宁波大学 信息科学与工程学院,浙江 宁波 315211
针对红外云图分辨率低、视觉效果较差的问题,提出一种图像结构组稀疏表示的超分辨率方法。该方法充分利用红外云图的结构自相似性,将结构组作为稀疏表示的基本单位,建立图像结构组稀疏表示模型。在训练字典过程中通过高斯混合模型学习图像结构组的先验信息,再对样本块进行聚类,利用主成分分析学习得到紧凑的分类字典。在重建阶段对每个结构组自适应选取最匹配的字典,使用改进了的加权l1 范数优化方法求解稀疏系数。实验结果表明,与ScSR、Zeyde、NARM 等算法相比,所提算法在视觉效果以及图像质量评价指标上均有所提高,红外云图重构质量有较为明显的改善。
超分辨率 红外云图 结构组稀疏表示 自相似性 super-resolution infrared nephogram structural group sparse representation self-similarity
宁波大学 信息科学与工程学院, 浙江 宁波 315211
提出一种基于TV-L1分解的红外云图超分辨率算法。该方法采用原始-对偶算法求解TV-L1图像分解模型, 将低分辨率云图分解为结构部分和纹理部分: 对结构部分采用软决策自适应插值(SAI)处理; 对纹理部分则基于非下采样Contourlet变换(NSCT)具有多方向和平移不变的特性, 构造非线性增益函数对其NSCT变换域系数进行处理, 然后对处理后的变换系数进行NSCT逆变换实现纹理增强。最后, 将处理后的结构部分和纹理部分组合起来得到重构的高分辨率云图。实验结果表明, 所提出的算法在视觉效果以及图像质量定量评价上均优于传统插值方法, 在实现两倍超分辨率时, 其峰值信噪比(PSNR)和结构相似度(SSIM)平均值分别提高了1.316 2~4.591 9 dB和0.007 1~0.020 6; 实现三倍超分辨率时PSNR和SSIM平均值分别提高了0.338 7~4.58 dB和0.001 8~0.041 7。由于SAI插值和非下釆样Contourlet变换准确表示了云图的不同形态特征, 故所提算法的超分辨率结果不但准确重建了云图中的结构部分, 而且有效保持了红外云图纹理和边缘。
TV-L1分解模型 红外云图 非下采样Contourlet变换(NSCT) 图像增强 超分辨率 TV-L1 decomposition model infrared nephogram Nonsubsampled Contourlet Transform (NSCT) image enhancement super-resolution
宁波大学 信息科学与工程学院, 浙江 宁波 315211
针对红外云图分辨率低的问题, 提出一种基于耦合过完备字典的超分辨率方法。在分析红外云图成像退化模型的基础上, 建立了采用稀疏表示理论的超分辨率重构框架, 首先随机抽取大量高、低分辨率云图的图像块, 组成训练样本, 经过字典学习获取针对高、低分辨率云图块的两个字典Dh 和Dl, 为保证对应的高、低分辨率云图块关于各自的字典具有相似的稀疏表示, 提出一种耦合字典学习算法, 该算法改变了字典对的更新策略, 通过在每一步迭代中交替优化Dh 和Dl, 得到耦合的过完备字典对; 最后对输入的低分辨率红外云图, 采用最优正交匹配追踪算法(Optimized Orthogonal Matching Pursuit Algorithm, OOMP), 得到满足重构约束的高分辨率云图。实验结果表明, 本文方法与其他方法相比, 红外云图重构质量有较为明显的改善, 而且比同类方法具有更高的计算效率。
红外云图 超分辨率 耦合字典学习 稀疏表示 infrared nephogram super-resolution coupled dictionary learning sparse representation