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。     

一种改进的视频超分辨率重建方法

针对目前无人机摄像、照相数据的特点,提出一种基于低分辨率视频重建高分辨率视频的改进方法;采用高斯金字塔光流算法对低分辨率视频及高分辨率图像进行运动估计利用小波频带分解方法提取图像的高频细节,并对视频进行运动补偿,采用凸集投影方法对补偿后视频进行迭代优化;并通过MATLAB仿真实现了以上算法,实验结果证明本文算法重建质量更好、处理速度更快。     

基于深层残差网络的加速图像超分辨率重建

针对目前卷积神经网络的超分辨率算法存在卷积层数少、模型简单、计算量大、收敛速度慢以及图像纹理模糊等问题,提出了一种基于深层残差网络的加速图像超分辨率重建方法,该方法在提高图像分辨率的同时加快收敛速度。设计更深的卷积神经网络模型来提高精确度,通过残差学习并且使用Adam优化方法使网络模型加速收敛。在原始低分辨率图像上直接进行特征映射,只在网络的末端引入子像素卷积层,将像素进行重新排列,得到高分辨率图像。实验结果表明,在set 5,set 14,BSD100测试集上,所提算法的峰值信噪比与结构相似性指数均高于现有的几种算法,能够恢复更多的图像细节,图像边缘也更加完整且收敛速度更快。     

协作稀疏字典学习实现单幅图像超分辨率重建

字典的选择影响基于稀疏编码的图像超分辨率重建模型的重建质量。提出了一种基于协作稀疏表达的字典学习算法。在训练阶段,通过K-Means聚类算法将样本图像块划分为不同的聚类;构建基于同时稀疏约束条件的协作稀疏字典学习模型对每个聚类训练高、低分辨率字典;应用基于L_2范数的稀疏编码模型将图像超分辨率重建过程中输入图像块由低分辨率到高分辨率的映射转变为简单的线性映射,并针对不同聚类求得相应的线性映射矩阵。在重建阶段,输入图像块通过搜索与自身结构最相似的聚类来选择相应映射矩阵获得重建后的高分辨率图像。结果表明,本文算法通过改进字典学习过程实现了更好的图像超分辨率重建质量。     

一种基于多级小波域分解的时域扩散光学层析成像方法的研究

面向基于有限差分光扩散模型的平板乳腺扩散光学层析反演问题,提出了一种有效提高图像重建质量的方法.与基于全空间域离散像点的传统重建算法不同,本方法采用小波函数对吸收系数和散射系数在空间域进行多尺度分解,在减少低分辨率重建中光学参量的个数、有效改善重建过程病态性的同时,通过逐级细化分解尺度,最终提高了图像的量化度和空间分辨率.数值模拟表明,该方法可实现目标体边对边4 mm的空间分辨率,量化度明显高于传统算法.     

基于POCS的数字全息显微系统的超分辨实验研究

为提高数字全息显微系统的重建效果,将凸集投影算法应用于数字全息中,以实现数字全息的超分辨重建.首先,在数字全息和凸集投影法的理论基础上,搭建透射式离轴数字全息显微实验光路.然后,利用分辨率板验证凸集投影法在全息图超分辨率复原中的有效性.最后,通过微透镜阵列验证该方法在三维重建中的可行性.将参考全息图的三维重建结果,分别与低分辨率全息图和超分辨率复原全息图的重建结果进行残差估计.结果表明,后者残差的峰谷值和均方根值相比前者分别降低了36.88%和70.66%,证明该方法能够实现数字全息的超分辨重建.     

图像超分辨率重建技术与方法综述

图像超分辨率重建可以利用多幅具有互补信息的低分辨率图像重构一幅高分辨率的图像,该技术已经成为图像处理领域的研究热点。介绍了图像超分辨率重建的基本原理,阐述了超分辨率重建技术与其它相关图像处理技术的关系;系统地总结了图像超分辨率重建中常用的运动估计方法、运算方式和质量评价方法。     

基于低秩信息的纽扣无缺陷图像重建与缺陷检出算法

纽扣表面缺陷形态、大小、位置多变,导致缺陷检测成为一个具有挑战性的问题。基于缺陷图像信息空间结构相关性,提出了一种基于低秩信息的纽扣图像重建方法。该方法采用低秩约束缺陷图像矩阵,通过回归的方式重构纽扣表面无缺陷图像,并利用差影法分离带有缺陷信息的残差图像,通过局部加权自适应阈值使缺陷有效显现。所提方法将最小化残差矩阵的秩转化为最小化核范数,并通过交替方向乘子法求解回归系数,利用正样本实现图像重建。针对构建的纽扣样本测试集对算法性能进行测试,证明所提方法对于不同类别的纽扣和不同大小、形状的缺陷都是有效的,算法准确率达99%,并且该方法对于光照变化也具有一定的适应性。     

基于低通滤波残差图的高光谱条带噪声去除

针对高光谱遥感图像中存在的条带噪声,提出了一种基于低通滤波残差图的条带噪声去除算法。算法首先使用高斯低通滤波器对图像进行滤波,得到低通滤波残差图;然后借助条带噪声秩为1以及残差图中的细节与条带噪声正交的先验信息,使用正交子空间投影技术将低通滤波残差图中的条带噪声和图像细节进行分离;最后将分离出的细节信息加入滤波后的图像中。通过对上述三步不断迭代,算法能够有效地去除图像中的条带噪声,并且能够解决低通滤波法去条带造成图像模糊的问题。实验结果表明,与现有前沿的去条带算法相比,该方法能在有效去除条带噪声的同时很好地保持图像的信息。     

对迭代位移叠加像复原方法的改进

迭代位移叠加法(ISA)是一种天文高分辨空域统计重建方法,对双星等多点源天文目标的空域统计重建试验表明,多点源目标的重建效果优于经典的重谱法,计算速度也比重谱法快.该方法不能直接应用于太阳或卫星等天文和空间扩展目标的高分辨重建中.因此对迭代位移叠加法进行修正后进行了不同光子水平下的人造卫星的高分辨重建的数值仿真试验.对暗弱扩展目标的仿真重建试验表明,修正的迭代位移叠加法具有明显的抑制光子噪声的效果,具有比重谱法等频域重建方法更好的重建效果.     

像面滤波技术在无透镜傅里叶变换数字全息中的应用

无透镜傅里叶变换数字全息波前重建主要采用全息图的一次快速傅里叶变换方法,重建图像不能充分占有重建平面.本文基于像平面滤波技术,提出对物体局部区域光波场进行放大重建并让重建图像布满重建平面的方法,给出具有精细结构物体的数字全息波前重建实例.此外,将数字全息光波场重建视为具有方形出射光瞳的光学系统的相干光成像过程,导出了物体放大图像的分辨率与光学系统相关参量的关系,并通过实验给予证明.     

像面滤波技术在无透镜傅里叶变换数字全息中的应用

无透镜傅里叶变换数字全息波前重建主要采用全息图的一次快速傅里叶变换方法,重建图像不能充分占有重建平面.本文基于像平面滤波技术,提出对物体局部区域光波场进行放大重建并让重建图像布满重建平面的方法,给出具有精细结构物体的数字全息波前重建实例.此外,将数字全息光波场重建视为具有方形出射光瞳的光学系统的相干光成像过程,导出了物体放大图像的分辨率与光学系统相关参量的关系,并通过实验给予证明.     

基于双阈值Huber范数估计的图像正则化超分辨率算法

多帧图像超分辨率算法利用图像间的互补信息, 可以从一系列具有亚像素位移的低分辨率影像数据中重建出高分辨率图像. 在众多超分辨率算法中, 正则化方法以其求解病态问题的有效性而被广泛应用, 但在此类方法中, 最优估计算子的估计准确度对最后的重建结果有着较大的影响. 本文在现有正则化超分辨率重建算法的基础上, 提出了一种基于双阈值Huber范数的极大似然估计算子, 可以提高Huber范数对于阈值取值的容忍性和算子估计精度; 并给出了基于该算子的正则化超分辨率算法的迭代公式. 通过对仿真图像进行重建, 结果表明算法可有效地抑制各种噪声并保证重建效果; 同时将此算法应用于实际图像的超分辨率重建, 有效地提高了目标影像的空间分辨率. 关键词： 图像处理 图像重建 超分辨率 正则化     

基于亚像素扫描的超分辨技术在高分辨X射线显微镜中的应用

在不改变现有硬件条件的情况下,开展超分辨扫描重建方法,可以在不增加系统成本的基础上提高高分辨X射线显微镜的成像性能.设计了基于亚像素扫描的超分辨扫描模式,按照设计的调制方式进行亚像素位移的移动,采集多幅具有互补信息的低分辨率图像;然后基于系统的点扩散函数,对高分辨率图像进行复原;最后结合POCS超分辨重建算法重建出高分辨图像.实验结果表明,10倍光耦探测器下的衬度噪声比提高了20%左右,空间分辨力提高了0.2μm(约15%),细节分辨能力超过探测器像素尺寸1.35μm的限制,可以看到在低分辨率图像中看不到的细节.实验说明用超分辨技术提高高分辨X射线显微镜的分辨率是有意义的.     

基于全卷积金字塔残差网络的能谱CT图像降噪研究

传统CT采用积分式探测器采集投影数据,反映的是物体的平均衰减特性,会在一定程度上造成信息损失,无法对物体进行较好的定性定量测量。基于光子计数探测器的能谱CT通过设定多个能量响应阈值能够探测不同能量范围内的X射线光子,采集更多被测物体的物质组成信息,有助于识别不同物理特性的材料,基于此,能谱CT被广泛的应用于小病灶、低对比度结构以及微细结构的成像。然而将整个能谱划分为多个能量段进行数据采集时,范围较窄能量范围内的有效光子数比例相对降低,导致图像中包含较多的噪声,图像质量较差,影响能谱CT的临床应用。为了有效的抑制能谱CT不同能量段内重建图像中的噪声,提出了一种基于深度学习的能谱CT图像降噪方法。我们将全卷积网络和金字塔残差网络结合为全卷积金字塔残差网络(FCPRN),实验中,利用能谱CT在不同的能量范围扫描小鼠样本,使用FDK算法和基于压缩感知的Split-Bregman算法进行重建并分别作为训练数据和标签数据训练全卷积金字塔残差网络。为了验证网络的降噪性能,选取了常见的降噪网络模型denoising convolutional neural networks(DNCN)以及residual encoder decoder convolutional neural network (REDCNN)进行对比,训练三种网络的使用的数据和实验配置都是完全相同的,实验结果表明训练模型可以有效抑制不同能量范围内重建图像的噪声,且使用的全卷积金字塔残差网络的降噪性能优于其他网络模型。模型训练好后,可以对FDK算法重建出的图像进行降噪,由此提高能谱CT图像降噪效率,保证能谱CT重建图像的质量。     

基于半像素错位的多幅图像重建高分辨率图像技术研究

介绍了一种基于半像素错位的多幅图像重建高分辨率图像技术。分析了半像素错位的多幅图像与高分辨率图像各像素灰度值的对应关系 ,并从CCD数字化采样的角度进行了论证。同时 ,结合实际摄像机CCD结构 ,求出了高分辨率图像重建的计算公式 ,并通过实验进行了验证和完善。重建的本质是以原高分辨率图像的 4邻域平均图像为基础 ,增加一定比例的边缘细节信息 ,去接近原高分辨率图像。CCD的动态范围越大 ,图像的灰度级越多 ,那么计算误差就越小 ,图像的边缘细节信息就可以利用更多 ,重建的图像就越接近原高分辨率图像。通过实验和分析表明 ,利用半像素错位的多幅低分辨率图像重建高分辨率图像的原理是正确的 ,方案是可行的     

结合线性变换和非线性变换的放大算法研究

非线性放大能在保持图像上下文关联的情况下对目标进行放大.利用球面几何模型得到了一种非线性的映射关系，并通过分析得到了该映射关系在图像变换中可以得到非线性放大的效果.为了进行有效的观察，避免感兴趣区域的中心出现变形，采用结合线性和非线性变换的方法对图像进行放大.实际应用的结果表明，该算法不仅可以放大感兴趣区域，而且能有效的保持上下文的关联关系，是一种有效的图像放大算法.     

基于凸优化的傅里叶叠层成像技术研究

在傅里叶叠层成像（FPM）过程中采集的低分辨率图像会对重建图像质量产生直接影响,已有的研究提出用图像超分辨率重建技术和对低分辨率图像进行传统去噪处理的方法来解决该问题,但超分辨率重建的方法需要采集大量的原始图像,会加大采集端的时间损耗,而传统去噪算法会造成原始信息丢失,严重影响重构图像质量。因此论文引入凸优化算法,噪声图像的恢复可以通过求解一个凸优化模型来实现,并用迭代收缩阈值算法来求解该模型,算法中采用Barzilai-Borwein（BB）规则在每次迭代时初始化线搜索步长,加快收敛速度,选用软阈值函数,使图像去噪时原始信息丢失减少,最终重构图像的PSNR为27.634 6 dB,SSIM为0.926 1,所需处理时间为5.850 s,因此基于凸优化的傅里叶叠层成像技术具有时间损耗不大的情况下提高重构图像质量的优点。     

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。     

基于改进残差密集网络的高光谱重建

高光谱图像包含着丰富的光谱信息,单幅RGB重建高光谱图像在军事目标识别和医学诊断领域具有重要价值。传统算法无法对未知相机光谱响应的RGB图像进行重建,针对此问题,本文提出了一种基于改进残差密集网络的重建算法。首先,将改进的残差密集块作为残差密集网络的基本模块,使用自适应权重模块对特征通道进行特征重标定,使高光谱重建精度得到了提高。其次,用特征变换层替代原来网络的空间变换层,将解决图像超分辨率问题转换成解决高光谱重建问题,实现网络从空间维度到光谱维度的转变。实验结果表明:本文所提算法无论是在主观效果上还是在客观评估指标上均优于主流的传统方法和深度学习方法,与稀疏字典方法相比,本文算法的平均相对绝对误差(MRAE)和均方根误差(RMSE)分别下降了46.7%和44.8%。