility mapping, QSM) 与T1加权图像的灰度、纹理等信息存在较大的差异, 现有的医学图像配准算法难以高效精确地完成两者配准. 因此, 本文提出了一个基于残差融合的无监督深度学习配准模型RF-RegNet (residual fusion registration network, RF-RegNet). RF-RegNet由编解码器、重采样器以及上下文自相似特征提取器3部分组成. 编解码器用于提取待配准图像对的特征和预测两者的位移矢量场 (displacement vector field, DVF), 重采样器根据估计的DVF对浮动QSM图像重采样, 上下文自相似特征提取器分别用于提取参考T1加权图像和重采样后的QSM图像的上下文自相似特征并计算两者的平均绝对误差 (mean absolute error, MAE) 以驱动卷积神经网络 (convolutional neural network, ConvNet) 学习. 实验结果表明本文提出的方法显著地提高了QSM图像与T1加权图像的配准精度, 满足临床的配准需求.     

多分辨率图像序列的超分辨率重建

针对不同焦距下拍摄的多分辨率尺度的图像序列,本文提出了一种基于尺度不变特征转换(Scale invariant feature transform, SIFT)和图像配准的超分辨率(Super resolution, SR)图像盲重建算法.首先提取图像SIFT特征点,然后用向量夹角余弦进行特征描述符向量的初匹配,并用随机抽样一致性 (Random sample consensus, RANSAC)算法消除误匹配提高配准精度.计算变换参数后,将低分辨率图像(Low-resolution, LR)像素点映射到高分辨率(How-resolution, HR)网格,最后利用像素可信度加权算法填充缺失像素值,重建更高分辨率的图像.实验表明, 本文算法能精确估计图像序列的缩放因子,可以有效处理仿射变换模型,对配准误差也具有一定的鲁棒性.算法从实质上提高了多分辨率尺度图像序列的分辨率,尤其在低分辨率帧数较少可用于重建的信息量严重不足时也能获得比较满意的重建效果.     

预估计混叠度的MAP超分辨率处理算法

提出一种预估计混叠度的PEMAP(pre-estimated MAP(maximum a posteriori)算法,用于卫星图像的地面超分辨率处理.它通过频域分析确定卫星图像的混叠度,将其作为先验信息在空域控制MAP估计的循环迭代,联合估计帧间位移和高分辨率图像.该算法克服了最大后验概率MAP算法的盲目性和不稳定性,使其适应性更好.实际的卫星图像处理显示了较好的处理效果.