超分辨率图像重建的应用

由于超分辨率重建技术在一定条件下,可以克服图像系统内在分辨率的限制,提高被处理图像的分辨率,因而在视频、遥感、医学和安全监控等领域具都有十分重要的应用。(1)在数字电视(DTV)向高清晰度电视(HDTV)过度阶段,仅有部分电视节目会以HDTV的形式播出,不少节目采用的是DTV的形式。因此,可以利用超分辨率重建技术将DTV信号转化为与HDTV接收机相匹配的信号,提高电视节目的兼容性;(2)在采集军事与气象遥感图像时,由于受到成像条件与成像系统分辨率的限制,不可能获得清晰度很高的图像,而通过利用超分辨率重建技术,在不改变卫星图像探测…     

一种新的PET序列图像超分辨率优质重建算法

利用超分辨率重建技术,从含有加性高斯噪声和模糊噪声的正电子发射成像(PET)序列低分辨率图像,重建出一幅优质高分辨率图像。作者提出了一种基于正则化参数(RP)的通道自适应线性斜率超分辨率算法。该算法采用平移运动模型,通过对RP线性斜率的自适应更新,动态优化代价函数,以降低对PET图像高频成分的抑制。为验证新算法的有效性,采用模拟PET序列图像进行实验。实验中,与HUHE算法相比,新算法PSNR平均提高2.65dB。新算法在改善图像空间分辨率上取得良好的效果,同时具有很好的抗噪性能。     

改进的稀疏表示超分辨率图像重建

为了能从单幅低分辨率图像中利用超分辨率技术重建出高分辨率图像,提出一种基于稀疏表示的改进算法。首先求出在低分辨率图像过完备字典上的稀疏表示系数,将稀疏表示系数与高分辨率图像的过完备字典相结合,得到高分辨率图像块,再联合输入的低分辨率图像块与生成的高分辨率图像块,求解出其在高低分辨率字典对上的稀疏系数,最后结合高分辨率图像字典,得到更加精确的高分辨率图像块。经仿真实验验证,该改进方法有效提升了重建图像质量,增强了重建图像的还原度。     

基于GAN的图像超分辨率方法研究

图像超分辨率是一种采用软件算法提高图像空间分辨率的技术,由于传统超分辨率方法超清程度有限,基于深度学习的图像超分辨率方法成为研究者们近年来的研究重点。基于生成对抗网络（GAN）的图像超分辨率方法,在其网络模型结构基础上增加批处理归一化（BN）层以提升网络收敛速度、加强网络训练稳定性,更改上采样层网络并对损失函数作相应修改。在网络训练过程中,选择当前比较通用的Adam优化器。实验结果表明,该方法具有很好的超分辨率图像重建能力,且在训练过程中训练稳定性得到提升,收敛速度也有所加快。     

多尺度自相似融合图像超分辨率重建

为提高低分辨率图像超分辨率重建的精度和效率,提出一种多尺度自相似融合图像超分辨率重建算法。该方法在锚定邻域回归(ANR)方法的基础上引入自相似矩阵,使图像边缘更加清晰;利用多层小波变换构建多尺度串联模型,实现小波域的不同尺度图像的多层超分辨率重建;增加训练字典原子数和邻域数,采用分层搜索匹配策略进行低分辨率图像块与锚点的匹配以减少图像重建时间。实验结果表明:该方法重建的图像边缘和细节更清晰,边缘重影和阶梯效应明显削弱,PSNR值提高约1 dB,且重建时间有所减少。     

基于微积分和凸集投影技术的图像超分辨率重建技术研究

针对传统图像超分辨率技术,在进行模糊图像时效果不佳的问题,开展了基于微积分和凸集投影技术的图像超分辨率重建技术研究.将分数阶微积分应用于传统凸集投影技术中,首先采用分数阶微分方法实现了图像帧的增强,然后采用分数阶积分方法降低了微分过程中产生的误差,提高了算法的效率和适应性.通过最终实验分析可知,本文算法在各项评价指标方...     

多帧图像超分辨率重建算法

多帧图像超分辨率重建技术就是将一些变形、模糊、降采样的低分辨率图像进行融合,估计出一幅高分辨率图像,其步骤主要分为运动估计、插值处理、图像重建.本文采用Vandewalle配准方法将处理过的低分辨率图像序列映射到一幅高分辨率网格上,然后进行插值,最后结合小波变换和迭代方法进行图像重建,并采用小波阈值去噪方法进行去噪处理.实验结果表明：本算法能较好地提高图像的峰值信噪比,是图像重建的一种有效方法.     

基于张量低秩和TV正则化的图像超分辨率重建

由于低秩先验能够有效地学习图像数据的冗余和数据的全局结构,因此低秩约束在矩阵填充中得到广泛应用。以往的研究表明,低秩约束对张量恢复具有显著影响,这些工作往往通过Tucker秩解决,然而Tucker秩不能捕获张量的内在相关性。提出一种新的基于张量链秩1（Tensor-Train Rank-1,TTR1）分解的逼近张量核范数的邻近算子。低秩约束能够很好地捕获数据的全局结构,但不能利用可视化数据的局部平滑性,因此提出将张量低秩和全变分（total variation,TV）正则化相结合的超分辨率（super-resolution, SR）重建方法,充分利用图像冗余性、全局结构信息和图像局部平滑性,实现图像的SR重建。实验结果表明,相比于Tucker低秩和TV正则化模型（LRTV_SR）,该方法在峰值信噪比指标上平均提高了0.2dB,充分验证了基于TTR1分解的张量低秩约束在超分辨率重建中更能保留彩色图像的全局结构特性。     

基于残差网络的图像超分辨率算法改进研究

图像超分辨率重建算法的主要内容是使用低分辨率的图像信息生成高分辨率图像。近年来,随着深度学习和卷积神经网络的发展,出现了很多基于卷积神经网络与残差网络的超分辨率算法。为了解决这些算法参数数量过多、处理过程复杂、训练时间长等问题,结合现有残差网络模型和深度学习算法对其进行改进,包括调整网络结构,减少需要学习的参数,以及去除批归一化层,降低计算复杂度。改进后的网络模型能够取得更好的效果,生成图像的主观和客观评价有一定提高。     

基于向量夹角的单幅图像超分辨率算法

在分析一些常见的图像超分辨方法的基础上,根据张量在图像处理中的应用和插值处理的特点,提出了一种基于张量的单幅图像超分辨处理方法,以提高图像的分辨率。通过对标准图像库的图像进行实验表明,该方法能较好地保持原图像中丰富的高频信息,提高图像分辨率,而且图像主观上具有很好的视觉效果,客观上具有较高的信噪比,是超分辨率图像处理中一种行之有效的方法。     

基于生成网络的遥感图像超分辨率的研究

提出了一种基于生成器网络的遥感图像超分辨率方法。该方法对网络的权重随机初始化,无需使用数据集进行预训练。输入待修复的低分辨率图像,通过迭代训练网络,生成网络输出边缘更为清晰的超分辨率图像。对遥感图像上复杂纹理的修复也达到了更清晰的预期效果。实验结果表明,生成网络能在遥感图像超分辨率上达到经过大量数据集训练的卷积神经网络相似甚至更好的表现。     

基于小波方法的超分辨率图像重建

提出了一种基于小波变换理论的超分辨率重建算法,即利用小波变换得到图像的高频和低频子带,结合非线性外推技术对高频子带进行处理,在增加高频子带信息量的同时进行迭代改进,并采用小波阈值方法进行去噪处理.实验结果表明：该算法能够克服以往插值算法的不足,如高频损失、细节模糊等,能很好地提高图像的峰值信噪比,是图像重建的一种有效方法.     

基于双域非局部网络的图像超分辨率重建

针对现有图像超分辨率重建算法在学习图像更深层次特征时面临难以捕捉全局化特征的问题,提出一种新的双域非局部(dual domain non-local, DDNL)深度神经网络。DDNL网络包含2个分支,即用于图像超分辨率重建的主分支和提供图像双域非局部信息的先验分支。先验分支通过非局部模块获取图像域和梯度域的非局部特征后,以多层通道注意力模块处理,使特征在空间维度和通道维度均得到增强;设计非局部残差密集连接结构,将先验分支提取的双域非局部特征融合进主分支,指导网络学习深层特征并降低网络捕捉全局化特征的难度。实验结果表明,DDNL网络能够获得更好的客观评价指标和主观视觉效果,对图像纹理细节的恢复更为清晰、准确。     

基于稀疏表示的单幅图像超分辨率重建研究

针对传统超分辨率重建方法计算复杂度高、重建效果差等问题,提出一种基于稀疏表示的图像超分辨率重建模型。该模型利用稀疏表示方法,结合自回归原理将原始图像表示为若干个图像块的线性组合,并根据图像边缘特征将图像块进行划分,以提高算法效率,最后结合分治思想、变量分离技术以及增广拉格朗日方法对模型进行求解。实验结果表明,与传统插值算法相比,该算法对图像重建效果更好。     

基于小波变换的全景图像超分辨率增强算法

在研究和分析小波变换理论的基础上提出了一种基于小波变换的全景图像超分辨率增强算法,该算法充分利用了小波多分辨率分解思想,体现图像降低的自然过程;通过高分辨率小波系数,经插值逆变换可得到重构的高分辨率图像。实验结果证明该算法克服了传统的插值算法致使图像高分辨部分损失、细节被模糊的缺点,是超分辨率图像处理的一种行之有效的途径。     

运动车辆车牌图像的超分辨率重建

为了改善实际交通环境中运动车辆车牌图像的质量,提出一种新的超分辨率重建方法,即通过融合低分辨率图像间的互补信息得到一幅高分辨率车牌图像.首先,在超分辨率重建正则化框架下引入梯度残差项作为一个梯度强制项来改善重建图像的质量.其次,为了提高重建算法的鲁棒性,用L1范数度量数据残差项和梯度残差项.最后,用最速下降法求解相应的最小能量泛函.模拟和实际视频图像序列的实验结果验证了所提方法的有效性和实用性,所提方法在重建图像的信噪比指标和视觉效果方面均优于双三次插值和DAMRF法.     

一种由低分辨率投影重建高分辨率图像的方法

针对由于现有条件下探测器分辨率低导致图像分辨率差的问题,提出了一种利用探测器错位采集低分辨率投影数据来重建高分辨率图像的方法,并进行了计算机仿真实验,结果表明该方法是行之有效的。     

基于光学时轴校准MRI数据重建的高时空分辨率神经成像

功能核磁共振成像(functional magnetic resonance imaging,fMRI)是一种重要的生物医学成像和神经科学研究的手段。然而,空间分辨率低、时间分辨率低以及信噪比低仍然限制了其实际研究应用。本文提出了一种高时空分辨率的图像重建方法,实现光信息同步磁共振技术扫描脑皮层神经活动产生的血氧动态响应,时分式覆盖k空间数据(time division coverage,TDC)。同时也提出一种波长参数化指数平均滤波波长调制光谱法(PEMA-WMS)实现实时脑皮层血氧动态光学传感。实验给出了在预实验磁共振图像作为高空间分辨率组织层的光子流传感蒙特卡罗模拟方法和视觉皮层功能成像仿真,并得出本文方法的图像重建结果。     

图像超分辨率在模糊车牌识别系统中的应用

车牌识别技术种类繁多,理想情况下识别率已达到99%,而对于远距离模糊不清的抓拍图片,识别效果还不够,为此提出一种利用图像超分辨率重建技术提高模糊车牌识别率的方法。首先利用图像处理方法对图片进行分割;其次利用支持向量机（SVM）对分割得到的图块进行分类,筛选出车牌图块;再利用多帧低分辨率车牌图块进行最大后验估计（MAP）超分辨率重建,得到比较清晰、便于识别的车牌;最后利用人工神经网络（ANN）方法进行光学字符识别（OCR）,最终得到识别结果。实验表明,与传统车牌识别技术相比,该方法具有更强的鲁棒性,且在模糊车牌识别中正确率明显提高。     

超分辨率荧光显微技术——2014年诺贝尔化学奖简介

介绍了2014年诺贝尔化学奖获奖成果超分辨率荧光显微技术的原理和发现过程、获奖者简况以及超分辨率荧光显微技术的应用前景。