残差字典学习的快速图像超分辨率算法

针对基于自学习和稀疏表示的快速单图像超分辨率重建图像伪影明显、执行效率低的问题,提出了残差字典学习的快速图像超分辨率算法,以消除伪影,提高重建速度。通过采用基于外部图像集的高频残差图来训练字典,以降低字典训练的复杂度,并增强字典对高频信息的表达,消除重建伪影。同时,针对稀疏表示求解复杂度较高的问题,采用基于Cholesky分解的正交匹配追踪算法快速求解出稀疏系数,联合高频残差字典实现超分辨率重建,并对稀疏重建的高频图像使用迭代反投影进一步改善图像质量,极大地提高了算法的执行效率及图像重建效果。实验结果表明,该算法较传统算法在峰值信噪比和视觉效果上有所提升,运行速度快,重建图像的纹理特征和质量都得到了增强。

基于残差字典学习的图像超分辨率重建方法

为了提高图像重建质量,在保留图像空间结构信息的同时恢复更多图像高频信息,提出一种基于二维可分离字典和残差字典的图像超分辨率重建方法.不同于传统的基于一维字典的超分辨重建方法,二维字典直接利用图像的二维矩阵表示,因此,可以保持图像的空间结构信息,减少字典参数的数量,节省存储空间.为了更好地恢复图像高频信息,在二维可分离字典重建图像基础上,引入残差字典,重建边缘等高频信息,两类字典各有侧重,二者结合可得到更高质量的超分辨率重建图像.在典型的公共图像集上的实验证明了提出的结合二维可分离字典和残差字典的图像超分辨重建方法的有效性和优越性.

一种改进的字典学习的教室图像超分辨率重建方法

目前,教室的成像因受设备性能低和环境复杂的影响,会出现教学环境下对师生认识不全的情况。为了充分利用图像信息,全面细致地了解教学情况,文章提出一种改进的字典学习的教室图像超分辨率重建方法。通过采用字典学习算法训练自构的教室图像数据集得到对应的低秩字典和稀疏字典,使用训练的两个字典重建训练集图像,再参与训练,得到残差字典,然后运用训练得到的三个字典重建低分辨率图像,最终得到高分辨率图像。将提出的算法与几种经典算法进行对比实验,可视化和量化结果均表明,提出的算法在PSNR和SSIM上都获得了显著的提升。

融合内外特征的图像超分辨率算法

针对单一先验知识不足以约束病态严重的图像超分辨率问题,本文提出了融合内外特征的图像超分辨率算法。针对图像的自相似性,通过采用基于内部特征的深度卷积网络学习来增强输入图像的细节纹理,去除超分辨率图像伪影;同时,使用基于外部图像的稀疏约束方法来学习图像结构信息,并结合高频残差字典来解决超分辨率重建中的高频信息缺失问题;最后通过卷积稀疏方法分别从基础层和细节层来融合内外特征的重建图像,以获得细节清晰、去伪影的超分辨率图像,进一步提高图像质量。与传统算法相比,本文算法在重建图像的纹理特征和质量上都得到了增强,且视觉效果与峰值信噪比较传统算法有所改善。

基于两阶段邻域回归的图像超分辨率重建

针对现有的邻域回归超分辨率算法仅通过一次方案从低分辨率空间映射到高分辨率空间,不能很好地表示复杂的映射关系,提出了一种两阶段邻域回归的图像超分辨率重建方法。在第一阶段,用传统的邻域回归方法重建初始高分辨率图像,然后把一个正则化项加入超分辨率重建模型中,以提高重建图像的精度。在第二阶段,以增强的方式训练残差字典和残差回归学习,降低映射误差。与别的邻域回归方法不同,采用了四个方向的Sobel算子代替一阶梯度和二阶梯度来提取低分辨率图像特征。实验结果表明,所提出的方法性能优于传统的超分辨率重建方法。