低秩矩阵恢复下的自适应图像超分辨率重建

低分辨率自适应图像的像素密度过于稀疏,导致图像清晰度达不到超分辨标准。为此提出低秩矩阵恢复下的自适应图像超分辨率重建方法。构建低秩矩阵恢复模型,计算峰值信噪比参数,完成低秩矩阵恢复下的自适应图像降噪处理。在图像区域中提取自适应特征,根据超分辨率判别条件定义具体的重建函数表达式,完成低秩矩阵恢复下自适应图像超分辨率重建方法的设计。实验结果表明,该方法的应用可使图像有效去噪,信噪比高于31 dB,重建后图像分辨率均值达到100 PPI,实现了超分辨重建。

基于多尺度注意力机制的单幅图像超分辨率重建

近年来,深度卷积神经网络(CNN)在单幅图像超分辨率重建中取得了明显的进展。在此基础上,提出了一个校准多尺度通道空间注意网络(CMCSAN)。CMCSAN由两个关键模块组成:校准多尺度模块(CMSM)和通道空间注意模块(CSAM)。CMSM从不同尺度提取特征信息,自适应调整信息特征;CSAM模块可以自动鉴别不同通道的特征信息,有效调整空间的位置权重。实验结果表明,CMCSAN显著增强了挖掘中间特征信息的能力,在单幅图像超分辨率重建中表现出良好的性能。

单幅图像超分辨率重建技术研究进展

图像分辨率是衡量一幅图像质量的重要标准.在军事、医学和安防等领域,高分辨率图像是专业人士分析问题并做出准确判断的前提.根据成像采集设备、退化因素等条件对低分辨率图像进行超分辨率重建成为一个既具有研究价值又极具挑战性的难点问题.首先简述了图像超分辨率重建的概念、重建思想和方法分类;然后重点分析用于单幅图像超分辨率重建的空域方法,梳理基于插值和基于学习两大类重建方法中的代表性算法及其特点;之后结合用于超分辨率重建技术的数据集,重点分析比较了传统超分辨率重建方法和基于深度学习的典型超分辨率重建方法的性能;最后对图像超分辨率重建未来的发展趋势进行展望.

超分辨率图像恢复研究综述

介绍超分辨率图像恢复的概念、起源、应用和先决条件,以及超分辨率图像恢复包含的图像处理步骤和计算上需要有效处理的两个问题;综述国内外超分辨率图像恢复研究现状,对超分辨率图像恢复的主要方法及空域方法中的主要类别进行评述,并介绍超分辨率图像恢复算法的评价方法;最后对超分辨率图像恢复的研究前景进行展望。

单幅图像的超分辨率重建方法

在分析单幅图像超分辨率重建问题的基础上 ,建立一种新的图像退化模型 ,并分析了提出的模型和经典图像恢复中模型的异同点 ,然后分析了算法实施步骤 ,针对提出的分层剥离算法 ,采用级联模板运算方法 ,从而简化了方程计算的复杂度 .试验结果表明

基于改进的POCS算法的超分辨率图像恢复

针对常规的POCS(凸集投影 )算法会产生边缘振荡效应这一问题 ,提出了一种改进的POCS算法 ,该算法先对图像边缘像素点进行特殊处理 ,再对图像中其余的像素点进行修正 ,消除了恢复结果中的边缘振荡效应 .将改进的POCS算法与常规的POCS算法进行对比实验 。

基于凸集投影算法的被动毫米波图像超分辨率恢复

为了提高被动毫米波图像分辨率,该文将凸集投影算法(POCS)应用于被动毫米波图像的超分辨率恢复中。文章对引起被动毫米波成像系统图像降质的因素进行了分析和讨论,建立了成像模型,结合POCS算法原理,利用图像的噪声统计特性以及幅度约束条件,对POCS算法用于被动毫米波图像的超分辨率恢复进行了详细分析,并给出了算法流程。仿真结果表明:POCS算法用于被动毫米波图像的超分辨率恢复相对双线性差值方法恢复效果有明显改善。

基于过完备字典的鲁棒性单幅图像超分辨率重建模型及算法

针对单幅含噪图像的超分辨率重建问题,基于图像在过完备字典下的稀疏表示建立了超分辨率重建模型.该模型中低分辨率字典采用K-SVD算法直接训练,高分辨率字典则由高分辨率图像块与低分辨率字典下的同构的表示系数进行逼近求得;近似的高分辨率图像块通过高分辨率字典乘以表示系数得到,为使重建结果对噪声具有鲁棒性,利用基于稀疏表示的噪声图像恢复的方法由重叠的近似高分辨率图像块求得最终结果.实验结果表明,文中模型无论是主观视觉还是客观评价指标均取得了较好的效果,并验证了模型及算法的有效性.

图像序列的快速超分辨率恢复算法

图像序列的超分辨率恢复是目前国际图像复原界的一个研究热点 .本文提出了一种基于分层机制的图像序列超分辨率恢复方法 .在将问题采用正则化方法变为适定问题后 ,提出了一种级联模板的快速运算方法 .

基于低秩矩阵恢复和联合学习的图像超分辨率重建

文中提出一种新的基于低秩矩阵恢复和联合学习的单帧图像超分辨率重建方法.首先根据相似性将训练样本块分成若干个子集合,使用低秩矩阵恢复方法学习每个子集合的潜在结构.然后使用联合学习方法同时训练出两个投影矩阵,将原始高、低分辨率图像块特征的低秩分量映射到一个统一空间中,最后在该统一空间中完成基于邻域嵌入的图像超分辨率重建.实验结果显示文中方法在数量指标和视觉效果上都优于目前几种典型的图像超分辨率重建方法.

改进的有参超分辨率图像盲恢复

改进了有参超分辨率图像盲恢复中的边界与正则处理以及模糊参数估计方法,用交替迭代优化来估计模糊参数和高分辨率图像,用Neumann边界图像模型和修改边界像素来避免边界错误,用近似重排系统矩阵的带结构矩阵,来构造求解高分辨率图像的预处理共轭梯度算法。人工退化图像序列上的实验结果表明了改进方法的有效性。

基于改进卷积神经网络的单幅图像超分辨率重建方法

对于重建图像存在的边缘失真和纹理细节信息模糊的问题,提出一种基于改进卷积神经网络(CNN)的图像超分辨率重建方法。首先在底层特征提取层以三种插值方法和五种锐化方法进行多种预处理操作,并将只进行一次插值操作的图像和先进行一次插值后进行一次锐化的图像合并排列成三维矩阵;然后在非线性映射层将预处理后构成的三维特征映射作为深层残差网络的多通道输入,以获取更深层次的纹理细节信息;最后在重建层为减少图像重建时间在网络结构中引入亚像素卷积来完成图像重建操作。在多个常用数据集上的实验结果表明,与经典方法相比,所提方法重建图像的纹理细节信息和高频信息能得到更好的恢复,峰值信噪比(PSNR)平均增加0.23 dB,结构相似性(SSIM)平均增加0.006 6。在保证图像重建时间的前提下,所提方法更好地保持重建图像的纹理细节并减少图像边缘失真,提升重建图像的性能。

自适应正则有参超分辨率图像盲恢复

基于重建的超分辨率(SR)方法中,图像求解是典型的高维病态问题,需借助有效的正则来稳定求解。在Nguyen等人的正则有参超分辨率盲恢复框架(RPSR)基础上,引入基于图像局部光滑特征的正则处理,提出自适应正则的有参超分辨率方法(ARPSR),并从方便计算的角度,进一步提出了ARPSR的近似求解方法,即先将ARPSR问题,化为两个RPSR问题的带权组合,然后用RPSR框架估计图像模糊系统的自由参数和最优正则参数,用重排系统矩阵的方法构造预处理器,最后用预处理共轭梯度方法(PCG)求解超分辨率图像。算法分析和试验结果表明,ARPSR方法是对RPSR框架的进一步改进。

基于低分辨率图像融合的超分辨率恢复方法

提出一种基于多帧低分辨图像融合的超分辨率图像恢复算法。将多帧低分辨图像融合成一帧与高分辨图像分辨率一致的图像,并对其中一幅低分辨图像插值,形成迭代恢复算法的初始值,在此基础上以Tikhonov正则化方法求解原始高分辨图像。分析和实验结果表明,该算法具有良好的鲁棒性,并且计算速度较快。

纹理约束的局部自学习单幅图像超分辨率算法

提出了一种新的且有效的单幅图像超分辨率算法,该算法是基于自然图像中的局部缩放不变性原理。算法不需要额外的学习数据库,相反,只是从输入图像中的一个局部区域学习低分辨率图像块与高分辨率图像块之间的映射关系,因此很大程度上缩短了学习时间。为了能够得到更真实自然的图像结果,算法利用纹理上下文来搜索得到高分辨率图像块。实验证明,算法可以得到比较理想的效果。

基于Transformer的块内块间双聚合的单图像超分辨率重建网络

近年来,基于深度学习的轻量级单幅图像超分辨率(Single Image Super-Resolution,SISR)重建网络已成为人们研究的热点.但是现有的轻量级方法在捕捉图像像素间长距离的全局依赖性方面存在显著局限,这主要是由于显式建模此类依赖关系所伴随的庞大计算复杂度所致.因此现有的轻量级SISR方法的性能仍有较大的提升空间.基于此,本论文提出了一种新颖的基于Transformer的块内块间双聚合的轻量级网络(Intra-block and Interblock Dual Aggregation Network,IIDAN)来显式捕捉整幅图像中的全局依赖性,进而实现高质量的SISR.首先,在自然图像的非局部结构相似性的启发下,本论文提出了一种新颖的块内块间Transformer模块(Intra-block and Inter-block Transformer Module,IITM).IITM通过交替地开发每个图像块内部的自注意力和不同图像块之间的自注意力实现了图像中局部特征的显式捕捉和图像中结构相似性的全局显式捕捉.其次,本论文还提出了一种信息交互机制(Information Interaction Mechanism,IIM)来分别对IITM中的两种自注意力进行对应信息的互补:IIM给块内自注意力(Intra-block Transformer,Intra-T)补充块间信息,使得Intra-T能够获得更多的全局结构信息;同时,IIM也给块间自注意力(Inter-block Transformer,Inter-T)补充局部信息,使得Inter-T能够获得更多的局部细节信息.实验结果表明,与近几年极具代表性的轻量级SISR方法相比,本论文提出的IIDAN能够重建出更高质量的超分辨率图像,同时具有更低的计算复杂度.

基于CNN的轻量级神经网络单幅图像超分辨率研究

为了将低分辨率图像增强为高分辨率(HR)图像并最终得到超分辨率(SR)图像,提出了具有混合残差和密集连接结构的轻量级神经网络(LNN)来提高单幅图像超分辨率(SISR)性能,构建了层间SR-LNN(SR-ILLNN)和简化SR-LNN(SR-SLNN)两种LNN。SR-ILLNN采用基于部分卷积的填充方案来避免边界信息的丢失,结合局部和全局跳跃连接来训练卷积层之间输出特征图上的残差,并在低分辨率和高分辨率图像上对SR-ILLNN进行训练。通过SR-SLNN删除SR-ILLNN的高分辨率特征层和共享特征层来降低SR-ILLNN的网络复杂度。从多样化2K(DIV2K)图像数据集中提取训练图像,测试评估SR的准确性和网络复杂性。实验结果表明,与传统方法相比,SR-ILLNN和SR-SLNN可以显著降低参数数量、内存容量和减少计算时间,同时保持相似的图像质量。

基于深度学习的单幅图像超分辨率重建方法研究

为了解决基于单幅图像自适应稠密连接超分辨率(ADCSR)算法中的残差单元的融合问题,本文提出了一种基于行稀疏约束l_(0,2)-范数和soft-max运算的新策略.根据ADCSR算法,本文算法分为两部分:BODY和SKIP,前者专注图像的高频特征学习,后者专注低频特征学习.BODY部分中所有自适应密集残差单元(ADRU)的输出,作为初始特征图,可用特征数目l_(0,2)-范数作为活动水平度量,然后利用基于块的平均算子计算最终活动水平图,最后利用soft-max得到融合后特征映射,改进了原ADCSR算法中卷积融合粗糙的缺点,保留了更多的结构信息和特征.此外特征数目l_(0,2)-范数作为字典原子更加精确地获取更高的权重,获得了更优的峰值信噪比PSNR、结构相似性SSIM和视觉效果,计算机实验证明了本文算法的有效性.

用神经网络恢复残差的图像超分辨率算法

本文提出了一种基于残差线性恢复的图像超分辨率算法框架 ,以已有的图像插值算法为基础 ,利用人工神经网络恢复图像残差 ,相迭加得到高分辨率图像的估计 .在数学上论证了基于神经网络的图像插值算法的依据 ,并证明了本算法比以往的算法具有更好的性能 .理论上 ,任何一种单帧的图像插值算法都可以被引入本算法框架 .同时给出了算法实例和测试结果 .

基于卷积神经网的单幅图像超分辨率重建算法

为重建边缘清晰平滑的高分辨率图像,提出一种基于卷积神经网的单幅图像超分辨率重建算法.该算法使用固定大小的小卷积核,有效地提取梯度信息;设计深度为6层的卷积神经网,重建出边缘更清晰的图像,在一定程度上抑制了边缘的振铃效应;使用更大的样本库进行训练,避免发生过拟合.实验结果表明,虽然文中算法在Dong的卷积神经网超分辨率重建算法所提供的小训练库上优势不明显;但在Image Net这类大训练库上,该算法重建的高分辨率图像在主观视觉感受和客观图像质量评价(如峰值信噪比)上都有更好的表现.