非局部联合稀疏近似的超分辨率重建算法

该文结合联合稀疏近似和非局部自相似的概念,提出非局部联合稀疏近似的超分辨率重建方法。该方法将输入图像的跨尺度高、低分辨率图像块统一进行联合稀疏编码,建立它们之间的稀疏关联,并将这种关联作为先验知识来指导图像的超分辨率重建。该文方法保证跨尺度自相似集具有相同的稀疏性模式,能更有效地利用图像的自相似性先验信息,提高算法的自适应性。通过自然图像实验,与其它几种基于学习的超分辨率算法对比,超分辨率效果有较好改善。

基于联合稀疏近似的彩色图像超分辨率重建

针对常用的超分辨率(SR)算法中彩色图像的处理会出现彩色信息的丢失或处理结果色彩偏差较大的问题,提出基于联合稀疏近似(SSA)的彩色图像SR重建方法(SR-SSA)。将多通道数据进行联合稀疏编码(SC),并保证它们具有相同的稀疏性模式;同时考虑了彩色图像的各通道数据,并兼顾了它们之间的相关性,增强了先验知识的表达能力。本文方法有效地将高、低分辨率彩色图像特征块统一进行SC,建立它们之间的稀疏关联,并将这种关联作为先验知识指导图像的SR重建。通过自然图像实验,与其它常用的SR算法对比,SR效果有较好改善。

非局部学习字典的图像修复

该文提出一种新的基于学习的图像修复算法。与经典的稀疏表示模型不同,该文将非局部自相似图像块统一进行联合稀疏表示,训练高效的学习字典,并使自相似块间保持相同的稀疏模式。该方法既确保自相似块投影到稀疏空间后也具有相似性,也较好地保留了自相似块间的相关性信息,更有效地建立了它们的联合稀疏关联,并将这种关联作为先验知识来指导图像的修复。该算法使用大量自然图像样本来训练初始的过完备字典,既利用了样本图像的先验知识,又充分考虑了待处理图像本身的相关信息,自适应性强。通过对自然图像进行大﹑小范围图像修复和文字去除实验,该文方法均取得不错的修复效果。