基于图像高频细节的重构问题,建立了全变分(Total Variation,TV)约束重建模型,选取交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解分析。TV-ADMM重建算法能够保持图像边缘信息,纹理细节的刻画却不够理想,图像...基于图像高频细节的重构问题,建立了全变分(Total Variation,TV)约束重建模型,选取交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解分析。TV-ADMM重建算法能够保持图像边缘信息,纹理细节的刻画却不够理想,图像平滑部分的重建出现阶梯效应和过平滑现象。为此,提出使用分数阶约束的模型算法FOTV-ADMM求解。该算法对图像纹理高频细节重建效果较好,能锐化图像边缘区域,同时为降低经验调节参数对图像重建的影响,减少调节参数的时间,引入L曲线调节参数,找出了正则化参数最优解。实验结果表明,基于L曲线调参的FOTV-ADMM算法能够更好地保留图像的纹理和平滑部分的细节特征,在峰值信噪比和结构相似度评价指标上,FOTV对高频细节的重建改善效果更佳。展开更多
图像超分辨率重建作为一个典型的非适定问题一直受到重视,尽管近年来出现了许多行之有效的卷积神经网络超分辨率重建模型,但如何全面挖掘图像先验信息,用以提高重建图像的细节清晰度仍有待深入研究.本文提出一种基于非抽取Wavelet变换...图像超分辨率重建作为一个典型的非适定问题一直受到重视,尽管近年来出现了许多行之有效的卷积神经网络超分辨率重建模型,但如何全面挖掘图像先验信息,用以提高重建图像的细节清晰度仍有待深入研究.本文提出一种基于非抽取Wavelet变换的边缘学习深度残差网络单幅图像超分辨重建模型NDW-EDRN(Non-Decimated Wavelet Edge learning using Deep Residual Networks),在图像经非抽取Wavelet变换后获得多冗余信息、平滑及梯度值较小的低频区域和边缘及梯度值较大的高频区域的基础上,将整体网络框架设计为采用不同结构的CNN(Convolutional Neural Networks)模型来对低频子带与高频子带分别进行学习的策略:对低频子带采用稠密跳跃连接的方式整体性学习低频子带间的映射关系;对高频子带采用一种新型的U-net模型,将图像退化过程中所丢失的边缘作为网络的期望输出,通过基于块的跳跃连接来使网络更精细地学习缺失性边缘,从而更加充分、有效地获取图像在退化过程中所丢失的边缘细节信息.大量实验结果表明,该网络模型能够有效提高重建图像的质量,特别在恢复低分辨率图像的边缘信息方面具有一定的优势,在一定程度上弥补了传统CNN网络模型捕捉图像细节信息的不足.展开更多
针对现有图像超分辨率重建模型参数过大,难以在现实中应用的问题,提出了一种单图像超分辨率重建模型——基于坐标注意力机制的生成对抗网络(Generative Adversarial Network Based on Coordinate Attention Mechanism,CSRGAN).通过优化...针对现有图像超分辨率重建模型参数过大,难以在现实中应用的问题,提出了一种单图像超分辨率重建模型——基于坐标注意力机制的生成对抗网络(Generative Adversarial Network Based on Coordinate Attention Mechanism,CSRGAN).通过优化在SRGAN的生成器,将坐标注意力机制与残差网络相结合构造CR模块,促进通道之间信息的流通,并加强了网络的特征选择能力;同时在主网络构建了层次化特征融合结构,提高在深层网络中对早期特征的利用,大量的长短跳连接缓解了梯度消失,提高了网络收敛速度.在Set5、Set14、BSD100和Urban100数据集上与RFB-ESRGAN、ESRGAN等模型进行测试,在峰值信噪比(PSNR)和结构相似度(SSIM)都有所提高,同时模型参数量有极大减少,重建的图像在清晰度、结构完整性等方面都有所提高.展开更多
文摘基于图像高频细节的重构问题,建立了全变分(Total Variation,TV)约束重建模型,选取交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解分析。TV-ADMM重建算法能够保持图像边缘信息,纹理细节的刻画却不够理想,图像平滑部分的重建出现阶梯效应和过平滑现象。为此,提出使用分数阶约束的模型算法FOTV-ADMM求解。该算法对图像纹理高频细节重建效果较好,能锐化图像边缘区域,同时为降低经验调节参数对图像重建的影响,减少调节参数的时间,引入L曲线调节参数,找出了正则化参数最优解。实验结果表明,基于L曲线调参的FOTV-ADMM算法能够更好地保留图像的纹理和平滑部分的细节特征,在峰值信噪比和结构相似度评价指标上,FOTV对高频细节的重建改善效果更佳。
文摘图像超分辨率重建作为一个典型的非适定问题一直受到重视,尽管近年来出现了许多行之有效的卷积神经网络超分辨率重建模型,但如何全面挖掘图像先验信息,用以提高重建图像的细节清晰度仍有待深入研究.本文提出一种基于非抽取Wavelet变换的边缘学习深度残差网络单幅图像超分辨重建模型NDW-EDRN(Non-Decimated Wavelet Edge learning using Deep Residual Networks),在图像经非抽取Wavelet变换后获得多冗余信息、平滑及梯度值较小的低频区域和边缘及梯度值较大的高频区域的基础上,将整体网络框架设计为采用不同结构的CNN(Convolutional Neural Networks)模型来对低频子带与高频子带分别进行学习的策略:对低频子带采用稠密跳跃连接的方式整体性学习低频子带间的映射关系;对高频子带采用一种新型的U-net模型,将图像退化过程中所丢失的边缘作为网络的期望输出,通过基于块的跳跃连接来使网络更精细地学习缺失性边缘,从而更加充分、有效地获取图像在退化过程中所丢失的边缘细节信息.大量实验结果表明,该网络模型能够有效提高重建图像的质量,特别在恢复低分辨率图像的边缘信息方面具有一定的优势,在一定程度上弥补了传统CNN网络模型捕捉图像细节信息的不足.
文摘针对现有图像超分辨率重建模型参数过大,难以在现实中应用的问题,提出了一种单图像超分辨率重建模型——基于坐标注意力机制的生成对抗网络(Generative Adversarial Network Based on Coordinate Attention Mechanism,CSRGAN).通过优化在SRGAN的生成器,将坐标注意力机制与残差网络相结合构造CR模块,促进通道之间信息的流通,并加强了网络的特征选择能力;同时在主网络构建了层次化特征融合结构,提高在深层网络中对早期特征的利用,大量的长短跳连接缓解了梯度消失,提高了网络收敛速度.在Set5、Set14、BSD100和Urban100数据集上与RFB-ESRGAN、ESRGAN等模型进行测试,在峰值信噪比(PSNR)和结构相似度(SSIM)都有所提高,同时模型参数量有极大减少,重建的图像在清晰度、结构完整性等方面都有所提高.
