基于二階廣義方向性全變分的圖像超分辨率重建方法
【圖文】：
第11期伍政華:基于二階廣義方向性全變分的圖像超分辨率重建方法噪比(Peaksignal-to-noiseratio，PSNＲ)、均方根誤差(Ｒootmeansquareerror，，ＲMSE)和結(jié)構(gòu)相似度(Strucru-ralsimilarity，SSIM)［34］．圖2中DTV和DTGV實驗結(jié)果的PSNＲ、ＲMSE和SSIM分別為31．1052，31．5024，7．1004，6．7830，0．8854和0．9013，圖5中的結(jié)果為27．0230，27．2105，11．3603，11．1177，0．8650和0．8724，這也從定量描述中反映出DTGV方法相比DTV方法重建效果更佳．為了更進(jìn)一步展示DTGV方法的優(yōu)勢，選取了一些具有代表性的超分辨率重建算法和一些測試圖像來獲得更全面的比較結(jié)果．選取的SＲ算法包括:雙三次插值、稀疏編碼(Sparsecoding)［1］、Localsemi-supervisedregression(LSSＲ)［5］、Adapticesparsedomainselection(ASDS)［4］．圖7～圖8顯示了一組具有代表性的實驗結(jié)果，可以看出，雙三次插值、LSSＲ和ASDS的實驗結(jié)果都很模糊，并不能獲得較為清晰的圖像邊緣．稀疏編碼和DTV的結(jié)果稍好并可產(chǎn)生較為清晰的邊緣和圖像細(xì)節(jié)．相比之下DTGV的結(jié)果最好，并可獲得清晰的圖像邊緣，盡管DTGV結(jié)果相比于真實圖像還是有點模糊，但它已非常接近于真實的高分辨率圖像．表1總結(jié)了不同SＲ方法對不同圖像實驗結(jié)果的PSNＲ、ＲMSE和SSIM值的比較結(jié)果．可以看出，DTGV方法在PSNＲ、ＲMSE和SSIM的數(shù)值比較上都占優(yōu)(只有一組值沒有表現(xiàn)最優(yōu)結(jié)果)，反映了本文所提出方法的有效性和優(yōu)越性．值得注意的是，DTGV方法比DTV方法的PSNＲ和SSIM數(shù)值都大，從側(cè)面反映出DTGV不僅可以去除噪聲影響，還可以重建出更多清晰的高頻段紋理．2629
的SＲ方法的擴(kuò)展，所以，我們首先將要驗證本文方法相比于DTV方法的優(yōu)勢．在第一個實驗中，我們用光聲顯微成像(Photoacousticmicroscopy，PAM)的血管圖像來驗證DTGV方法的有效性．PAM一般是通過逐點掃描實現(xiàn)的，成像的分辨率一般取決于掃描步長，且PAM圖像一般帶有明顯的方向特征．所選用的原始高分辨率圖像為480×480的血管圖像(圖2(d))，輸入的低分辨率圖像分辨率是160×160(圖2(a))，相當(dāng)于x和y方向的掃描步長都減小三倍，可明顯降低數(shù)據(jù)率．在重建圖像之前需要通過最小化DTGV的值來估計低分辨率圖像的主方向．如圖4所示，所選用血管圖像在θ=－π/3附近取得DTGV的最小值，這與圖2(a)的紋理方向特征是一致的．圖2和圖3展示了DTV和DTGV方法的超分辨率重建對比結(jié)果，圖5和圖6描述了鸚鵡圖像的類似實驗結(jié)果．從圖3和圖6的細(xì)節(jié)放大圖可以看出，盡管DTV的實驗結(jié)果可以獲得一定的超分辨率效果，但同時也會導(dǎo)致邊緣尖銳和圖像細(xì)節(jié)特征的缺失．對比DTV和DTGV的實驗結(jié)果可以發(fā)現(xiàn)，DTGV結(jié)果的視覺效果更佳，得到的邊緣更平滑，并且鋸齒狀的偽影更少．特別在圖3中，DTGV實驗結(jié)果已經(jīng)非常接近于真實的高分辨率參考圖像．為了進(jìn)一步對比實驗結(jié)果，我們選用三種常用指標(biāo)來定量分析不同實驗結(jié)果的優(yōu)劣，即峰值信2628
【參考文獻(xiàn)】
相關(guān)期刊論文 前3條
1 詹曙;方琪;楊福猛;常樂樂;閆婷;;基于耦合特征空間下改進(jìn)字典學(xué)習(xí)的圖像超分辨率重建[J];電子學(xué)報;2016年05期
2 任福全;邱天爽;韓軍;金聲;;基于二階廣義全變差的多幀圖像超分辨率重建[J];電子學(xué)報;2015年07期
3 潘宗序;禹晶;肖創(chuàng)柏;孫衛(wèi)東;;基于自適應(yīng)多字典學(xué)習(xí)的單幅圖像超分辨率算法[J];電子學(xué)報;2015年02期
【共引文獻(xiàn)】
相關(guān)期刊論文 前10條
1 劉小園;衣?lián)P;楊磊;汪斌;;基于定向雙邊全變差正則化的文檔圖像超分辨率算法研究[J];計算機(jī)科學(xué);2017年11期
2 萬里紅;金立左;;基于稀疏表示的車牌圖像超分辨[J];機(jī)械設(shè)計與制造工程;2017年11期
3 伍政華;孫明健;顧宗山;范明意;;基于二階廣義方向性全變分的圖像超分辨率重建方法[J];電子學(xué)報;2017年11期
4 張紅梅;;基于邊緣方向擴(kuò)散系數(shù)正則化的文本圖像超分辨率算法[J];現(xiàn)代電子技術(shù);2017年19期
5 劉翠響;張鳳林;李敏;;基于極限學(xué)習(xí)機(jī)的圖像超分辨率算法[J];河北工業(yè)大學(xué)學(xué)報;2017年02期
6 周峰;金煒;龔飛;符冉迪;;主題學(xué)習(xí)和稀疏表示的MODIS圖像超分辨率重建[J];遙感學(xué)報;2017年02期
7 秦振濤;楊茹;劉小英;楊武年;陳軍;;一種新的基于稀疏表示及自學(xué)習(xí)遙感圖像超分重建算法[J];重慶師范大學(xué)學(xué)報(自然科學(xué)版);2017年02期
8 周穎;符冉迪;顏文;周峰;金煒;;基于結(jié)構(gòu)組稀疏表示的紅外云圖超分辨率方法[J];光電工程;2016年12期
9 杜奕;張挺;;基于多點信息統(tǒng)計法的土地覆蓋圖像超分辨率重建方法[J];電子學(xué)報;2016年11期
10 周文誼;王吉源;;高斯隸屬度優(yōu)化的超分辨率隨機(jī)森林學(xué)習(xí)算法[J];計算機(jī)工程與應(yīng)用;2016年23期
【二級參考文獻(xiàn)】
相關(guān)期刊論文 前10條
1 詹曙;王俊;楊福猛;方琪;;基于Gabor特征和字典學(xué)習(xí)的高斯混合稀疏表示圖像識別[J];電子學(xué)報;2015年03期
2 潘宗序;禹晶;肖創(chuàng)柏;孫衛(wèi)東;;基于自適應(yīng)多字典學(xué)習(xí)的單幅圖像超分辨率算法[J];電子學(xué)報;2015年02期
3 潘宗序;禹晶;胡少興;孫衛(wèi)東;;基于多尺度結(jié)構(gòu)自相似性的單幅圖像超分辨率算法[J];自動化學(xué)報;2014年04期
4 史郡;王曉華;;基于改進(jìn)K-SVD字典學(xué)習(xí)的超分辨率圖像重構(gòu)[J];電子學(xué)報;2013年05期
5 童基均;劉進(jìn);蔡強(qiáng);;基于全變差的加權(quán)最小二乘法PET圖像重建[J];電子學(xué)報;2013年04期
6 練秋生;張偉;;基于圖像塊分類稀疏表示的超分辨率重構(gòu)算法[J];電子學(xué)報;2012年05期
7 邵文澤;韋志輝;;基于各向異性MRF建模的多幀圖像變分超分辨率重建[J];電子學(xué)報;2009年06期
8 宋銳;吳成柯;封穎;張云鋒;;一種新的基于MAP的紋理自適應(yīng)超分辨率圖像復(fù)原算法[J];電子學(xué)報;2009年05期
9 談風(fēng);;要聞[J];航空知識;2008年08期
10 韓玉兵;束鋒;孫錦濤;吳樂南;;基于MG-CG算法的圖像超分辨率重建[J];電子學(xué)報;2007年07期
【相似文獻(xiàn)】
相關(guān)期刊論文 前10條
1 王曉文;劉雨;;圖像超分辨率研究綜述[J];信息技術(shù);2009年07期
2 孔玲莉,黃華,齊春,劉美娟;圖像超分辨率研究的最新進(jìn)展[J];光學(xué)技術(shù);2004年03期
3 沈煥鋒;李平湘;張良培;王毅;;圖像超分辨率重建技術(shù)與方法綜述[J];光學(xué)技術(shù);2009年02期
4 王春霞;蘇紅旗;范郭亮;;圖像超分辨率重建技術(shù)綜述[J];計算機(jī)技術(shù)與發(fā)展;2011年05期
5 張銀林;;視頻圖像超分辨率增強(qiáng)技術(shù)[J];硅谷;2011年16期
6 余徽;陳華旺;;圖像超分辨率技術(shù)研究進(jìn)展[J];光學(xué)與光電技術(shù);2012年05期
7 葉兆豐;;圖像超分辨率重建技術(shù)及研究[J];電子世界;2013年09期
8 強(qiáng)振平;何麗波;狄光智;陳旭;;一種基于稀疏表征的圖像超分辨率重建方法[J];云南大學(xué)學(xué)報(自然科學(xué)版);2013年S2期
9 黃華;樊鑫;齊春;朱世華;;基于粒子濾波的人臉圖像超分辨率重建方法[J];軟件學(xué)報;2006年12期
10 丁海勇;卞正富;;數(shù)字圖像超分辨率重構(gòu)技術(shù)研究[J];計算機(jī)與數(shù)字工程;2007年10期
相關(guān)會議論文 前7條
1 張煜東;吳樂南;奚吉;王水花;;變長小生境算法用于圖像超分辨率復(fù)原[A];2009年通信理論與信號處理學(xué)術(shù)年會論文集[C];2009年
2 張東;韓軍;;圖像超分辨率重建算法研究[A];2010年西部光子學(xué)學(xué)術(shù)會議摘要集[C];2010年
3 楊浩;高建坡;陳向東;吳鎮(zhèn)揚(yáng);;利用示例圖像獲取先驗知識的圖像超分辨率重建算法[A];第一屆中國高校通信類院系學(xué)術(shù)研討會論文集[C];2007年
4 閆允一;郭寶龍;;基于小波的圖像超分辨率重建算法研究[A];第三屆全國數(shù)字成像技術(shù)及相關(guān)材料發(fā)展與應(yīng)用學(xué)術(shù)研討會論文摘要集[C];2004年
5 顧瑩;朱秀昌;;基于CS的圖像超分辨率重建[A];2010年通信理論與信號處理學(xué)術(shù)年會論文集[C];2010年
6 韓玉兵;殷瑋瑋;吳樂南;;基于Wavelet-HMM的圖像超分辨率重建[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年
7 張瓊;付懷正;沈民奮;;基于稀疏表示的彩色圖像超分辨率重建算法[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年
相關(guān)博士學(xué)位論文 前10條
1 曹明明;基于鄰域嵌入的圖像超分辨率重建研究[D];南京郵電大學(xué);2015年
2 李小燕;基于廣義圖像先驗的圖像超分辨率重建算法研究[D];西南交通大學(xué);2015年
3 康凱;圖像超分辨率重建研究[D];中國科學(xué)技術(shù)大學(xué);2016年
4 徐海明;圖像超分辨率重建關(guān)鍵技術(shù)的基礎(chǔ)研究[D];中國科學(xué)技術(shù)大學(xué);2013年
5 李娟;基于稀疏表示的圖像超分辨率復(fù)原研究[D];武漢科技大學(xué);2016年
6 鄧良劍;圖像處理若干問題的數(shù)學(xué)模型和高性能算法研究[D];電子科技大學(xué);2016年
7 王新蕾;基于鄰域?qū)W習(xí)和稀疏原子聚類字典的圖像超分辨率重構(gòu)算法研究[D];東南大學(xué);2016年
8 賈媛媛;基于稀疏表示的3D磁共振圖像超分辨率重建算法研究[D];重慶大學(xué);2016年
9 徐國明;基于稀疏表示的圖像超分辨率重建方法研究[D];合肥工業(yè)大學(xué);2015年
10 梁虎;基于紋理細(xì)節(jié)估計的多幀圖像超分辨率重建算法研究[D];華中科技大學(xué);2016年
相關(guān)碩士學(xué)位論文 前10條
1 雷倩;基于深度學(xué)習(xí)的圖像超分辨率重構(gòu)[D];河北師范大學(xué);2015年
2 馬瑩;基于字典學(xué)習(xí)的圖像超分辨率復(fù)原算法研究[D];燕山大學(xué);2015年
3 張志超;單幅圖像超分辨率重建算法研究[D];鄭州大學(xué);2015年
4 王賀青;基于稀疏表示和非下采樣輪廓波變換的單幅圖像超分辨率[D];哈爾濱工業(yè)大學(xué);2015年
5 曹柱利;基于學(xué)習(xí)的毫米波圖像超分辨率算法研究[D];電子科技大學(xué);2014年
6 吳秀秀;基于配準(zhǔn)的肺4D-CT圖像超分辨率重建研究[D];南方醫(yī)科大學(xué);2015年
7 熊智;車牌圖像超分辨率重建算法研究[D];南昌航空大學(xué);2015年
8 趙新;圖像超分辨率重建系統(tǒng)的研究與實現(xiàn)[D];河北工業(yè)大學(xué);2015年
9 王保全;基于混合專家模型的快速圖像超分辨率方法研究與實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2015年
10 徐光耀;基于稀疏表示的人臉圖像超分辨率技術(shù)研究[D];上海交通大學(xué);2015年
本文編號：2568581
本文鏈接：http://sikaile.net/kejilunwen/ruanjiangongchenglunwen/2568581.html
