基于视觉传达技术的激光光斑图像超分辨率重建方法

激光光斑图像在成像过程中易受到成像条件和成像方式的限制,导致激光光斑图像的分辨率比较低,难以满足实际需求。为此,提出基于视觉传达技术的激光光斑图像超分辨率重建方法。采用视觉传达技术采集激光光斑图像,并使用双树复小波阈值方法对激光光斑图像去噪处理,通过改进稠密神经网络提取激光光斑图像特征,基于奇异值分解方法降低字典中原子的数目,改进稀疏表达正则化方法,实现激光光斑图像的超分辨率重建。实验结果表明,所提方法的低分辨率图像重建结果与原始图像更加接近,重建图像的结构相似度均在0.9以上,证明该方法的重建效果好、更适合实际应用。

融合空谱特征的MR-KRVFL高光谱地物识别模型研究

针对高光谱图像复杂空谱特性影响地物识别模型分类精度的问题,提出一种融合空谱特征的流形正则化核随机向量函数连接网络(MR-KRVFL)高光谱图像地物识别方法。首先,对高光谱图像进行熵率超像素分割(ERS),获取对应的同质区域;其次,利用主元分析(PCA)对同质区域进行降维并提取其空谱联合特征;最后,基于空谱特征信息,构造核随机向量函数连接网络(KRVFL)地物识别模型,并对模型进行流形正则化约束,提高高光谱图像地物识别模型的泛化性能。将该模型应用于Indian Pines和Pavia University高光谱数据集,分类精度达到了96.84%和98.83%,证明所提模型的有效性。

基于深度学习的图像超分辨率重建优化研究

文章以图像超分辨率重建为研究对象,围绕深度学习方法中的超分辨率卷积神经网络(Super Resolution Convolutional Network,SRCNN)展开研究,同时引入基于正则化的优化方法。文章首先对SRCNN的基本框架进行深入研究,其次提出一种正则化优化方法,最后采用DIV2K数据集验证优化方法在图像重建任务中的有效性。实验结果表明,采用正则化优化的SRCNN在保真度和结构相似性方面均取得了显著提升。

自适应正则化稀疏表示的遥感图像SR重建

基于稀疏表示的单幅图像超分辨率(Super-Resolution, SR)重建近年来引起了广泛的关注,并取得了较好的效果.然而,低分辨率(Low Resolution, LR)遥感图像容易受到噪声及模糊的影响,从而导致SR重建结果会出现高频细节丢失的现象.针对这一问题,本文提出一种基于自适应正则化稀疏表示的遥感图像SR重建方法.该方法首先根据提出的步进式图像放大的方法将LR图像放大得到高分辨率(High Resolution, HR)图像的初始估计;然后,构建稀疏表示的SR重建模型,通过评估初始估计HR图像的噪声水平来自适应选择不同的正则项,即梯度直方图正则项或可控方向滤波全变分正则项,对重建图像进行约束;最后,利用迭代收缩算法对提出的模型进行求解得到稀疏编码系数,将学习的字典与稀疏编码系数相乘得到最终的HR图像.实验结果表明,本文提出的SR重建算法获得的结果无论是主观视觉效果还是客观定量评价,都优于一些主流的遥感图像SR重建方法.

基于混合范式的评标记录影像重建方法

为实现评标过程有据可查的目标,解决评标记录影像图片模糊、不清晰、分辨率低的问题,提出了一种基于L1与L2混合范式的超分辨率重建算法,该算法采用一种通用的代价函数来平衡L1范式与L2范式之间的拟合度,解决图像超分辨率重建过程中L1(一阶)范数法模型估计误差大和L2(二阶)范数法估计算子对图像灰度值异常点敏感、算法抗噪声能力差的缺陷,并结合图像的平均梯度来自适应确定影响函数的阈值。实验测试结果表明:此方法与采用单一的L1或L2范式估计算子相比,图像平均梯度分别平均提高了1.5倍和1.3倍,信息熵和对比度也得到了提高,图像视觉效果明显改善,有效解决阳光采购评标留档影像质量问题。

基于火焰边缘感知图正则化的光场超分辨率重建

目的:研究半透明火焰的光场超分辨率方法,有助于提高基于光场成像技术的火焰三维温度场重建精度。方法:提出火焰边缘感知图正则化方法,在即插即用的交替方向乘子算法框架下,由非透明光场超分辨率的图正则化方法执行火焰光场的超分辨率重建,结合RGB和HIS判据检测火焰区域,由域变换递归边缘保持滤波算法对火焰区域进行滤波。该算法可以锐化火焰边缘区域,增加图像纹理高频细节的重建效果。结果:实验结果表明,相比双3次插值、LFBM5D稀疏编码、线性子空间投影、光场卷积神经网络、图正则化等方法,基于火焰边缘感知的图正则化方法可以更好地保留火焰边缘信息,在峰值信噪比评价指标上重建效果最佳,比改进前的图正则化方法最大提高了0.834 dB,在视图一致性上比改进前的图正则化方法最大提高了21.66%。结论:本文提出的方法可以有效提高火焰光场图像的超分辨率重建精度。

多正则化形式的超分辨率图像重建

为了抑制超分辨图像重建过程中的振铃锯齿效应,本文提出一种多正则化形式的超分辨率重建算法。文章首先给出了图像降质模型并推导出了图像重构约束项。利用重构项直接对低分辨率图像进行重建,获得的高分辨图像会有锯齿和振铃效应。针对此问题,本文利用自回归模型和滤波器组先验来正则化重建过程。自回归模型用来恢复图像局部细节描述,与此同时本文利用自然图像块的聚类集来估计自适应自回归模型参数。滤波器组先验用来约束重建图像的边缘,使得获取的高分辨率的图像边缘更加锐利。最后通过实验定性与定量的分析,证实了本文算法优于其他具有竞争力的算法。

基于稀疏表示的自适应图像超分辨率重建算法

针对图像高分辨率重建过程中稀疏解的存在性和唯一性问题以及超分辨率图像的边缘特征和平滑噪声的关系进行了研究,提出了局部正则化参数自适应选取的方法。结合联合构造字典的算法,在重建过程中动态调整正则化参数。通过对图像的超分辨率实验证明,改进的算法具有较高的可行性,能有效平衡超分辨率图像的边缘特征和平滑噪声两者的关系,与传统的超分辨率重建算法相比,有更高的峰值信噪比。

一种基于正则化技术的超分辨影像重建方法

超分辨率影像重建已经成为近年来人们广泛研究的热点,利用超分辨率重建技术,可以得到分辨率高于原始影像的重建影像。为此,提出了一个利用多幅具有亚像素位移的低分辨率欠采样影像重建一幅高分辨影像的超分辨率重建方法。该方法利用正则化技术,通过迭代运算解求重建影像的最优解。在迭代过程中,得到的重建影像用于求解下一次迭代的正则化参数,不断的循环迭代,最后求解出重建影像的最优解。对Lena影像进行了处理,并用PSNR影像评价方法对重建影像进行了定量评价。实验结果证明,该方法能较大限度地减弱噪声对重建结果的影响,当重建比率较大时,仍可得到高质量的高分辨率重建影像。

融合学习算法的单帧图像超分辨率复原

为从高度降质的单帧图像中重建出高分辨率图像,提出了一个结合自适应正则化与学习算法的超分辨率复原方法。该方法基于图像的局部特征,实现了正则化方法动态自适应控制过程,优化了学习算法中的训练集、预测原则和搜索过程,以降低基准图相关性要求、提高搜索效率。仿真实验分步论证了该方法的有效性,以及对复原效果的提升。

用于雷达方位超分辨的范数正则化方法

方位超分辨是国内外雷达界长期以来持续探索的一项技术难题,针对求解过程中所遇到的病态性,本文深入研究了范数正则化方法。利用L2范数正则化方法对方位超分辨模型进行求解,针对L2范数正则化方法的不足并考虑到目标信号的稀疏性质,建立了L1范数正则化模型。为提高求解的计算效率,将其转化为半定规划模型,用预测校正原对偶路径跟踪法进行求解。针对不同信噪比情况进行了计算机仿真,初步结果表明,两种方法都能用于雷达方位超分辨,且在相同条件下L1范数正则化方法分辨性能更好,具有较强的噪声适应能力,在信噪比低至0dB时,分辨力提高1.7倍。

基于l_k范数正则化方法的SAR图像超分辨

提高合成孔径雷达(SAR)图像的分辨率对自动目标识别等具有重要意义。为此改进了一种基于lk范数正则化方法,并用于SAR图像超分辨。该方法通过合理开发利用符合SAR成像工程背景的先验知识,构造附加约束,把图像超分辨问题规划为形式简单的带约束优化问题。仿真和实测数据计算结果证实了该方法的有效性。

一种新的正规自适应边缘保护的超分辨率算法(英文)

主要提出了一个新的正规自适应超分辨率算法.正规项只惩罚图像中可能包含有大量噪声的低频部分,同时保护图像中可能包含有锐利边缘的高频部分,其中,惩罚阈值自动地被一个线性函数决定.对于正规参数的选择,这里不采用固定的正规参数而是提出一个对数函数在每次迭代时自适应地选择正规参数.该算法经过仿真实验和真实的红外图像测试,实验结果显示该算法鲁棒性好,可以有效复原图像细节.

一种快速稳健的超分辨率图像复原算法

提供了一种快速稳健的正则化超分辨率图像复原算法。该算法从Roberts交叉梯度算子的角度构造正则项,从自适应性的角度确定正则参数。用1-范数度量数据逼近项和正则项。算法分析和实验结果表明该算法具有好的稳健性,并且计算速度较快。

图像超分辨率重建算法综述

介绍了超分辨率重建的基本原理与数学模型,对现有的图像超分辨率重建算法进行了总结。将当前的超分辨率算法分为基于重建约束的方法和基于学习的方法两大类,分别阐述了超分辨率重建技术的经典方法,最后指出了低质量图像超分辨率技术进一步的研究方向。

高分辨雷达一维距离像稀疏表示技术

高分辨雷达回波信号处理和特征提取技术受到广泛的关注。针对雷达目标几何绕射参数化模型,采用稀疏成份分析方法研究了高分辨距离像的超分辨重构和特征提取问题,分析了正则化函数的指标参数对信号重构性能和计算复杂性的影响,在此基础上提出了一种具有稀疏表示能力的正则化函数,实现了目标散射中心的有效分离。数值结果也验证了该方法的合理性和有效性。

自适应正则化超分辨率磁共振图像重建

目的为提高磁共振(MR)图像的分辨率和信噪比,本文提出一种自适应正则化的重建算法,从四幅分别存在亚像素级移动的低分辨MR图像实现超分辨率图像重建;本文提出的新正则化参数使得代价函数在定义域内呈局部凸性,同时在正则化参数中引入图像先验信息,以加强高频细节的恢复。结果表明,新算法能够有效的实现低分辨率MR图像的重建。

一种自适应正则MAP超分辨率重建方法

提出了一种简单、通用的基于自适应正则化技术的MAP超分辨率重建新方法,该方法可以自适应地选择正则化参数,并充分利用中间重建结果的信息,不断对其进行更新,通过迭代过程得到最终的重建影像。利用模拟序列影像和真实序列影像分别对本文方法进行了验证,结果表明,本文方法可以根据不同影像序列的特点,自适应确定相应的正则化参数,并能找到最优解,适用性较强。

一类非局部退化反应扩散方程组解的存在性

讨论了一类退化的具有非局部项的非线性反应扩散方程组解的存在性.首先利用了正则化方法证明正则问题解的存在性,进而证明了非线性反应扩散方程组的古典解的存在性;其次利用上下解方法来解决非线性反应扩散方程组解的整体存在,针对参数所满足的条件不同来构造不同结构的上解,从而得到了方程组解的整体存在条件.

基于低分辨率图像的自适应超分辨率重构算法

提出一种适用于内部独立运动、静态等多种模型的、基于多幅低分辨率图像的超分辨率重构算法。该算法赋予各低分辨率图像不同的权重和正则化参数,在每次迭代时对权重系数和正则化参数进行更新,采用松弛迭代法得到最优解,从而获得重构图像。实验结果表明,该算法获得的重构图像效果优于双三次B样条插值法和传统的最大后验概率估计方法。