基于多字典学习和图像块映射的超分辨率重建

针对单一冗余字典在稀疏表示图像超分辨率重建结果出现不清晰、伪影以及重建过程编码效率不高、运算时间过长的问题,提出一种基于多字典学习和图像块映射的超分辨率重建方法。该方法在传统稀疏表示的框架下,首先探索局部图像块的梯度结构信息,按梯度角度将训练样本块分类;然后为每个子类样本集学习高低分辨率字典对,再结合最近邻思想应用生成的字典,为每个子类计算从低分辨率块到高分辨率块映射的函数;最后将重建过程简化为输入块和映射函数的乘积,在保证提高重建质量的同时减少了图像重建的时间。实验结果表明,所提算法在视觉效果有较大的提升,同时与锚点邻域回归算法相比,评价参数峰值信噪比(PSNR)平均提高约0.4 d B。

基于多字典学习框架的肾透明细胞癌预后分析模型

肾透明细胞癌是一种高度异质的肿瘤,具有复杂多变的临床表现。基于病理全切片图像的肾透明细胞癌自动预后分析,可辅助医生做出临床决策,从而达到更好的治疗目的。肾透明细胞癌的组织异构性使得针对预后分析任务的特征提取存在很大的挑战性。提出针对肾透明细胞癌病理全切片图像的多字典学习框架,自适应获取病理全切片图像的有效信息,进行肾透明细胞癌预后分析。该框架主要包括基于图像块水平的多字典学习和基于患者水平的生存模型构建两个阶段。利用癌症基因组图谱数据库的肾透明细胞癌数据集(TCGA-KIRC)中378例苏木素-伊红染色的全切片图像上进行评估,实验结果(C-index=0.681,AUC=0.751,P<0.05)优于现流行的各种生存模型,其中较传统的Boosted模型和随机生存森林模型,C-index指标分别提高0.138和0.155,AUC指标分别提高0.149和0.191;较Deep Surv和WSISA两个深度学习模型,C-index指标分别提高0.046和0.035,AUC指标分别提高0.096和0.090。所提出的方法可以更准确地对肾透明细胞癌进行预后分析。

基于在线多字典学习的矿井图像超分辨率重建方法

针对基于字典学习的方法在处理含有噪声且环境复杂的矿井图像时重建效果不佳的问题,提出了一种基于在线多字典学习的矿井图像超分辨率重建方法。该方法利用K-means聚类算法将图像训练集划分为多类图像,并针对不同类图像训练多组高低分辨率字典,提高字典对环境复杂图像的特征表示能力;根据图像非局部自相似性,引入非局部约束项进一步约束稀疏系数的解空间,并通过在线字典学习对多字典学习阶段的字典进行优化,提高稀疏系数求解的准确性,从而提高图像重建过程的抗噪声干扰能力。实验结果表明,该方法能够有效提高重建图像质量,抑制噪声引起的图像块效应和边缘锯齿效应,增强图像细节,具有更好的视觉效果。

基于多字典学习的车牌图像超分辨率重建方法

车牌识别作为智能交通系统中的关键技术,具有十分重要的应用前景.本文提出了一种改进的车牌识别算法.采用K-均值算法对高分辨率车牌图像样本进行聚类,并按类学习相应的子字典,从而有效地减少了字典中原子的数目,提高了算法的运行速度.再采用自适应的正则化参数法和反向投影法对图像进行全局优化,既保留了图像的更多细节特征,又起到较好的去噪效果.仿真实验结果表明,该算法从主观和客观效果上均有效地改善了重建的车牌图像质量.

基于多字典稀疏表示的遥感图像亚像元映射

本文提出了一种基于多字典稀疏表示的亚像元映射算法,利用已知的同类型高空间分辨率地物分布图像,构建能够更好反映不同类别地物空间分布模式的多个字典,将待分类亚像元用每一类字典稀疏表示,并依据重构误差最小化原则以及光谱失真程度约束条件来划分亚像元的地物类别.模拟与真实数据上的实验结果表明,本文算法能有效应对地物空间分布模式的多样性,具有更高的亚像元映射精度和更好的算法鲁棒性.

基于多字典和稀疏噪声编码的图像超分辨率重建

稀疏表示模型是通过将字典中的原子进行组合得到期望的结果.为了解决传统字典学习中所有图像块重建均使用同一个字典,从而忽略了最佳稀疏域的问题,提出来一种基于多字典和稀疏噪声编码的图像超分辨率重建算法.在字典训练时,利用图像的特征将它们合理地划分成若干个簇,每个聚类训练生成子字典对,利用最佳字典对进行重建.在求解稀疏系数阶段,引入稀疏编码噪声去除噪声的影响,利用图像非局部自相似性来获得原始图像稀疏编码系数的良好估计,然后将观测图像的稀疏编码系数集中到这些估计当中.实验表明,与ASDS算法和SSIM算法相比较,该算法有更好的重建结果,获得了更丰富的图像细节和更清晰的边缘.