基于深度残差神经网络的红外图像超分辨率重构算法

提出了一种基于深度残差神经网络的红外灰度图像超分辨率重构算法。首先使用残差卷积模块增加网络深度提高了网络的学习能力,使得卷积层在学习过程中能够利用到更多的邻域信息对于复杂场景有更好的学习能力。然后使用跳跃连接方式增加高频信息传输以实现对于图像细节的增强。实验结果表明,该网络能够有效地丰富重构图像的细节,重构图像中的目标轮廓有明显改善。

基于深度学习算法的图像超分辨率重建研究

该文首先概述了基于深度学习算法的图像超分辨率内容,深入分析了基于多层次特征提取的图像超分辨率重建算法理论方法,并通过图像重建技术与软件设计探讨了算法应用实践过程。最后,针对当前图像超分辨率重建存在的问题提出了一系列改进策略,以期为探索基于深度学习算法的图像超分辨率重建技术在实际应用中的可行性和有效性,为图像处理领域的发展和应用提供新的思路和方法。

基于多频特征和纹理增强的轻量化图像超分辨率重建

现有基于卷积神经网络主要关注图像重构的精度,忽略了过度参数化、特征提取不充分以及计算资源浪费等问题。针对上述问题,提出了一种轻量级多频率特征提取网络(MFEN),设计了轻量化晶格信息交互结构,利用通道分割和多模式卷积组合减少参数量;通过分离图像的低频、中频以及高频率信息后进行特征异构提取,提高网络的表达能力和特征区分性,使其更注重纹理细节特征的复原,并合理分配计算资源。此外,在网络内部融合局部二值模式(LBP)算法用于增强网络对纹理感知的敏感度,旨在进一步提高网络对细节的提取能力。经验证,该方法在复杂度和性能之间取得了良好的权衡,即实现轻量有效提取图像特征的同时重建出高分辨率图像。在Set5数据集上的2倍放大实验结果最终表明,相比较于基于卷积神经网络的图像超分辨率经典算法(SRCNN)和较新算法(MADNet),所提方法的峰值信噪比(PSNR)分别提升了1.31 dB和0.12 dB,参数量相比MADNet减少了55%。

基于多尺度残差的数字图像超分辨率重建算法

针对目前数字图像采集传输过程中因受环境干扰出现低像素的图像,导致图像重建效果较差的问题,提出了基于多尺度残差的数字图像超分辨率重建算法。首先,采用双边滤波算法完成数字图像的去雾处理;其次,分类数字图像的亮度特征信息和色彩信息,采用距离阈值去噪方法分别对其进行去噪处理;并且设置多个尺寸的卷积核,将其引入图像特征提取过程中,获取数字图像特征,对其展开反向投影操作,在残差学习思想的基础上连接升采样和降采样过程提取的特征,实现数字图像超分辨率重建。实验结果表明,所提算法对图像重建的结构相似度高、峰值信噪比(PSNR:Peak Signal-to-Noise Ratio)高、重建效果好。

OSMAR2000基于MUSIC的超分辨率海洋表面流算法

为了解决 OSMAR2 0 0 0以小天线阵实现中远距离的海洋表面流探测 ,同时实现高的角分辨率的问题 ,提出了 OSMAR2 0 0 0基于 MUSIC的超分辨率海洋表面流算法 .该算法首先通过预处理从海洋回波中分离包含海流信息的一阶回波 ,然后针对其中可分辨的每一个 Doppler频移 (对应海洋表面径向流速 )上的信号 ,采用MU SIC算法求其多个存在方位 .阐述了 MU SIC算法应用于高频地波雷达海洋表面流遥感的理论基础。

一种有效的二维MUSIC超分辨SAR成像算法

多重信号分类(MUSIC)方法是一种高分辨率到达角(DOA)估计方法,将MUSIC方法应用于合成孔径雷达(SAR)可以很好地提高图像质量。提出了一种简单有效的2D MUSIC超分辨成像算法,该方法对已聚焦的SAR图像进行处理,减小了处理过程的复杂性,并结合幅度估计完成超分辨率图像重建。实验结果验证了这种超分辨率方法的有效性。

基于帧间跨越光流的视频超分辨率重建网络

面对运动幅度较大的复杂场景,当前的视频超分辨率(VSR)算法在处理长序列时无法充分利用不同距离的帧间信息,难以精确地恢复遮挡、边界和多细节区域。为解决上述问题,提出一种基于帧间跨越光流机制的VSR模型。首先,通过密集残差块(RDB)提取低分辨率视频帧(LR)的浅层特征;其次,通过光流空间金字塔网络(SPyNet)以不同时间长度的跨越光流对视频帧进行运动估计和运动补偿,并通过RDB对帧间信息进行深层特征提取与矫正;最后,融合浅层特征与深层特征,并通过上采样得到高分辨率视频帧(HR)。在REDS4公开数据集上的实验结果表明,所提模型与经典的非显式运动补偿的动态上采样滤波器视频超分辨率网络(DUF-VSR)相比,峰值信噪比(PSNR)和结构相似性(SSIM)分别提升了1.07 dB和0.06。验证了所提模型可有效提高视频图像重建的质量。

基于Swin Transformer的双流遥感图像时空融合超分辨率重建

遥感图像时空融合超分辨重建从高时序密度的低分辨率图像和低时序密度的高分辨率图像中提取信息,生成同时具有高时序密度的高分辨率遥感图像,它直接关系到后续的解译、检测、跟踪等任务的实施。随着卷积神经网络(CNN)的快速发展,研究者们提出了一系列基于CNN的时空融合方法,然而由于卷积的局限性,这些方法在全局信息提取方面仍然存在不足。受Swin Transformer全局能力的启发,提出一种基于Swin Transformer的超分辨重建模型。在特征提取阶段,引入双流结构,将特征提取网络分为两个部分,分别提取时间信息与空间信息,并通过Swin Transformer的全局能力提升模型性能。在特征融合阶段,引入结合通道注意力与空间注意力的卷积块注意力模块(CBAM),用于增强重要特征,提升图像重建精度。在Coleambally灌溉区(CIA)与Gwydir下游流域(LGC)数据集上将该模型与多种时空融合超分辨率重建模型进行对比实验,结果表明该模型在各项评价指标上均取得了最优的结果,具有更出色的性能和更强的泛化能力。

一种奇异值分解与子空间加权联合的改进MUSIC算法

在低信噪比、小快拍数等非理想条件下,经典DOA估计算法对邻近目标的分辨率严重下降,甚至失去分辨能力。针对这一问题,提出了一种将重构的接收信号协方差矩阵进行奇异值分解并与改进的加权子空间方法相结合的改进算法。该算法充分利用互相关信息构建新的接收信号协方差矩阵,并对噪声子空间信息采用新的校正方法,对噪声特征值进行改造,之后对噪声子空间进行加权,最后与信号子空间加权技术相联合。仿真实验证明,改进算法在低信噪比和小快拍数条件下可以分辨间隔4°的相邻目标,统计分析表明该算法的分辨率明显优于经典MUSIC算法。

基于超分辨率重建的反无人机检测方法研究

现如今无人机技术在民用和军用领域得到了广泛应用,但是由于无人机技术的易于获取和操作,导致无人机的“黑飞”与“滥飞”问题严重。传统的反无人机检测方法在复杂的飞行环境下常面临误检、漏检等问题,导致对无人机的检测不够准确。因此,文章提出了一种基于超分辨率重建与YOLOv5s融合的检测方法。该方法使用改进的增强型超分辨率重建生成对抗网络(Real-ESRGAN)提升图像分辨率,使得检测网络能够提取到小目标的更多特征信息;使用优化的YOLOv5s对重建后的图像进行检测。实验结果表明,该方法在反无人机检测方面表现出色,精度高达90.3%,相较SSD、YOLOv7等经典目标检测模型效果更好。

基于深度学习的无人机航拍图像超分辨率提升算法

针对当前无人机航拍图像普遍存在图像细节模糊以及分辨率低的问题,提出了面向无人机航拍场景的图像超分辨率算法。首先,提出一种可学习的图像下采样模型进行训练数据的生成,从而有效模拟了真实场景下的低分辨率无人机航拍图像的数据特征。其次,结合无人机平台的现实需求,提出一种基于知识蒸馏的轻量化图像超分辨率网络,有效提升了模型的泛化性能和时间效率。实验表明,该算法在真实无人机航拍图像数据集上的性能不仅超过现有通用图像超分辨率算法,同时还进一步缩减了网络模型大小和处理时间,有效满足无人机平台的硬件约束和实时性要求,对于无人机航拍图像处理具有重要应用价值。

基于FFT和波束空间MUSIC的快速超分辨算法

MUSIC (Multiple Signal Classification)算法具有优良的估计精度和高分辨率,但是存在运算复杂、抗噪声性能差、无法对相干信号解相干等问题,因此难以广泛应用。文中将空域FFT测角融合到波束域MUSIC中,通过对阵列信号进行波束变换降低数据维度,结合空域FFT提供的先验信息为角度谱的峰值搜索提供搜索范围,从而有效地避免了角度谱中的栅瓣干扰、全谱搜索。该方案能够对单快拍数据进行快速角度估计,在降低传统超分辨方法运算量的同时,可以获得更稳健的性能。仿真结果表明,该方案的测角性能优于MUSIC算法,运算复杂度低于MUSIC算法,验证了该方案的有效性和优越性。

一种超分辨率重建方法的雷达图像处理

目前直升机对于机载雷达高质量图像以及视频的需求不断增长,而局限于图像与视频的成像过程以及传输过程,我们得到的机载雷达图像往往是低分辨率图像,为获得高分辨率图像,我们希望应用软件的方法,低成本地还原高分辨率图像,因此可以采用超分辨率技术。本文主要对基于稀疏表示的单幅图像SCSR重建算法和基于稀疏表示的单幅图像SCDL重建算法进行了仿真实现,横向对比了这两种算法及双三次插值的结果。基于稀疏表示的单幅图像SCSR重建算法算法原理通过大量的样本图像训练得到一对耦合的高、低分辨率字典,并基于假设:同一个场景所对应的高、低分辨率图像在各自的高、低分辨率字典(由对多幅训练样本图像得到)下有相同的稀疏系数表示。

基于深度学习的图像超分辨率重建算法研究

图像超分辨率重建是计算机进行图像处理的底层任务,可以将低分辨率图像进行优化,生成高频细节的高分辨率图像。基于深度学习的图像超分辨率重建算法可以进一步提高重建图像质量与视觉效果,采用轻量化的超分辨率算法可以有效减少重建算法模型所需要的内存空间。本文采用深度学习技术中的基于卷积神经网络的图像超分辨率重建模型,提高图像分辨率,降低计算复杂度。

基于双通道卷积神经网络算法的视频处理超分辨率增强方法

为提高视频清晰度,引进双通道卷积神经网络算法,设计了一种针对视频处理过程的超分辨率增强方法。将视频录入计算机,建立视频信息与输入特征之间的级联关系,提取视频处理中的图像边缘纹理信息;引进双通道卷积神经网络算法,使用3×3的滤波处理器,提取视频特征信息,将提取的信息映射到双通道3×3区域中,匹配视频的矢量信息;引进Pair-wise模型将输入的低分辨率图像作为模型的分支,通过训练分支得到一个针对处理视频特征的字典,并据此生成高分辨率图像块。实验结果证明,设计方法可以在提高视频清晰度的同时,提高视频峰值信噪比,达到优化视频处理效果的目的。

信号源功率不一致对MUSIC算法分辨性能的影响

该文首先定义了用以度量MUSIC算法分辨性能的平均信噪比分辨门限,并给出它的表达式。然后通过数据模拟得知,功率不一致会降低MUSIC算法的分辨能力;在一定条件下,功率不一致对MUSIC算法分辨性能的相对影响与其他参量无关。该文还讨论了功率不一致对阵元数、快拍数和两信号源方位参数绝对差的影响。

多载频MIMO雷达的空时超分辨算法

该文建立了多载频MIMO(Multi-Carrier-Frequency MCF-MIMO)雷达的信号模型,指出信号预处理后在接收端形成一个阵元数为N t×Nr的等效阵列(N t,N r分别为发射和接收阵元数),推导出窄带情况下导向矢量是发射和接收导向矢量的kronecker积,并针对该特点提出了采用空时2维MUSIC方法来实现距离和角度的超分辨,从而提高在多目标环境中目标距离以及角度的估计精度。推导了距离和角度估计的Cramer-Rao界,并仿真研究了估计性能与信噪比、快拍数和波达方向的关系,最后给出了面阵情况下3维空时超分辨的仿真结果,验证了该算法在面阵多维情况下的有效性。

幅相误差对MUSIC算法空域谱及分辨性能影响的分析

基于正交投影矩阵扰动定理,推导了幅相误差条件下MUSIC算法空域谱的一阶统计表达式,并且给出了一种求解平均信噪比分辨门限的一元二次方程,从而能够计算出相应的信噪比分辨门限。相比目前已有的方法,空域谱的一阶统计表达式不需要计算理想协方差矩阵的特征值和特征向量,仅需要已知阵列流型向量和信源协方差矩阵,并且给出的平均信噪比分辨门限适用于信源功率不一致的情况。数值实验验证了理论分析的正确性。

基于MUSIC算法高频地波雷达的角分辨率

给出了基于MUSIC方法估计海洋表面径向流方位 (DOA)时 ,高频地波雷达角分辨率的定义、误差及其估计方法。讨论了海洋回波信噪比、样本数、阵元数等因素对海流角分辨率的影响 ,根据实际情况对上述影响进行了模拟 。

广义非局部均值和自相似性的超分辨率算法

提出一种利用广义非局部均值和自相似性的图像超分辨率算法.该算法不仅利用图像的自相似性将低分辨率图像与其下采样图像作为一个训练库,而且利用非局部平均算法的良好特性提高复原图像的质量.该算法首先提取低分辨率图像的高斯差特征系数,然后利用广义非局部平均算法来估计待复原图像丢失的高频细节,获得高分辨率图像.实验结果表明,该算法对图像取得较好的复原效果,复原出的高分辨率图像更接近于真实图像,与其他方法相比,具有更好的主观和客观质量.