基于深度学习网络的视频超分辨率恢复技术

近年来,人工智能发展迅速,超分辨率恢复也成为深度学习研究中的一个重要问题。视频超分辨率恢复是更复杂的超分辨率恢复,在图像超分辨率恢复的基础上,视频超分辨率恢复的计算量更大,技术也更复杂。基于此,文章分析了基于深度学习网络的视频超分辨率恢复技术。

基于改进CycleGAN的视频监控人脸超分辨率恢复算法

针对有监督超分辨率算法训练过程需要大量成对图像、处理真实低分辨率图像视觉恢复效果差等问题,提出了一种基于改进CycleGAN的半监督算法Cycle-SRNet。首先,利用退化模型获得与真实低分辨率人脸相似的图像,用于训练网络参数;其次,通过重建模型恢复出具有真实效果的高分辨率人脸图像;最后引入感知损失函数保持人脸结构相似性,以更好地恢复面部特征。实验结果表明,该算法不需要成对的图像进行网络训练,在视觉效果上能够将模糊的视频监控低分辨率人脸图像恢复成清晰可辨的人脸图像,在FID、PSNR和SSIM指标上超越了SRCNN、SRGAN、CinCGAN等方法。

基于梯度特征的稀疏表示超分辨率恢复

该文提出了一种基于梯度特征的稀疏表示超分辨率恢复算法,通过使用梯度特征来表征低分辨率图像特征,提高了特征描述的鲁棒性;然后采用一种分离的训练方式来分别训练低分辨率和高分辨率字典,保证了低分辨率和高分辨率字典表示图像的对应性。实验结果表明,提出的算法能够直接对单张图像做超分辨率恢复,同时保留较多的高频成分,仿真结果验证了算法的有效性。

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。

关于插值算法的超分辨恢复

视频图像超分辨率恢复技术在视频监控、卫星图像等领域具有十分重要的应用价值和广阔的应用前景。超分辨图像恢复技术可以利用视频图像序列中各帧之间的冗余信息,重构出超分辨率图像,消除和降低混频效应。在超分辨率恢复算法基础上,对传统的双三次插值进行了改进,得到自适应双三次插值,从多幅低分辨率图像中获取一幅高分辨率图像,取得了很好的结果。

低分辨率医学图像的多图谱分割方法

基于多图谱的图像分割方法因其分割精度高和鲁棒性强,在医学图像分割领域被广泛研究,主要包含图像配准和标签融合两个步骤.目前对多图谱分割方法的研究通常都是在图谱图像和待分割目标图像具有相同分辨率的情况下展开的.然而,由于受图像采集时间,采集设备等影响,临床实践中采集的影像大多是低分辨率数据,使得目前在影像研究中广泛使用的方法无法有效应用于临床实践.因此,针对这一问题,我们结合图像超分辨率恢复方法,提出了精确鲁棒的低分辨率医学图像的多图谱分割方法,实验结果显示提出的方法显著地提高了多图谱分割方法的分割精度.

基于内-外部互补先验的亚像素分辨率衍射成像算法研究

亚像素分辨率衍射成像旨在利用观测的低分辨率衍射强度图样重建高分辨率图像,它在多个科学与工程领域具有重要应用。现有算法大都存在重建质量低且重建图像丢失了大量细节信息的问题。为解决这些问题,本文融合复图像的内部先验和外部先验提出了能够重建高质量图像的亚像素分辨率衍射成像方法。本文利用基于内部先验的三维块匹配滤波框架表示模型与蕴含外部先验的深度展开卷积稀疏编码模型结合复数表示模型提出了融合内-外部互补先验的复数域正则化模型,基于该正则化模型构建了面向亚像素分辨率衍射成像的优化模型,并利用交替优化方法对构建的优化模型进行了有效求解。仿真实验表明,提出的算法能够充分利用复图像内-外部互补先验知识进行亚像素分辨率衍射成像,并且在超分辨率因子为2时重建复图像的平均峰值信噪比较基于全变差的算法提升了1.58 dB。实际无透镜片上显微镜的实验结果表明提出算法较基于全变差的算法能够重建出更多的细节信息。

一种战场红外与可见光灰度侦察图像融合方法

论文针对战场上广泛运用于敌情侦察中的红外图像与可见光灰度图像,提出了一种基于伪彩色的红外与可见光图像增强融合算法。首先针对红外图像质量不高、分辨率低的问题,对红外图像利用双三次插值进行超分辨率恢复,然后利用基于区域的配准方法对两类图像进行空间配准,进而通过伪彩色图像增强融合的方法得到一幅包含两类图像信息的彩色融合图像。最终对实际图片进行了试验处理,融合结果表示论文算法能够保留可见光图像的高分辨率和纹理信息,同时包含红外图像中的隐藏目标信息。