基于引导滤波和多尺度局部自相似单幅红外图像超分辨率方法

针对红外图像存在分辨率不高、对比度低的特点,提出了基于引导滤波和多尺度局部自相似性的红外单幅图像超分辨率算法。该方法引进了类高斯分布的类高斯核,在此基础上构建均值引导滤波器。该滤波器是一种线性边缘保持滤波器,可以得到图像的高频细节。根据图像的自相似性,对初始高分辨率图像和原始低分辨率图像进行分块,得到待匹配窗和搜索窗,根据非局部均值(NLM),待匹配窗图像块的值利用搜索窗中相似块的加权平均计算得到;利用图像自相似性,待匹配窗在搜索窗的邻域内进行匹配搜索,找到与待匹配窗最相似的匹配块,计算出最佳匹配块的高频细节图像块,与相似块的加权平均值相加,重构出高分辨率待匹配窗;最后,合并所有的超分辨率重构的待匹配窗,相邻图像块重叠区域的像素值使用平均融合得到,得到最终的超分辨率图像。实验结果表明,本算法不仅能很好地重构图像的高频细节,还能很好地恢复图像的纹理特征,得到的结果不仅边缘更清晰更真实,而且纹理更加丰富。

基于回归函数结合局部自相似的单帧图像超分辨率算法

启发于过完备字典中稀疏线性组合的高分辨率图像的块与其对应的低分辨率局部块能很好地匹配,提出一种回归函数结合局部自相似的单帧图像超分辨率算法;该算法结合了实例图像块的学习和局部自相似图像块的学习,实例图像块的局部回归避免了从低分辨率到高分辨率图像块映射的病态性问题;通过局部自相似实例图像块学习获得非线性映射函数的一阶近似,从而获得低分辨率图像块相对应的高分辨率图像块,克服了实例图像块算法不足的问题;实验采用峰值信噪比(Peak Signal to Noise Ratio,PSNR)和均方误差(Root-mean-square error,RMSE)比较各算法效果;从实验结果数据可以看出,大多数情况下,提出的算法具有最高的峰值信噪比和最低的均方根误差,从实验结果图可以看出,提出的算法的纹理保留的最好,图像自然性最好,且运行时间也少于其他几种较新的算法,表明提出的算法更适合用于解决实际问题。

基于非局部自相似的Shearlet自适应收缩图像去噪

针对Shearlet收缩去噪引入的Gibbs伪影和"裂痕"现象,提出一种结合非局部自相似的Shearlet自适应收缩图像去噪方法。首先,对噪声图像进行多方向多尺度的Shearlet分解;然后,基于高斯比例混合(GSM)模型的Shearlet系数分布建模,利用贝叶斯最小二乘估计对Shearlet系数进行自适应收缩去噪,重构得到初始去噪图像;最后,利用非局域自相似模型对初始去噪图像进行滤波处理,得到最终的去噪图像。实验结果表明,所提方法在更好地保留边缘特征的同时,有效地去除噪声和收缩去噪引入的Gibbs伪影,该方法获得的峰值信噪比(PSNR)和结构自相似指标(SSIM)比基于非抽样剪切波变换(NSST)的硬阈值去噪方法提高1.41 d B和0.08;比非抽样Shearlet域GSM模型去噪方法提高1.04 d B和0.045;比基于三变量模型的剪切波去噪方法提高0.64 d B和0.025。

局部自相似过程的小波估计(英文)

首先,针对时变自相似参数提出了一种基于最大重叠离散小波变换的估计方法:对此进行了蒙特卡洛模拟研究,发现提高了估计的精度;最后,将研究结果应用于海洋垂直切变序列.

外部非局部自相似先验的图像去噪

针对在噪声水平比较高的情况下难以从噪声图像本身提取准确先验信息的问题,提出一种从外部干净图像数据集学习非局部自相似先验信息的图像去噪方法。首先用高斯混合模型学习外部干净图像的非局部自相似先验信息,其次利用最大后验概率估计的方法找到与噪声图像块最匹配的外部先验信息,最后利用外部先验对噪声图像块进行稀疏表示。实验对比表明,所提算法在去除噪声的同时可以较好地保留图像的细节信息,使图像数据集的平均峰值信噪比提高0.18 dB以上。

基于局部自相似性的遥感图像港口舰船检测

针对高分辨率可见光图像中靠岸舰船的灰度特征和纹理特征与港口设施极为相似而难以自动检测的问题,提出了一种利用邻域自相似局部特征提取算子提取港口舰船局部显著性特征,经过特征空间分析,并利用先验知识信息,自动检测港口舰船的算法和处理流程。实验结果表明,该处理方法具有较好的可操作性和鲁棒性,能够快速准确地检测出港口舰船目标。

图像非局部自相似的稀疏表示算法

在研究图像非局部自相似以及图像稀疏表示的基础上,致力于设计简单有效的数据变换方式,提出一个图像非局部自相似的投影算法,并利用该算法设计一个图像去噪声算法,通过稀疏表示图像,增强图像的纹理细节及图像的结构信息,从而恢复具有高保真度的图像.仿真实验结果表明,该算法能在保留图像纹理及结构信息的情况下有效去除噪声.

基于置信度和非局部自相似滤波的超分辨率重建

针对低分辨率深度图像在超分辨率重建中出现边缘细节模糊和振铃效应问题,提出了结合同场景彩色高分辨率图像,利用深度图像置信度和非局部自相似滤波的超分辨率重建算法。在联合双边上采样滤波器的基础上,结合深度图像置信度,去噪平滑图像,在非局部自相似滤波中结合同场景彩色图像的特征结构信息进行约束,可以很好减轻振铃效应,重建出高分辨率图像。实验结果表明,本文方法在去噪平滑图像的同时更好地保护边缘细节,避免振铃效应,取得不错效果。

利用局部自相似进行多光谱遥感图像自动配准

首先在图像间提取反映图像内在几何布局和形状属性的局部自相似(LSS)描述子,之后结合LSS和归一化相关系数(NCC)构建了一种形状相似性测度——LSCC,并采用模板匹配的策略识别同名点。对比NCC和互信息,LSCC在顾及计算效率的同时获得了更好的匹配正确率。另外,根据遥感图像的特点,设计了一种基于LSCC的自动配准方法。试验结果表明,该方法能够较好地抵抗图像间的非线性灰度差异,并获得可靠的配准精度。

基于非局部相似块低秩的压缩感知图像重建算法

传统的压缩感知重建算法利用信号在某个特征空间下的稀疏性构建目标优化函数,但没有充分考虑信号的局部特性和结构化属性,影响了算法的重建性能和算法的适应性.本文考虑图像的非局部自相似性(Nonlocal Self-Similarity,NLSS),提出一种基于图像相似块低秩的压缩感知图像重建算法,将图像恢复问题转化为聚合的相似块矩阵秩最小问题.算法以最小压缩感知重建误差为约束构建优化模型,并采用加权核范数最小化算法(Weighed Nuclear Norm Minimization,WNNM)求解低秩优化问题,很好地挖掘了图像自身的信息和结构化稀疏特征,保护了图像的结构和纹理细节.多个测试图像、不同采样率下的实验证明了算法的有效性,特别是在低采率下对于纹理较为丰富的图像,提出的算法图像重建质量较明显的优于最新的同类算法.

基于稠密局部自相似特征流的图像配准算法

针对基于稠密SIFT流图像配准算法执行效率和配准准确率有待提高的不足,提出了一种基于稠密局部自相似(LSS)描述符构建的稠密改进的LSS(ILSS)特征流的图像配准算法。算法通过颜色空间转换分离出彩色图像中的颜色和亮度信息,只在亮度通道上提取稠密LSS特征以大幅度提高图像特征提取阶段执行效率。随后以保持特征流场光滑性为约束条件,采用金字塔多分辨率迭代法提高LSS特征流场估计阶段的执行效率。多分辨率迭代法的基本思想是先在图像粗粒度网格上快速估算出初步的特征流场,然后再逐步求精获得最终精确的特征流场。大量实验表明,与稠密SIFT流相比,基于稠密ILSS特征流的图像配准算法在图像内容发生较大变化时具有更好的鲁棒性,同时具有更高的执行效率和图像配准确率。

基于多尺度自相似性和非局部均值的单幅图像超分辨率方法

提出了一种基于多尺度局部自相似性和非局部均值的单幅图像超分辨率算法,该算法不依赖于外界图像,仅仅在原始图像的局部子窗口中搜索目标图像块的相似子块,利用非局部均值算法对相似子块进行加权求和来估计待复原图像,然后在复原图像上叠加最相似子块的高频细节图像,获得高分辨率图像。实验结果表明,本文算法不仅能很好地重构图像的高频细节,还能很好地恢复图像的纹理特征。

基于局部自相似性的视频图像超分辨率算法

针对视频图像的特点,提出基于局部自相似性的视频图像超分辨率算法。该算法不依赖自然图像数据库作为样本块的图像来源,而是利用局部自相似性,通过在相关坐标邻域中搜索子图像块以实现高频补偿。设计上采样和下采样滤波器,以实现对高频补偿后的图像进行滤波从而产生最终的样本块,采用逐级放大、分多步组合达到视频图像的放大,从而实现了视频图像超分辨率算法。实验结果表明,对于视频序列图像,在主观视觉效果和均方根误差(root mean square error,RMSE)、结构自相似性算子(structural similarity index measurement,SSIM)等方面,算法能显著地提高其分辨率,取得很好的效果。同时,对视频图像利用局部自相似性方法,减少了图像块的检索时间,降低了算法运算量。

基于局部回归模型的图像超分辨率重建

针对基于稀疏重建的图像超分辨率（SR）算法一般需要外部训练样本,重建质量取决于待重建图像与训练样本的相似度的问题,提出一种基于局部回归模型的图像超分辨率重建算法。利用局部图像结构会在不同的图像尺度对应位置重复出现的事实,建立从低到高分辨率图像块的非线性映射函数一阶近似模型用于超分辨率重建。其中,非线性映射函数的先验模型是直接对输入图像及其低频带图像的对应位样本块对通过字典学习的方法得到。重建图像块时利用图像中的非局部自相似性,对多个非局部自相似块分别应用一阶回归模型,加权综合得到高分辨率图像块。实验结果表明,该算法重建的图像与同样利用图像具有自相似性的相关超分辨率算法相比,峰值信噪比（PSNR）平均提高0.3~1.1 d B,主观重建效果亦有明显提高。

基于非局部稀疏编码的超分辨率图像复原

基于压缩感知的超分辨率图像复原方法通常采用局部稀疏编码策略,对每一图像块独立编码,易产生人工的分块效应。针对上述问题,该文提出一种基于非局部稀疏编码的超分辨率图像复原方法。该算法在字典训练和图像编码过程中分别运用图像的非局部自相似先验知识,即利用低分辨率图像的插值图像训练字典,并通过计算相似块局部编码的加权平均,得到每一图像块的非局部稀疏编码。仿真实验表明,所提算法能够获得更优的复原效果,并且对于含噪图像具有较强的鲁棒性。

非局域自相似约束的Shearlet稀疏正则化图像恢复

提出一种结合非局部自相似和Shearlet稀疏性正则化的图像恢复变分模型。模型采用观测图像与待恢复图像的能量误差为保真项,联合Shearlet稀疏性和非局域自相似性为混合正则化项。正则化项同时兼顾图像的变换特性和自身结构全局特性。基于变量分裂增广拉格朗日法提出了求解该变分模型的数值算法。以图像去模糊和图像修复为例,对算法性能进行了测试。实验结果表明,该模型和所提算法能够较好地恢复图像,与其他算法相比,可获得更高的峰值信噪比(PSNR)和结构自相似指标(SSIM),具有更好的视觉效果。

基于图像自相似结构的视频图像插值算法研究

针对在处理边缘复杂和纹理信息丰富的图像时,传统的视频图像插值算法难以达到较高的清晰度,输出图像容易产生锯齿和模糊效应的问题,提出了一种新的视频图像插值算法。算法利用帧间和帧内图像大量存在的空间冗余信息,建立了空域分形自相似模型。该模型在非局部区域搜索得到邻居块,通过对低分辨图像块和不同采样网格上的邻居块线性组合来拼贴重建得到高分辨率图像。实验结果表明:该算法插值后的图像重建精度较高,同时由于模型的结构较为简单,整个算法的计算量也很小。

基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨

针对深度图像分辨率低、深度不连续性模糊问题,提出一种基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨方法。为了探究深度图像非局部相似块之间的相关性,提出了形状自适应的非局部回归。该方法对每个像素点提取其形状自适应块,并根据形状自适应块构建目标像素的相似像素组;然后针对相似像素组中的每个像素,结合同场景的高分辨率彩色图像获得非局部权重,从而构建非局部回归先验。为了保持深度图像的边缘信息,对图像梯度的非局部性进行探究。不同于总变分(TV)正则化对所有像素点梯度的零均值拉普拉斯分布假设,该方法利用深度图像梯度的非局部相似性,用非局部块估计特定像素点的梯度均值,并用学习到的均值来拟合各像素点的梯度分布。实验结果表明,相较于基于边缘不一致性评价模型(EIEM),所提方法在Middlebury数据集上的2倍和4倍上采样率的平均绝对值差(MAD)分别下降了41.1%和40.8%。

基于改进复扩散自适应耦合非局部变换域模型的图像放大

针对二阶偏微分方程(PDE)放大算法丢失弱边缘和纹理细节的不足,提出一种改进复扩散自适应耦合非局部变换域模型的图像放大算法。利用复扩散具有边缘定位准确的特点耦合冲击滤波器,改进复扩散模型能够较好地增强强边缘;而通过对相似图像块构成图像组的三维变换系数的稀疏特性进行建模,非局部变换域模型能够很好地利用图像中相似图像块的非局部信息,对弱边缘和纹理细节有较好的处理效果;最后利用复扩散得到图像的二阶导数作为参数实现改进复扩散模型和非局部变换域模型自适应耦合。所提算法与偏微分方程放大算法、非局部变换域放大算法和偏微分方程耦合空域非局部模型放大算法进行仿真实验比较,在强边缘、弱边缘和细节纹理具有较好的放大效果,弱边缘和纹理细节图像在平均结构相似性测度上高于改进复扩散放大算法、非局部变换域放大算法。所提算法验证了空域模型和变换域模型、局部模型和非局部模型耦合结合的有效性。

基于低秩近似与非局部稀疏的图像去噪

基于低秩近似方法进行图像去噪逐渐成为图像处理领域研究的热点。将图像块分解成一个低秩矩阵和噪声矩阵,利用矩阵的秩来约束图像块的相似性,且现有的非局部稀疏表示算法利用图像块的自相似性进行去噪。鉴于此,提出低秩近似与非局部稀疏的图像去噪模型。该算法加强了图像分解的全局稀疏性约束,更好地保留了图像的细节和边缘信息。