基于MAP的高光谱图像超分辨率方法

高光谱图像得到了越来越广泛的应用,但较低的空间分辨率严重地影响着它的应用效果;其超分辨率方法受到学术界的高度重视,但一直没有得到很好的解决。为此重点研究了建立低分辨率资源图像与高分辨率目标图像之间的关系模型;引入关联感兴趣光谱端元的算子进行空间变换;应用最大后验概率(MAP)算法实现超分辨率复原。实验表明,该超分辨率方法具有超分辨率效果好、复杂度低、抗噪声性能强和保护感兴趣类别等优点。     

基于谱间DPCM和整数小波变换的超光谱图像无损压缩

分析了干涉成像光谱仪所获取图像的谱间和空间相关性,提出了一种混合无损压缩方案.首先进行谱间DPCM预测,再对残差图像采用整数小波变换,最后对小波系数进行二值自适应算术编码.实验结果表明,该算法可实现无损压缩,压缩比平均可达2.018,较二维整数小波变换算法提高40.3%.并且算法复杂度较低,只有加减和移位运算,易于硬件实现.     

基于稀疏表示和近邻嵌入的图像超分辨率重构

提出基于稀疏表示和近邻嵌入的单帧图像超分辨率重构算法。为低分辨率和高分辨率图像块训练两个基于稀疏表示的过完备字典,在训练的低分辨率图像块和高分辨率图像块中分别选取与这两个字典原子最近的图像块近邻,通过图像块近邻来计算构图像块的权重。一旦得到权重矩阵,高分辨率重构图像块可以由低分辨率图像块与相应权重相乘来表示。与之前的算法相比,所提出的算法在计算字典原子与图像块距离的时候不是逐个图像块进行计算,而是先将图像块聚类,计算字典原子与类中心的距离,在距离最近的一类中选取图像块。计算权重矩阵的时间可以大大减少,提高计算效率。所得到的PSNR与其它算法相比,也有一定提高。     

基于空谱字典的加权联合稀疏表示高光谱图像分类

稀疏表示广泛用于高光谱图像分类任务中。针对字典原子空间信息和光谱信息未得到充分利用的问题,提出了基于空谱字典的加权联合稀疏表示高光谱图像分类算法。计算测试像元与字典原子的空谱联合距离,选择相似度最高的K个字典原子,并将被选择字典原子的超像素邻域扩充到新的字典中,形成空谱字典。在联合稀疏模型中,对测试像元的超像素邻域像元使用不同的权重,在空谱字典上构建加权稀疏表示模型。基于所选的两个高光谱数据集的实验证明所提算法能够有效地提高分类精度。     

Fourier变换光谱学的一种光谱分辨率增强方法

本文提出了一种基于特征值分析与线性拟合 (EALF)的超分辨率谱估计方法。其实质是在光谱的Fourier变换域内进行信号处理 ,以使复原谱的分辨率突破仪器函数的限制。EALF由总体最小二乘参数估计、特征值分析频率估计和最小二乘拟合振幅估计三个步骤来实现。本文将介绍EALF谱估计的原理 ,通过仿真实验验证原理的正确性 ,讨论关键技术 ,并总结EALF相对于其他Fourier变换光谱分辨率增强技术的主要优点。     

基于超分辨率和组稀疏表示的多聚焦图像融合

提出一种基于超分辨率结合组稀疏表示模型的多聚焦图像融合方法.首先,使用双三次插值方法增强源图像的分辨率及源多聚焦图像信息;然后采用自适应稀疏表示学习字典分别对没有明显主导方向和特定主导方向的图像块进行学习,并采用组稀疏表示模型对源多聚焦图像进行稀疏系数表示;最后采用最大l1范数来选择最终的表示系数向量.实验结果表明,所提方法克服了多聚焦图像融合易出现的低空间分辨率和模糊效果的缺点,具有更好的对比度和清晰度,主观视觉效果和客观指标均优于传统多聚焦图像融合方法,在三组图像融合结果的互信息指标上分别领先0.37、0.38和0.32.     

基于光谱空间变换的遥感图像目标探测方法研究

针对遥感图像在频率域中的表征,提出了一种基于光谱空间变换的遥感图像目标探测方法。该方法首先利用傅里叶变换,将遥感图像从空域转变到频率域;然后利用频谱能量楔状采样和谐波叠置等手段,将不同频谱能量所表征的目标特征信息分解到不同的高、低频段中,由此获取对应目标特征在频率域中的探测标志;最后结合在频谱能量上具有方向和频带选择性的匹配Gabor滤波器,实现了居民楼地物目标的有效探测。试验结果表明,文章所提出的方法能够较好地探测遥感图像的目标信息,并且具有特定方向上目标检测的能力。     

基于双字典和稀疏表示的医学图像超分辨率重建

在医学影像图像处理过程中,由于成像技术和成像时间的限制,还无法获取满足诊断需求的清晰图像,这使得在现有技术和极短时间内所获取的医学病理图像需要进行超分辨率的重建处理;基于学习的图像超分辨率思想是从已建立的先验模型中重建出高频细节;在文章中,将要估计的高频信息认为是由主要高频和冗余高频两部分组成,提出了一种基于双字典学习和稀疏表示的医学图像超分辨率重建算法,由主要字典学习和冗余字典学习组成,分别渐近地恢复出主要高频细节和冗余高频细节;实验结果的数据分析和视觉效果显示,所提出双层递进方法能够恢复更多的图像细节且在性能指标上比现有的其他几种方法均有所提高。     

张量环因子非凸秩约束的高光谱图像超解析

针对高光谱图像超解析问题,提出了一种联合子空间表示、非局部相似性和张量环因子非凸秩约束的超谱-多谱融合模型.首先,基于高光谱图像的全局谱低秩特性,利用原始低空间分辨率高光谱谱域信息将其降维至子空间表示;随后,针对视觉对像在非局部维度上的强相关性,利用多光谱图像的空间冗余信息将降维后子空间图分成多个相似patch组,并对...     

基于谱聚类和稀疏表示的高光谱图像分类算法EI北大核心CSCD

为了增强高光谱遥感图像的分类效果,提出基于谱聚类和稀疏表示的两级分类算法。利用谱聚类将待分类的像元及其邻域内所有的像元分成两类,利用联合稀疏表示模型确定按规则选取的其中一类的具体类别,并以该类别作为像元的类。该算法充分利用高光谱图像的光谱及空间信息,两级分类过程均考虑了噪声及区域边界对分类效果的影响。进一步利用空间信息对分类算法进行修正,即关联邻近像元的类别,平滑分类结果。数值实验表明,该算法的分类精度高、稳定性好、抗噪性强。     

基于自适应正则化的超分辨率重建方法

传统正则化超分辨重建得到的图像往往存在过度平滑或伪信息残留的问题,结合超分辨重建模型对重建图像伪信息的产生进行了分析,针对传统方法的不足提出了基于图像区域信息自适应的正则化方法,通过图像的区域信息将图像划分为平滑区与非平滑区域,对不同区域选用不同的先验模型进行约束。同时考虑人眼的视觉感知特性,结合区域信息实现正则化参数的自适应选取。实验结果表明该方法在抑制重建图像伪信息的同时能有效保护细节,效果要优于传统方法与单一的先验模型约束,对于红外与可见光图像重建效果的提升提供了一定的理论参考。     

稀疏阈值的超分辨率图像重建

为了解决基于字典学习的超分辨重构算法耗时过长的问题,提出了基于稀疏阈值模型的图像超分辨率重建方法。首先,将联合字典理论与图像块稀疏阈值方法相结合,训练得到高、低分辨率过完备图像字典对。接着,通过稀疏阈值OMP算法对图像特征块进行稀疏表示。然后,通过高分辨率字典重构出初始的超分辨图像。最后,通过改进迭代反投影算法对初始的超分辨图像进行全局优化,从而进一步提高图像重构质量。实验结果表明,超分辨图像重构平均峰值信噪比(PSNR)为30.1 d B,平均结构自相似度(SSIM)为0.937 9,平均计算时间为10.2 s。有效提高了超分辨重构的速度,改善了重构高分辨图像的质量。     

结合稀疏编码和空间约束的红外图像聚类分割研究

提出了结合稀疏编码和空间约束的红外图像聚类分割新算法, 在稀疏编码的基础上融合聚类算法, 扩展了传统的基于K-means聚类的图像分割方法. 结合稀疏编码的聚类分割算法能有效融合图像的局部信息, 便于利用像素之间的内在相关性, 但是对于分割会出现过分割和像素难以归类的问题.为此, 在字典的学习过程中, 将原子的聚类算法引入其中, 有助于缩减字典中原子所属类别的数目, 防止出现过分割; 考虑到像素及其邻域像素具有类别属性一致性的特点, 引入了空间类别属性约束信息, 并给出了一种交替优化算法. 联合学习字典、稀疏系数、聚类中心和隶属度, 将稀疏编码系数同原子对聚类中心的隶属程度相结合, 构造像素归属度来判断像素所属的类别. 实验结果表明, 该方法能够有效提高红外图像重要区域的分割效果, 具有较好的鲁棒性. 关键词： 图像分割 稀疏编码 聚类 空间约束     

超分辨率图像复原及其进展

超分辨率图像复原的目的在于复原截止频率之外的信息 ,以使图像获得更多的细节和信息。阐述了超分辨率图像复原的理论基础 :解析延拓理论 ,信息叠加理论和非线性操作。说明了超分辨率复原能力的概念和影响因素 ,介绍了目前主要研究和采用的超分辨率复原方法 :能量连续降减法 ,Bayes分析法 ,凸集投影法 ,包括单幅图像复原法和多幅图像复原法。指出了超分辨率复原的研究和发展方向。     

基于形态学空间特征的高光谱遥感图像分类方法

传统的高光谱图像分类主要是基于像素的光谱特征,在一定程度上忽略了高光谱遥感图像中像素之间的空间相关性。为了充分利用高光谱图像中的空间信息,提出了一种基于加权多结构元素无偏差形态学的空间特征提取方法,并基于形态学的多尺度特征和结构保持性提出了基于邻域的多尺度空间特征提取方法,得到了高光谱遥感图像的空间特征。对k-NN分类算法进行改进,提出了基于变精度粗糙集和重构误差的k-NN分类算法,实现了基于空间特征的高光谱遥感图像分类。在两个不同的高光谱遥感图像的实验验证了基于空间特征和改进k-NN分类算法的性能。     

多帧距离选通图像点扩散函数估计的超分辨率重建

为了解决水下激光距离选通图像成像过程中退化模型复杂的难题,提出了利用连续帧图像估计点扩散函数的距离选通超分辨成像方法。首先,从连续帧图像中选取一帧为参考帧作为初始清晰图像,下一帧图像为模糊图像,用梯度约束的方法求出点扩散函数,用于优化清晰图像;然后,依次将后续帧图像当作模糊图像与清晰图像交替迭代求取点扩散函数并优化更新清晰图像;最后获得的清晰图像与参考帧图像用乘法更新的方法估计点扩散函数,结合凸集投影法算法进行超分辨率成像重建。仿真实验结果表明,改进的算法重建图像分辨率和质量明显优于原始的算法。     

一种基于改进频域图像配准技术的超分辨力图像处理方法

为提高光电成像系统的空间分辨力,提出了一种基于改进的频率域图像配准技术的超分辨力图像处理方法。首先利用改进的频域图像配准方法估算出低分辨力图像之间的微位移量,然后采用Papoulis-Gerchberg超分辨力处理方法完成图像复原。利用不同重构方法进行了仿真及实验研究,给出了评价参数。模拟和实际显微热图像的处理结果表明:该算法可使图像质量得到改善,分辨的细节更多,可有效地提高光电成像系统的空间分辨力;处理算法简单,计算量小,可实现快速处理。该算法还可应用于其他不可控光学微扫描成像系统中,具有广泛的应用前景。     

基于局部Gabor二进制模式的高光谱伪装目标图像分类

为提高光谱伪装目标图像分类精度,提出了一种基于局部Gabor二进制模式（LGBP)的空间分类方法。LGBP作为一种多尺度算法,被用来提取高光谱图像的纹理特征。然后高光谱图像中的每一个像元可以用一个光谱特征向量及一个纹理特征向量表示。通过这种方法,增大类间距离。最后使用多核支持向量机结合光谱信息和空间纹理信息实现对高光谱伪装目标图像的分类。实验证明了该方法的有效性,分类总体精度和Kappa系数分别达到了95.6%和0.937。所提出的方法对于提高分类精度及鲁棒性具有重要意义。     

基于反射率特性的高光谱遥感图像云检测方法研究

为了提高光谱遥感图像数据的利用率,提出了一种基于光谱反射率特性的星载高光谱图像云检测方法。首先分析了各类地物在不同光谱下的反射率特征,根据其特点从星载高光谱图像中选取特定5个波长的图像数据,然后依照图像地物反射率及阈值判定法区分出高云区和中低云区,最后对二者合并,得到目标云区。试验结果表明,该方法的云检测率可达90%以上,虚警率在1%以内,可以准确区分云与雪地区域、沙漠区域以及植被区域,实现云检测。     

基于超分辨率重建的图像增强算法研究

 为了提高图像分辨率,从软件的角度出发,对低分辨率图像序列重建高分辨率图像的原理和算法实现开展了研究,提出从多个低分辨率图像序列中获取更高分辨率图像的方法。通过采用基于光流场的金字塔分层结构实现由粗到精的图像配准,获取了亚像素的运动估计。在采用多帧低分辨率图像进行亚像素级配准后,提出采用动态自适应确定正则化参数的方法,构造了简单的正则化代价函数,建立了低分辨率图像与高分辨率图像之间关系的重建模型,仿真实验结果表明该超分辨率重建算法水平和垂直方向上分辨率各增加一倍,与其他算法相比清晰度更高,计算时间不到传统POCS算法的一半。