基于深度学习的图像超分辨率算法优化研究

本研究针对图像超分辨率重建问题,基于生成对抗网络(generative adversarial networks,GAN)提出了一种优化方法,并利用DIV2K数据集进行了实验验证。首先,对GAN的基本原理进行了深入研究,探讨了其在图像超分辨率重建中的应用。其次,引入了自适应矩估计(adaptive moment estimation,Adam)方法对GAN进行优化,通过结合动量和自适应学习率的机制,提高了模型的性能和稳定性。最后,利用DIV2K数据集进行了实验对优化前后的方法进行了比较。实验结果表明,优化后的方法在均方误差(mean squared error,MSE)和结构相似性(structural similarity index,SSIM)等评价指标上均取得了显著的提高,证明了优化方法对提高图像质量和视觉感知效果的有效性。

基于深度学习的高分辨率遥感图像分割方法

以往高分辨率遥感图像分割方法由于没有对遥感图像中的数据模点进行检测,导致分割精度不高,本文设计了一种基于深度学习的高分辨率遥感图像分割方法。首先,通过对遥感图像进行预处理,保留重要的细节信息;其次,对预处理后的遥感图像进行特征提取,并对特征提取后的图像进行滤波处理,增加图像光谱的一致性;最后,利用深度学习方法对遥感图像中的数据模点进行检测,得到遥感图像的最终分割结果。通过实验并与以往的高分辨率遥感图像分割方法进行对比证明基于深度学习的高分辨率遥感图像分割方法具有更高的分割精度。

基于多尺度残差的数字图像超分辨率重建算法

针对目前数字图像采集传输过程中因受环境干扰出现低像素的图像,导致图像重建效果较差的问题,提出了基于多尺度残差的数字图像超分辨率重建算法。首先,采用双边滤波算法完成数字图像的去雾处理;其次,分类数字图像的亮度特征信息和色彩信息,采用距离阈值去噪方法分别对其进行去噪处理;并且设置多个尺寸的卷积核,将其引入图像特征提取过程中,获取数字图像特征,对其展开反向投影操作,在残差学习思想的基础上连接升采样和降采样过程提取的特征,实现数字图像超分辨率重建。实验结果表明,所提算法对图像重建的结构相似度高、峰值信噪比(PSNR:Peak Signal-to-Noise Ratio)高、重建效果好。

超分辨率图像重建方法综述

由于广泛的实用价值与理论价值,超分辨率图像重建(Super-resolution image reconstruction,SRIR或SR)技术成为计算机视觉与图像处理领域的一个研究热点,引起了研究者的广泛关注.本文将超分辨率图像重建问题按照不同的输入输出情况进行系统分类,将超分辨率问题分为基于重建的超分辨率、视频超分辨率、单帧图像超分辨率三大类.对于其中每一大类问题,分别全面综述了该问题的发展历史、常用算法的分类及当前的最新研究成果等各种相关问题,并对不同算法的特点进行了比较分析.本文随后讨论了各不同类别超分辨率算法的互相融合和图像视频质量评价的方法,最后给出了对这一领域未来发展的思考与展望.

提高超声C扫描图像分辨率的插值方法研究

根据超声C扫描成像原理,分析了采样间隔对超声C扫描图像分辨率的影响.采用一种基于局部协方差特征的边缘自适应图像插值方法来提高C扫描图像的分辨率,同时将图像局部均方差作为边缘特征判据,使算法得到了简化.该方法根据低分辨率图像的局部协方差估计出高分辨率图像的插值加权系数,能够在放大图像的同时保留图像的边缘特征.试验结果表明,基于局部协方差特征的图像插值方法明显提高了C扫描图像分辨率,并且减小了边缘模糊效应,因此降低了采样间隔对图像分辨率的影响,提高了图像中缺陷分布评价结果的准确性.

基于序列图像处理技术的高分辨率红外图像重建方法

红外成像系统由于探测器阵列对图像的欠采样和成像单元尺寸等因素的影响 ,图像分辨率低 ,无法满足实际应用的需要。介绍了目前主要研究和采用的基于序列图像处理技术的高分辨率红外图像重建方法 ,包括空间域的的常用方法 ,如贝叶斯法、凸集投影法、迭代反投影法及频率域方法 。

单图像超分辨率方法综述

图像超分辨率是指从低分辨率图像生成对应的高分辨率图像。它在人脸识别、数字高清电视、视频通信等领域应用广泛。为了对图像超分辨率技术进行深入探索和总结,本文首先回顾了单图像超分辨率的历史,综述了基于非学习的超分辨率方法,其中展开介绍了基于插值和基于重建的方法,接着重点介绍了基于学习的方法,详细分析了基于深度学习的图像超分辨率,具体总结了SRCNN、ESPCN、SRGAN这三种图像超分辨率方法,并将其与递归结构、密集结构、注意力机制网络结构进行对比,之后分析了损失函数和上采样方式在图像超分辨率中的作用,介绍了常用数据集和图像评价指标,展示了图像超分辨率的可视化结果。最后,总结了现有单图像超分辨率方法的进展和不足。

超分辨率重建方法在图像处理中的应用

为提升现有舰载光电探测系统图像的分辨率,通过图像降质及超分辨重建模型对复原图像中伪信息的产生进行了研究,在Lee方法的基础上,提出了采用高斯马尔科夫先验模型对图像重建过程进行约束的方法,实现了正则化参数的自适应计算。实验结果表明:该方法在视觉效果与客观指标上要优于传统方法与Lee方法,具有良好的应用前景。

有限空间下船舶遥感图像低分辨率特征识别分析

传统的遥感图像低分辨率特征识别方法在有限空间下很难清晰准确地完成识别工作,尤其是在区分靠岸船舶和离岸船舶问题上显现出很大的局限性。为了解决此问题,研究了一种新的有限空间下船舶遥感图像低分辨率特征识别方法,首先构建了识别框架,阐述了当船舶位于水体中央和停靠在海岸边时采用的不同识别方法;然后介绍了识别过程,识别过程由水体提取、矢量分解、起点终点划分、模拟检测4步构成;最后通过与传统方法进行对比验证了该方法的识别效果,由实验结果可知,研究的识别方法可以快速精准地完成特征识别,具有很大的市场发展空间。

基于多特征的高分辨率遥感图像分析

为克服传统的基于像元的遥感图像分析的局限性,提出基于多特征的高分辨率遥感图像分析方法,并以北京地区亚运村的城市土地利用的识别检测为例对该方法进行相应的阐述。

低分辨率图像目标特征实时增强方法仿真

为了提高分辨率较低的目标图像的实时可读性,保护低分辨率图像的边缘和目标特征,需要进行低分辨率图像目标特征实时增强。针对当前图像增强方法通常会导致低分辨率图像边缘和目标的模糊的问题,提出一种基于多尺度top-hat分解的低分辨率图像目标特征实时增强方法。上述方法首先对低原分辨率图像利用多尺度top-hat变换构造塔形分解细节特征和近似图像,再对原低分辨率图像的细节特征应用融合规则,最后根据不同应用需求加权各尺度目标特征获得低分辨率图像目标特征融合图像,采用正则化方法直接对低分辨率图像目标特征进行处理,以附加稀疏性约束的形式,将低分辨率图像目标特征增强问题转化为最优化问题,并采用数值方法进行快速求解,由此完成低分辨率图像目标特征实时增强。实验结果表明,所提方法不仅能够有效抑制低分辨率图像噪声,还能保护并增强图像目标和边缘特征,具有较好的鲁棒性。

视频图像超分辨率复原技术的分析与研究

视频图像超分辨率复原技术具有重要的研究价值,在研究和分析超分辨率复原技术的具体方法的基础上,深入探讨了频率域、空间域研究方法的不同的理论依据、实现手段以及算法模型,分析比较出空间域研究方法具有一定研究的优势,并对其研究前景进行展望。

基于PDE正则化的超分辨率图像重构方法

采用非线性扩散模型建立超分辨率图像重构的偏微分方程,利用各向异性扩散方程的方向选择平滑的特性,在重构高分辨率图像的同时能够很好地消除系统噪声,保持细节信息。实验结果表明,该方法有效地提高了重构的图像质量,在视觉观察和数值评价上都优于原有正则化方法,并且对不同噪声水平的图像具有很好的鲁棒性。

高分辨率SAR图像相干斑噪声抑制方法

文章主要提出了一种新的基于小波变换对高分辨率合成孔径雷达(SAR)图像相干斑噪声抑制的算法。首先从SAR图像相干斑噪声产生的机理出发,论述了通过传统的滤波方法,在抑制高分辨率SAR图像的相干斑噪声的同时损失了大量的边缘信息和纹理细节而采用小波变换降噪的优越性和必要性;其次详细地论述了在小波域中如何利用高频局部的统计特性和分解尺度大小来选取滤波窗口尺寸进行滤波;最后通过实验结果说明了此方法比采用传统的固定窗来实现对高分辨率SAR图像的降噪、保留边缘信息和纹理细节有着更好的性能。

改善投影分辨率的叠加图像方法及其图像质量评价方法概述

分辨率是投影仪性能的关键指标,提高分辨率是投影仪行业的重要目标之一。与空间光调制器(SLM)的原始图像的分辨率比较,投影图像叠加是有效的提高投影仪分辨率的方法。投影图像叠加方法可以在多投影系统或者具有光机系统的单投影系统中使用。两个或者多个图像在投影幕布上组成叠加投影图像,其叠加投影图像可以用加法函数的方法来进行理论计算。

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.

一种新的高分辨率遥感图像道路提取方法

根据高分辨率遥感影像中道路宽度变化均匀、局部方向稳定等几何特征,提出了一种基于距离约束的高分辨率影像道路的提取方法。该方法根据图像相邻边缘像素间的距离值,依次提取道路边缘像素和道路曲线段,然后编组连接各个道路段,实现道路提取。

基于多特征多分辨率融合的高光谱图像分类

由于数据维数高 ,利用高光谱数据对地物进行分类 ,常规方法难以获得令人满意的结果 .在基于小波多分辨率融合方法进行特征图像的提取过程中 ,提出了利用多个空间特征所构成的特征矢量确定多分辨率融合权值的算法 ,有效地降低了原始图像的数据维并获得了用于后续分类的特征图像 .对AVIRIS数据进行的实验表明 ,利用新方法提取的特征进行分类 ,获得了高于传统方法确定融合权值的结果 .

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 .

基于卷积神经网络的小样本图像分辨率改进方法

本文将已有的图像分类网络模型与视觉识别算法相结合,改进了模型。对原始三层卷积神经网络进行卷积调整,调整核大小,减小参数;增加图层,降低维数,降低计算复杂度;提高学习率,增加输入子块,缩短训练时间;扩展图像训练库,扩大训练库功能,提高训练效率。实验结果表明,该改进方法具有良好的分辨率,其主观视觉效果和客观评价指标都得到了很大的改善,图像的清晰度和边缘锐度也得到了很大的提高。