基于邻域回归的医学图像超分辨率重建

为了提高医学图像的分辨率,提出一种基于内部样例的邻域回归超分辨率方法。首先,把输入的低分辨率图像当做高分辨率图像去构造基于自身实例的内部图像训练集,不再依赖外部训练集;然后,把高分辨率重建分成高频重建和低频重建,用邻域回归方法重建图像高频细节部分,用双三次插值方法重建低频部分;最后,用迭代组合的方法联合高频分量和低频分量来获得最终输出的高分辨率图像。实验结果表明,该方法性能优于传统的超分辨率重建算法,重建出的医学图像视觉效果更真实。

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。

联合深度置信网络与邻域回归的超分辨率算法

为了提高重建的质量和速度,提出一种联合深度置信网络与邻域回归的超分辨率算法.一方面,结合字典学习与神经网络表示的联系对传统的深度置信网络进行调整,采用该网络模型实现字典学习,充分利用该模型突出的学习能力,使字典具有更好的特征表达能力,从而提高图像的重建质量.另一方面,在基于字典学习的超分辨率框架中融入邻域回归思想.首先,利用最近邻域算法确定字典原子的最近邻域映射关系;然后以此为基础,结合邻域回归方法,离线计算高、低分辨率投影矩阵;最后在重建过程中将该投影矩阵应用于图像重建.该方法避免了字典学习中的系数求解过程,降低了计算的复杂度,提高了重建的速度.实验表明,算法具有更高的峰值信噪比和结构相似度,同时极大地提高了图像的重建速度。

基于多锚点邻域回归的图像超分辨率算法

给出了一种多锚点邻域回归图像超分辨率算法。首先,对单锚点超分辨率算法重建的高分辨图像进行分块,利用欧氏距离在训练图像块集合中寻找每个图像块的近邻集合。其次,根据近邻块集合中的图像块在每个锚点空间出现的频率,计算近邻图像块的分布概率,获得相关的锚点。最后,利用指数函数计算相关锚点在图像重建时的权重。仿真实验证明,改进算法与单锚点超分辨率重建算法相比,所恢复的高分辨率图像的峰值信噪比有一定提高,并且图像的边缘更加清晰,细节信息更加丰富。

锚点领域回归与稀疏表示的图像超分辨率方法

结合锚点领域回归与稀疏表示方法,提出一种改进的图像超分辨率方法。通过对高分辨率图像采用模糊和下采样操作生成低分辨率图像,基于锚点邻域回归的线性映射函数训练投影矩阵,利用稀疏表示的方法训练和学习稀疏字典对。在图像放大阶段,根据训练好的投影矩阵重建主要高频特征,利用稀疏字典对补充残差高频特征。实验结果表明,该方法能较好地保持图像的局部细节信息,减少块效应和伪影效应。

优化的AdaBoost回归图像超分辨方法

实例回归是一种简单但有效的超分辨重建方法。然而,简单线性回归器不仅不能很好地表征低分辨与高分辨图像之间复杂的非线性关系,同时,在字典和回归器规模较大的情况下,存在内存占用过高的现象,限制了该类方法在内存受限情况下的适用性。针对这些问题,提出了一种自适应特征增强的实例回归超分辨率重建优化方法。该方法利用K-SVD字典学习算法从训练集中学习一个稀疏字典作为锚点;利用锚点邻域回归通过T次自适应增强算法得到一组强回归器;将得到强回归器进行优化编码,得到一组回归基和其相应的编码系数用于超分辨重建。为验证提出算法的有效性,分别与其他主流方法在四个公共标准数据集上进行超分辨对比实验。实验结果表明,提出的方法在客观质量和视觉质量评价两个方面上均取得了较好的重建质量,具有较好的重建性能和较低的内存占用。

短时交通流组合预测模型研究

短时交通流预测是目前智能交通领域的研究热点,文中从实际应用的角度出发,提出了用于流量和速度预测的组合预测模型.该模型包含傅里叶历史估计模型、自回归模型和邻域回归模型三个子模型.详细介绍了组合预测模型的预测机理、模型细节以及用以实现模型实时更新的迭代回归算法.该模型被实际应用到北京市道路预测预报系统中,实际预测误差不超过15%.

统一最小二乘规则的单幅图像超分辨算法

基于机器学习的超分辨方法是一个很有发展前景的单幅图像超分辨方法,稀疏表达和字典学习是其中的研究热点。针对比较耗时的字典训练与恢复精度不高图像重建,从减小低分辨率(LR)和高分辨率(HR)特征空间之间差异性的角度提出了一种使用迭代最小二乘字典学习算法(ILS-DLA),并使用锚定邻域回归(ANR)进行图像重建的单幅图像超分辨算法。迭代最小二乘法的整体优化过程极大地缩短了低分辨字典/高分辨字典的训练时间,它采用了与锚定邻域回归相同的优化规则,有效地保证了字典学习和图像重建在理论上的一致性。实验结果表明,所提算法的字典学习效果比K-均值奇异值分解(K-SVD)和Beta过程联合字典学习(BPJDL)等算法更高效,图像重建的效果也优于许多优秀的超分辨算法。

颜色恢复和边缘保持的低照度图像超分辨率重建方法

针对常规图像超分辨率重建方法应用于低照度环境下的图像时存在纹理信息丢失、颜色偏移失真和重建性能退化等问题,提出了一种颜色恢复和边缘保持的低照度图像超分辨率重建方法。在锚定邻域回归(ANR)的图像超分辨率重建方法基础上引入颜色恢复和边缘保持的照度增强函数,从而提高图像内容和边缘纹理的显著性;选择最小加权二乘滤波作为中心环绕函数(WLS)以抑制高频特征退化;同时针对YCbCr颜色空间的Y通道分量采用边缘保持的照度增强函数计算其反射分量,进一步增强边缘纹理特征。实验结果表明,所提方法获得了更好的视觉效果,相比于其他方法,该方法峰值信噪比(PSNR)提高了63.15%、结构相似度(SSIM)提高了46.86%、感知质量(PI)提高了4.12%。

车牌超分辨率重建与识别

为了从图片中快速准确地识别车牌,提出一种结合图像超分辨率技术的车牌识别方案;车牌图片具有明显的特定的模式特征,只是具体的字符编码不同;因此车牌图片非常适合做超分辨率重建;文章提出的系统主要由车牌检测定位、车牌超分辨率重建、字符分割、字符识别等模块组成;综合基于边缘、基于颜色和基于最大稳定极值区域三种车牌检测策略并采用并行编程方法来综合检测结果得到候选车牌;采用车牌图片正负样本来训练支持向量机分类器;得到分类器模型后对候选车牌判决得到真正的车牌;随后对真实车牌图片进行超分辨率重建;该部分主要由基于固定邻域回归的方法实现;这种方法综合了稀疏字典学习和领域嵌入的方法,比较好的兼顾了准确率和计算速度;运用OpenCV提供的图像处理库来对重建后的图片做字符分割;得到单独的字符图片后采用人工神经网络进行识别;识别前先使用一定数量的字符图片对网络进行有监督训练获取识别模型;采用一个单隐层的神经网络,运用反向传播算法进行训练得到识别模型;最后提取字符图片的特征并输入网络进行分类完成识别;为了测试系统的表现,在实际场景中采集了一百张车牌图片作为测试集;实验表明,该系统具有较高识别准确率和较快的处理速度。

抑制全变分阶梯效应的新方法

全变分去噪算法能够很好地保留图像边缘和细节信息,但在图像平滑区域会产生严重的阶梯效应,而邻域线性回归滤波器可以避免产生阶梯效应。针对这一点,提出一种抑制全变分阶梯效应的新方法。该方法利用改进的高斯函数作为权函数,根据图像不同区域的灰度特性,自适应地调节权值,从而将全变分算法与邻域线性回归滤波有效地结合,达到优势互补,既可以保留图像的边缘信息,又可以抑制平滑区域的阶梯效应。比较了上述三种方法的结果表明,新方法具有更好的复原效果。

基于多字典的单幅图像超分辨率重建

对于目前图像超分辨率重建算法中的问题,忽略重建图像结构性和重建过程中丢失高频信息,提出了一种基于多字典的单幅图像超分辨率重建算法。在字典学习阶段根据每个图像块的主方向角,对所有训练图像块进行聚类并训练各类的字典。利用训练得到的字典重建训练样本并计算各类的残差图像块,然后对残差图像块再进行聚类、训练残差字典。用锚定邻域回归方法重建高分辨率图像,实验结果表明,该算法在客观评价和视觉效果上均优于许多优秀的图像超分辨算法。

改进的联合型图像超分辨率重建算法

针对传统锚定邻域回归(anchored neighborhood regression, ANR)的图像超分辨率方法缺乏灵活性、且对图像的细节没有很好的恢复能力的缺点,提出一种锚定邻域回归和卷积神经网络(convolution neural network, CNN)相结合的图像重建方法。首先,在ANR中提出使用弹性网络回归模型,使算法具有特征选择的特点。其次,在CNN的图像预处理部分使用lanczos3插值方法,加快了运算速度,在特征提取中提出使用具有自门控特性的Swish函数作为激活函数,用于提高测试准确度。最后,在重建图像的评价方面提出了图像的相关系数,并用于对重建图像做进一步的有效性评估。实验结果证明,所提方法平均峰值信噪比(PSNR)达到了32.68,平均结构相似性(SSIM)达到0.938 0,平均相关系数达到0.982 8。算法有效地恢复了图像的细节部分,图像质量得到了进一步提升。

一种梯度正则化稀疏表示的图像超分辨率重建方法

近年来,稀疏表示的方法在图像超分辨率(Super-resolution,SR)重建方面取得了较好的结果.但是,由于图像在获取的过程中受外界因素的影响,获取到的低分辨率(Low Resolution,LR)图像细节往往损失严重,在图像SR重建中LR图像自身可利用的先验信息有限.因此,传统的稀疏表示不能很好地恢复出图像的高频细节.针对这一不足,本文基于稀疏表示的SR重建思想,采用邻域回归的方法从外部样例中学习图像的梯度先验信息来弥补图像自身先验不足的缺点,提出一种梯度正则化稀疏表示的图像SR重建方法.该方法通过构建一种图像梯度正则化项来引导图像的细节重建,提高重建的高分辨率(High Resolution,HR)图像的质量.实验结果表明,本文提出的SR重建算法重建结果较好,能恢复出更清晰的边缘信息,在主观和客观上重建结果都优于大多数的方法.

基于T-TSNPR的动态过程质量监控

针对动态过程的质量监控,提出了一种全时间序列邻域保持回归(Total Time Series Neighborhood Preserving Regression,T-TSNPR)算法。首先,考虑到无关变量对构造特征空间的影响,对过程变量进行相关性分析,利用贡献度方法进行变量优化。在数据降维过程中考虑到数据间的时序相关性,T-TSNPR在一定长度的移动时间窗内进行邻域点挑选并构造目标函数,通过全投影回归提取出质量相关特征空间,并建立相应的T2统计量进行质量监控。最后,通过数值仿真和TE过程(Tennessee-Eastman process)仿真实验验证了T-TSNPR算法的有效性。

基于半耦合字典的快速图像超分辨率重建算法

为了提高图像超分辨率重建的效率与质量,考虑到高、低分辨率稀疏表示系数的不同,改进了锚定邻域回归算法,并结合半耦合字典学习算法提出了一种快速图像超分辨率重建算法.首先采用半耦合字典学习算法得到高分辨率字典、低分辨率字典及映射矩阵;再采用岭回归算法求解低分辨率稀疏表示系数,并根据高分辨率稀疏表示系数与低分辨率稀疏表示系数之间的映射关系,得到高分辨率稀疏表示系数;然后,根据输入图像块特征寻找字典中与其最相关的字典原子,计算该字典原子所对应的投影矩阵,进行超分辨率重建.仿真结果表明:提出的算法不仅在重建速度上表现更快,重建图像的质量也得到提高,在客观指标和主观效果上均取得更好的效果.