非抽取小波边缘学习深度残差网络的单幅图像超分辨率重建

图像超分辨率重建作为一个典型的非适定问题一直受到重视,尽管近年来出现了许多行之有效的卷积神经网络超分辨率重建模型,但如何全面挖掘图像先验信息,用以提高重建图像的细节清晰度仍有待深入研究.本文提出一种基于非抽取Wavelet变换的边缘学习深度残差网络单幅图像超分辨重建模型NDW-EDRN(Non-Decimated Wavelet Edge learning using Deep Residual Networks),在图像经非抽取Wavelet变换后获得多冗余信息、平滑及梯度值较小的低频区域和边缘及梯度值较大的高频区域的基础上,将整体网络框架设计为采用不同结构的CNN(Convolutional Neural Networks)模型来对低频子带与高频子带分别进行学习的策略:对低频子带采用稠密跳跃连接的方式整体性学习低频子带间的映射关系;对高频子带采用一种新型的U-net模型,将图像退化过程中所丢失的边缘作为网络的期望输出,通过基于块的跳跃连接来使网络更精细地学习缺失性边缘,从而更加充分、有效地获取图像在退化过程中所丢失的边缘细节信息.大量实验结果表明,该网络模型能够有效提高重建图像的质量,特别在恢复低分辨率图像的边缘信息方面具有一定的优势,在一定程度上弥补了传统CNN网络模型捕捉图像细节信息的不足.

基于纹理提取与注入的交通图像去雾算法研究

雾天户外视觉系统所拍摄的交通图像质量下降、特征模糊直接影响到后续智能交通系统的监控精度,研究交通图像的去雾问题具有重要的实际意义.不同于一般的可视场景图像,交通图像的去雾在关注其去雾后视觉效果的同时,更应重视对交通图像纹理、边缘等特征信息的保持.提出一种基于纹理提取与注入的交通图像去雾算法,利用引导滤波从含雾交通图像的非下采样Contourlet变换的高频子带中提取交通图像的纹理、边缘信息,然后将其注入利用暗通道模型的去雾图像中,在有效去雾的同时一定程度上增强了去雾后交通图像的纹理细节信息.实验结果验证了算法的有效性.

结合Curvelet变换与加权双边滤波的图像去噪方法

针对加权双边滤波方法在边缘纹理方面保留不好使得图像模糊的问题,提出一种结合Curvelet变换与加权双边滤波的图像去噪方法.该方法使用加权双边滤波器将噪声图像分解为低频部分和高频部分,然后将Curvelet变换的折衷阈值应用于高频部分用以保留图像纹理细节,最后将低频部分和处理后的高频部分进行重构得到去噪图像.实验结果表明,相对于其他方法,本文方法在去噪和边缘信息保留方面都有明显的改善.对于包含边缘信息的去噪图像,峰值信噪比(PSNR),视觉信息保真度(VIF)和结构相似性指数(SSIM)测量值有实质性的提高.

基于HOT影像优化的遥感影像去雾算法

针对BSHTI和IBSHTI两种算法对卫星影像云雾校正后,地表的色调和纹理等细节缺失严重的问题,提出OIBSHTI算法对IBSHTI算法得出的雾厚度图像进行地表信息削减。通过填洼算法去除暗色区域,并引入纹理和边缘信息等进行优化处理,在彻底去除云雾的同时保留地表的色调和纹理,特别是蓝色或红色建筑物房顶的校正效果较为明显。