用双层重建法实现单幅图像的超分辨率重建

针对现有基于稀疏编码的单幅图像超分辨率重建算法易导致重建图像中出现不正确几何结构的现象,提出一种字典非相关性约束和稀疏系数非局部自相似性约束结合的稀疏编码方法.为解决引入这种自相似性约束造成的重建图像边缘过度平滑、模糊的问题,提出了基于平滑层和纹理层的双层重建框架.该方法运用一种全局非零梯度数目约束重建模型重建平滑层;通过提出的稀疏编码方法重建高分辨率纹理图像.最后,利用一个全局和局部优化模型进一步提升重建图像的质量.实验结果表明,与一些具有代表性的重建方法相比,该方法得到的峰值信噪比（PSNR）和结构相似度（SSIM）平均值分别提高了0.798 7～3.242 4 dB和0.018 6～0.083 5,不仅主观视觉效果上取得了明显的改进,鲁棒性得到增强,而且重建出了更加准确的结构和边缘,取得了更好的重建效果.

基于变分贝叶斯层次概率模型的非刚性点集配准

非刚性点集配准是计算机视觉和模式识别领域的基础研究问题,现今的非刚性点集配准算法在存在大量离群点、噪声、点集对应关系缺失、旋转和形变情况下,不能非常准确地评估出两个点集间的对应关系.本文通过交替执行点集对应关系评估和空间转换更新两个步骤来逐步恢复点集间一一对应关系.在对应关系评估步骤,首先本文基于有限重尾学生t分布隐变量混合模型(student-t distribution Latent Mixture Model,简称TLMM)构造变分贝叶斯层次概率模型(Variational Bayes Hierarchical Probability Model,简称VBHPM)并将其分为对应关系评估组件和离群点聚合组件,分别用来评估点集间对应关系和聚合离群点,同时使用贝叶斯线性回归方法来抵抗噪声的干扰.其次本文加入Dirichlet先验分布来动态调节模型的混合比例,为对应关系缺失的点分配较小的混合比例以保持点集结构的稳定性.在空间转换更新步骤,本文基于变分贝叶斯(Variational Bayes,简称VB)框架来迭代更新模型参数,并提出树状平均场因式分解方法来维持模型参数间的依赖关系,以获得更紧致的变分下界.此外,本文提出自适应全局-局部约束策略来维持点集间结构的稳定性,抵抗形变和旋转影响的同时实现从局部到全局的约束过程.最后,本文采用了双阶段先验退火方案,在退火过程中使用Gamma先验分布来动态调节精度,实现由粗到精的配准过程.在实验部分,本文不仅测试了VBHPM的性能,而且展示了点集和图像配准的结果,并与当前流行的13种算法进行了比较,VBHPM皆能展现较准确的配准结果和较高的精度.