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。

一种基于块稀疏贝叶斯学习的压缩图像融合算法

针对自然信号、图像中的丰富时序结构会影响基于多观测向量的压缩图像融合算法性能,基于块稀疏贝叶斯学习,构造了一种新的压缩图像融合算法.该算法采用概率性方法,利用正定矩阵模型化数据间的时序结构对图像中的时序结构进行建模,并将其统一在多观测向量模型中,进而通过贝叶斯规则和对超参量的估计,获取原始图像数据的最大后验估计.为验证该算法的有效性,对其进行了图像融合实验.仿真实验结果表明,与单观测向量模型下的压缩图像融合算法相比,所提出算法能有效降低所需的采样数量,且对多类图像都表现出更优的融合效果.

基于小波子树结构化采样的压缩图像融合方法

现有压缩图像融合算法的采样模式以傅里叶谱域内星形采样和小波谱域内放射状采样为主,并没有充分利用信号在谱域内的结构化特征,算法的性能和效率仍有提升空间。为此,本文利用图像在小波谱域内的重要变换系数所体现出的结构化特征,通过沿小波谱域内子树结构进行自适应采样,以采集到图像更多的重要信息,并结合空域递归图像重构算法,提出一种新的压缩图像融合方法。数值实验结果表明,所提出的压缩图像融合方法与现有的其它方法相比,不仅有效提高了图像融合效果,而且计算效率也有很大提升。