针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L1和L2混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到...针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L1和L2混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L1和L2混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 d B^5.2 d B。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。展开更多
针对一般正则化方法不能有效解决非线性成像和高动态成像的系统退化恢复问题,提出一种非线性图像恢复方法,该方法利用乘数交替方向法解决双边全变差(bilateral total variation,BTV)模型的正则化项不平滑问题。建立包含复原图像的非线...针对一般正则化方法不能有效解决非线性成像和高动态成像的系统退化恢复问题,提出一种非线性图像恢复方法,该方法利用乘数交替方向法解决双边全变差(bilateral total variation,BTV)模型的正则化项不平滑问题。建立包含复原图像的非线性最小二乘数据拟合项和BTV正则化项的目标函数;对目标函数进行优化;构建一套有效的乘数交替方向法(multiplier alternating direction method,MADM)求解提出的模型。利用峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性度量(structural similarity index measurement,SSIM)评估图像恢复结果。对于非线性成像系统退化,提出的方法在PSNR和SSIM方面比基于TV(total variation)模型的方法分别提高4.5%和4.1%。对于高动态的成像退化问题,提出的方法获得的恢复图像PSNR值可达61.89 d B,相比其他方法,至少提高了2.9%。此外,该方法的运行时间也至少节省了26%,具有较高的计算效率。展开更多
超分辨率图像复原是病态反问题.采用Geman & McClure范数来构造数据拟合项,并且在经典的双边全变分(Bilateral total variation,BTV)正则化模型基础上,提出了一种能更有效利用方向信息的正则化模型,该模型根据迭代次数来自适应选择...超分辨率图像复原是病态反问题.采用Geman & McClure范数来构造数据拟合项,并且在经典的双边全变分(Bilateral total variation,BTV)正则化模型基础上,提出了一种能更有效利用方向信息的正则化模型,该模型根据迭代次数来自适应选择正则化参数.实验表明,该方法比采用L1范数和L2范数能更好地抑制噪声和保持边缘,在视觉效果和峰值信噪比(Peak signal noise ratio,PSNR)两个方面都有一定的提高.展开更多
文摘针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L1和L2混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L1和L2混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 d B^5.2 d B。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。
文摘针对一般正则化方法不能有效解决非线性成像和高动态成像的系统退化恢复问题,提出一种非线性图像恢复方法,该方法利用乘数交替方向法解决双边全变差(bilateral total variation,BTV)模型的正则化项不平滑问题。建立包含复原图像的非线性最小二乘数据拟合项和BTV正则化项的目标函数;对目标函数进行优化;构建一套有效的乘数交替方向法(multiplier alternating direction method,MADM)求解提出的模型。利用峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性度量(structural similarity index measurement,SSIM)评估图像恢复结果。对于非线性成像系统退化,提出的方法在PSNR和SSIM方面比基于TV(total variation)模型的方法分别提高4.5%和4.1%。对于高动态的成像退化问题,提出的方法获得的恢复图像PSNR值可达61.89 d B,相比其他方法,至少提高了2.9%。此外,该方法的运行时间也至少节省了26%,具有较高的计算效率。
文摘超分辨率图像复原是病态反问题.采用Geman & McClure范数来构造数据拟合项,并且在经典的双边全变分(Bilateral total variation,BTV)正则化模型基础上,提出了一种能更有效利用方向信息的正则化模型,该模型根据迭代次数来自适应选择正则化参数.实验表明,该方法比采用L1范数和L2范数能更好地抑制噪声和保持边缘,在视觉效果和峰值信噪比(Peak signal noise ratio,PSNR)两个方面都有一定的提高.
