基于近邻非负线性组合的高分辨率图像重建

针对现有基于局部线性嵌入的高分辨率图像重建算法对噪声敏感、图像块间边界不连续等问题,提出一种近邻非负线性重建高分辨率图像的流形学习算法。将流形学习重建过程中的近邻线性组合系数约束为非负,并采用基于像素块比例值的特征提取方法。实验结果表明,该算法能重建更多的细节,降低块效应,提高重建图像的峰值信噪比。

基于宽度学习的集成超分辨率重建方法

不同的超分辨率重建算法重建得到的高分辨率图像都各有所长,为将这些重建图像中的有效信息集成到一幅图像中,做到优势互补,提高图像的质量,提出基于宽度学习的集成超分辨率重建方法。利用径向基神经网络的宽度学习模式训练一个预测模型,利用该模型对新输入数据进行预测,得到其对应的权值,重建高分辨率图像。对常用的近邻重建算法、稀疏重建算法以及稀疏近邻算法进行集成,在医学图像上进行实验,实验结果表明,相较集成的算法,该算法重建效果有较大程度提高,比近邻重建算法PSNR提高1.14dB,SSIM提高0.23,比稀疏重建算法PSNR提高1.26dB,SSIM提高0.05,比稀疏近邻重建算法PSNR提高1.01dB,SSIM提高0.03。