基于多阶结构表示的超分辨率重构图像质量盲评价方法

为了客观地预测超分辨率重构图像的质量,提出了一种基于多阶结构表示的超分辨率重构图像无参考质量评价方法。利用多阶导数信息表示超分辨率重构图像的主要结构和细微纹理,并利用局部二值模式提取超分辨率重构图像的多阶结构特征;结合主观分数,利用随机森林回归训练图像质量预测模型,再利用模型预测待测图像的质量。为了证明该算法的有效性和优越性,对比实验在一个大尺度超分辨率图像数据库上进行。该算法的斯皮尔曼相关系数和皮尔森线性相关系数分别为0.910 3和0.918 3。实验结果表明,该算法优于现有的无参考质量评价算法,与主观评价结果保持较高的一致性。此外,该算法时间复杂度低,运行时间适中。

基于拉普拉斯金字塔网络的融合降噪模块图像超分辨率算法

针对大多数图像超分辨率网络对带有未知噪声的低分辨率图像进行超分辨率重构的效果较差,提出一种拉普拉斯金字塔网络融合降噪模块的图像超分辨率算法。以LapSRN为基础融合降噪模块,并采用递归模块,同时引入TVLoss与降噪损失的LFDSR网络,在保持网络轻量级的基础上,提高重构后图像的清晰度。实验结果表明,文中算法输出图像更逼真和清晰,在抑制输入图像中的噪声对网络输出图像的过度影响中取得较好效果。

用于图像超分辨率重构的深度学习方法综述

随着深度学习算法首次被应用于图像超分辨率重构,基于深度学习的重构方法取得了比传统图像超分辨率重构方法更好的重构效果.随后,一系列改进的深度学习算法相继提出,重构效果也不断提升.本文系统地总结了基于深度学习的图像超分辨率重构方法,主要可以分为:基于直连的浅层网络重构方法,基于深层特征的深层网络重构方法和基于生成式对抗网络重构方法.并且对比分析了不同网络模型的特点和不足.在主流数据集上对各种深度学习网络模型进行了比较,并根据当前基于深度学习模型的图像超分辨率重构方法的发展趋势,对基于深度学习模型的图像超分辨率重构方法未来的研究方向做了展望.

基于小波域HMT模型的图像超分辨率重构

小波域HMT模型采用混合高斯分布 ,并通过多尺度小波系数隐状态之间的Markov依赖性刻画自然图像小波系数随尺度减小呈指数衰减的特性 由于小波域HMT准确刻画了自然图像小波变换的统计特性 ,因此文中算法以此作为自然图像的先验模型 ,并把图像超分辨率问题表述为一个约束优化问题 ,采用Cycle Spinning方法抑制重构出的高分辨率图像中可能存在的震铃和锯齿等失真 最后 。

改进超分辨率卷积神经网络和字典学习的图像超分辨率重构算法

为了提高图像超分辨率重构效果,在保留结构化信息的同时弥补高、低分辨率图像之间的高频信息损失,本文结合深度学习方法,提出了一种基于改进超分辨率卷积神经网络和字典学习的图像超分辨率重构方法.首先使用卷积神经网络所学习到的结构化的图像信息训练一个端到端的图像超分辨率重构模型,再采用字典学习模型对图像残差部分的高频信息进行补偿,从而获得具有更好视觉效果和峰值信噪比的高分辨率图像.实验结果表明,本文算法在主观评价上比其他代表性算法更加清晰并且较好的恢复了高频信息,提高了峰值信噪比值.

基于放大曲波基的方向性超分辨率图像重构技术

为解决传统图像放大算法边界视觉效果不佳的问题,提出基于二代曲波变换的方向性超分辨率图像重构算法.对图像进行j层曲波分解,利用不同尺度上曲波基的空间比例关系获得放大图像j层分解系数,通过最外层曲波基空间模型可构建(j+1)层放大图像的曲波分解系数,采用新的非线性函数对全部曲波系数进行增强处理,根据曲波分解的方向性,最终可通过曲波重构获得边缘特征较好的放大图像.实验结果表明,基于曲波方向性图像放大算法,可以较好地保留原图的几何特征,增强边缘清晰度;将两幅典型图像放大后的峰值信噪比与经典方法(差值算法)比较分别提升了2.2及0.6 dB.

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。

基于低分辨率图像自举和双重稀疏性字典训练的单幅图像超分辨率重构

该文结合Zeyde等人提出的低分辨率图像自举算法和双重稀疏性字典的训练方法,提出了一种新的单幅图像超分辨率重构方法。该方法在训练字典的过程中,首先对低分辨率训练样本图像采用自举算法进行超分辨率重构,然后将自举重构输出图像与低分辨率、高分辨率训练样本图像求差,并将两幅差值图像的小波分解系数作为样本数据源,训练具有双重稀疏性的字典对。文中详细讨论了结合低分辨率图像自举和双重稀疏性字典训练的单幅图像超分辨率重构算法框架,并通过实验比较证明,该文方法较其他方法具有更好的超分辨率重构效果。

基于超分辨率重构的航天器位置姿态测量方法

航天器间相对位置和姿态的确定是实现航天器编队飞行的重要基础.为了解决航天器相对位置姿态的远距离测量精度问题,该文提出了基于超分辨率重构技术的测量方法.介绍了由单帧图像求解相对位置姿态的测量原理,研究了图像传感器退化成像模型和基于该模型下的图像配准算法,给出了超分辨率图像重构算法及其算法流程.利用地面试验原型系统的实际测量数据对算法进行了验证,试验结果表明该方法大大提高了高精度测量距离的范围,有效解决了航天器间相对位置姿态的远距离测量精度及稳定性问题.

基于图像的超分辨率三维几何建模技术

研究了三维空间中相机标定与二维空间中图像配准的关系,以此作为结合点,建立了基于图像的超分辨率三维几何建模技术的理论框架,探讨了基于多帧图像的超分辨率三维几何建模技术。将基于图像的三维几何建模技术和超分辨率图像重构技术相结合,同时得到了高分辨率图像和高分辨率的三维几何模型,为后续的图像处理、目标识别与跟踪和虚拟现实等实际应用奠定基础。

超分辨率图像重构与CI反卷积共聚焦成像技术对蒿草样本荧光成像的分析研究

目的通过超分辨率图像重构与CI反卷积共聚焦成像技术对蒿草样本的荧光成像分析研究,分析超分辨率图像重构与CI反卷积共聚焦成像技术检测生物组织样本超分辨率荧光图像的使用价值。方法根据不同显微镜类型及成像技术分为四组:1组:荧光倒置显微镜采集蒿草样本荧光图像;2组:普通共聚焦系统采集蒿草样本荧光图像;3组:新型共聚焦系统超分辨率图像重构技术采集蒿草样本超分辨率荧光图像;4组:新型共聚焦系统CI反卷积功能处理蒿草样本超分辨率荧光图像。结果普通共聚焦系统采集蒿草样本的荧光图像比荧光倒置显微镜采集的荧光图像效果好,但其没有超分辨成像功能,不能获取超分辨率荧光图像。新型共聚焦系统超分辨率图像重构成像,可以获得蒿草样本超分辨率荧光图像,结合CI反卷积技术可以获得蒿草样本超分辨率反卷积荧光图像。结论与普通共聚焦系统相比,新型共聚焦系统超分辨率图像重构成像技术,可得到生物组织样本超分辨率荧光图像,结合CI反卷积成像技术,可突出相关生物组织样本的细微结构。

一种高分辨率三维几何建模技术设计与实现

采用超分辨率图像重构技术和基于图像亮度的三维几何建模技术紧密结合,研究一种高分辨率的三维几何建模技术。通过理论论证与分析研究,得到高分辨率的三维几何模型和真实物体的高分辨率图像数据信息,为高分辨率的图像处理和模型开发奠定了良好的理论基础。

超分辨率图像重构技术在航天器相对位置测量中的应用

以两颗航天器间相对位置参数测量为研究对象,确定了基于单目计算机视觉及目标特征的测量方案,提出了基于超分辩率图像重构技术的航天器间相对位置的高精度测量方法。分析讨论了图像传感器的观察模型、图像传感器及光学测量系统的点扩散函数、配准方法、重构原理及方法。利用地面试验验证了该方法的正确性。试验结果表明:该方法与基于单帧图像及目标特征的方法、基于插值的方法相比较,在测量精度及稳定性等方面都有了较大的提高;与基于单帧图像及目标特征的方法相结合,不仅可以保证在不同作用距离上相对位置的高精度测量,而且具有较高的测量稳定性和可靠性。

基于残差连接卷积神经网络的图像超分辨率重构

针对基于卷积神经网络超分辨率重构算法中存在的感受野较小、梯度信息易丢失与网络收敛较慢等问题,提出了基于残差连接卷积神经网络的图像超分辨率重构算法。通过在低分辨率空间进行图像的超分辨率重构,减少了图像预处理过程,降低了网络复杂度。利用局部和全局残差连接,对卷积网络结构和亚像素采样层进行改进,局部残差促进了网络中信息的流动,全局残差使网络只学习图像残差信息,减少了网络冗余。通过增加网络深度扩大了感受野,使网络学习到更多的重建信息。实验结果表明:本文算法的PSNR和SSIM值相较于其他算法有不同程度的提升。

基于稀疏编码的视频序列超分辨率重构

把学习型算法用于稀疏编码的重建算法中来实现视频序列图像的超分辨率重构。该算法无需显式求取运动向量,能够克服传统方法对精确运动估计的要求,通过稀疏编码便能够自动利用邻近帧中最相关的那些样本块进行重构;另外,算法通过设置最大运动窗口,利用帧间运动的连续性特点,在相邻帧已经重建的基础上,提取其运动窗口内的高、低分辨率图像块来构建样本库,从而实现减小所需样本库的尺寸的目的。

抗噪声的分步式图像超分辨率重构算法

基于卷积神经网络的图像超分辨率重构方法大多数假设低分辨率图像是从高分辨率图像双三次降采样得到,而现实环境低分辨率图像带有未知噪声,不可避免地导致网络性能较差。针对这一普遍问题,本文提出了一种抗噪声的分步式图像超分辨率重构算法。首先,将信息蒸馏图像降噪网络结合生成对抗网络进行网络训练,以提高降噪网络的图像降噪能力;其次,将降噪网络的中间网络纯净特征图和降噪后的图像与分步式图像超分辨率重构网络结合,配合分步式网络训练,实现网络对真实环境低分辨率图像的有效超分辨率重构。在自建含有高斯噪声的BSD100^(*)与BSD100^(#)数据集上对本文提出的网络进行了训练和评估。实验结果表明:所提网络与已有先进网络相比,在图像质量评估和视觉对比上均取得较大提升。