统一最小二乘规则的单幅图像超分辨算法

基于机器学习的超分辨方法是一个很有发展前景的单幅图像超分辨方法,稀疏表达和字典学习是其中的研究热点。针对比较耗时的字典训练与恢复精度不高图像重建,从减小低分辨率(LR)和高分辨率(HR)特征空间之间差异性的角度提出了一种使用迭代最小二乘字典学习算法(ILS-DLA),并使用锚定邻域回归(ANR)进行图像重建的单幅图像超分辨算法。迭代最小二乘法的整体优化过程极大地缩短了低分辨字典/高分辨字典的训练时间,它采用了与锚定邻域回归相同的优化规则,有效地保证了字典学习和图像重建在理论上的一致性。实验结果表明,所提算法的字典学习效果比K-均值奇异值分解(K-SVD)和Beta过程联合字典学习(BPJDL)等算法更高效,图像重建的效果也优于许多优秀的超分辨算法。

颜色恢复和边缘保持的低照度图像超分辨率重建方法

针对常规图像超分辨率重建方法应用于低照度环境下的图像时存在纹理信息丢失、颜色偏移失真和重建性能退化等问题,提出了一种颜色恢复和边缘保持的低照度图像超分辨率重建方法。在锚定邻域回归(ANR)的图像超分辨率重建方法基础上引入颜色恢复和边缘保持的照度增强函数,从而提高图像内容和边缘纹理的显著性;选择最小加权二乘滤波作为中心环绕函数(WLS)以抑制高频特征退化;同时针对YCbCr颜色空间的Y通道分量采用边缘保持的照度增强函数计算其反射分量,进一步增强边缘纹理特征。实验结果表明,所提方法获得了更好的视觉效果,相比于其他方法,该方法峰值信噪比(PSNR)提高了63.15%、结构相似度(SSIM)提高了46.86%、感知质量(PI)提高了4.12%。

改进的联合型图像超分辨率重建算法

针对传统锚定邻域回归(anchored neighborhood regression, ANR)的图像超分辨率方法缺乏灵活性、且对图像的细节没有很好的恢复能力的缺点,提出一种锚定邻域回归和卷积神经网络(convolution neural network, CNN)相结合的图像重建方法。首先,在ANR中提出使用弹性网络回归模型,使算法具有特征选择的特点。其次,在CNN的图像预处理部分使用lanczos3插值方法,加快了运算速度,在特征提取中提出使用具有自门控特性的Swish函数作为激活函数,用于提高测试准确度。最后,在重建图像的评价方面提出了图像的相关系数,并用于对重建图像做进一步的有效性评估。实验结果证明,所提方法平均峰值信噪比(PSNR)达到了32.68,平均结构相似性(SSIM)达到0.938 0,平均相关系数达到0.982 8。算法有效地恢复了图像的细节部分,图像质量得到了进一步提升。

基于多字典的单幅图像超分辨率重建

对于目前图像超分辨率重建算法中的问题,忽略重建图像结构性和重建过程中丢失高频信息,提出了一种基于多字典的单幅图像超分辨率重建算法。在字典学习阶段根据每个图像块的主方向角,对所有训练图像块进行聚类并训练各类的字典。利用训练得到的字典重建训练样本并计算各类的残差图像块,然后对残差图像块再进行聚类、训练残差字典。用锚定邻域回归方法重建高分辨率图像,实验结果表明,该算法在客观评价和视觉效果上均优于许多优秀的图像超分辨算法。

基于半耦合字典的快速图像超分辨率重建算法

为了提高图像超分辨率重建的效率与质量,考虑到高、低分辨率稀疏表示系数的不同,改进了锚定邻域回归算法,并结合半耦合字典学习算法提出了一种快速图像超分辨率重建算法.首先采用半耦合字典学习算法得到高分辨率字典、低分辨率字典及映射矩阵;再采用岭回归算法求解低分辨率稀疏表示系数,并根据高分辨率稀疏表示系数与低分辨率稀疏表示系数之间的映射关系,得到高分辨率稀疏表示系数;然后,根据输入图像块特征寻找字典中与其最相关的字典原子,计算该字典原子所对应的投影矩阵,进行超分辨率重建.仿真结果表明:提出的算法不仅在重建速度上表现更快,重建图像的质量也得到提高,在客观指标和主观效果上均取得更好的效果.