共查询到10条相似文献,搜索用时 109 毫秒
1.
多帧图像超分辨率重建技术就是将一些变形、模糊、降采样的低分辨率图像进行融合,估计出一幅高分辨率图像,其步骤主要分为运动估计、插值处理、图像重建.本文采用Vandewalle配准方法将处理过的低分辨率图像序列映射到一幅高分辨率网格上,然后进行插值,最后结合小波变换和迭代方法进行图像重建,并采用小波阈值去噪方法进行去噪处理.实验结果表明:本算法能较好地提高图像的峰值信噪比,是图像重建的一种有效方法. 相似文献
2.
提出了一种基于生成器网络的遥感图像超分辨率方法。该方法对网络的权重随机初始化,无需使用数据集进行预训练。输入待修复的低分辨率图像,通过迭代训练网络,生成网络输出边缘更为清晰的超分辨率图像。对遥感图像上复杂纹理的修复也达到了更清晰的预期效果。实验结果表明,生成网络能在遥感图像超分辨率上达到经过大量数据集训练的卷积神经网络相似甚至更好的表现。 相似文献
3.
4.
车牌识别技术种类繁多,理想情况下识别率已达到99%,而对于远距离模糊不清的抓拍图片,识别效果还不够,为此提出一种利用图像超分辨率重建技术提高模糊车牌识别率的方法。首先利用图像处理方法对图片进行分割;其次利用支持向量机(SVM)对分割得到的图块进行分类,筛选出车牌图块;再利用多帧低分辨率车牌图块进行最大后验估计(MAP)超分辨率重建,得到比较清晰、便于识别的车牌;最后利用人工神经网络(ANN)方法进行光学字符识别(OCR),最终得到识别结果。实验表明,与传统车牌识别技术相比,该方法具有更强的鲁棒性,且在模糊车牌识别中正确率明显提高。 相似文献
5.
图像超分辨率重建算法的主要内容是使用低分辨率的图像信息生成高分辨率图像。近年来,随着深度学习和卷积神经网络的发展,出现了很多基于卷积神经网络与残差网络的超分辨率算法。为了解决这些算法参数数量过多、处理过程复杂、训练时间长等问题,结合现有残差网络模型和深度学习算法对其进行改进,包括调整网络结构,减少需要学习的参数,以及去除批归一化层,降低计算复杂度。改进后的网络模型能够取得更好的效果,生成图像的主观和客观评价有一定提高。 相似文献
6.
在研究传统Harris角点检测算法的基础上,结合小波变换的多分辨率特性,提出一种基于小波变换边缘检测与Harris角点检测的多尺度图像配准算法。该算法保持了Harris角点检测算法在图像旋转、缩放或灰度变化时角点提取效果依然良好的优点,改进了其对噪声敏感且不具有尺度不变性的缺点,在不同尺度上有较高稳定性与匹配精准度,抗噪性较强。 相似文献
7.
8.
为了将低分辨率多光谱图像和高分辨率全色图像有效地融合,提出了主成分分析(PCA)变换和提升小波相结合的融合方法。小波提升后选用不同的融合规则对高低频成分进行融合,并与PCA+DWT和HSV+LWT融合法进行了比较,实验结果表明,该方法较好地保留了多光谱图像的光谱特性,提高了空间分辨率。 相似文献
9.
胡顺波 《临沂师范学院学报》2009,31(6):126-131
在基于灰度的图像配准中,针对传统的空间均匀采样的多分辨率分析技术在低分辨率时会丢失重要边缘信息,从而产生较多局部极值点,导致误配准问题,通过使用基于灰度概率分布和其梯度信息的抽样方法,提出了非均匀空间采样的多分辨率分析技术.在人体脑部图像的刚体配准实验中应用非均匀多分辨率分析技术,实验结果表明,该非均匀多分辨率分析技术可以有效地减少局部极值点,并提高配准速度. 相似文献
10.
在局部二进制模型和多分辨率分析的基础上,提出一种基于局部频域分析的多尺度纹理特征提取方法。对纹理图像采用局部圆形邻域作为局部模板进行局部频率变换,对各频段图像实现多分辨率分析,提取多尺度下的特征向量,结合SVM算法进行分类实验。结果证明,该方法在继承了LBP对光照因素具有的稳定性的同时,具有旋转不变性特征;利用NSCT在多尺度下进行的纹理特征提取也满足尺度不变性的需要,与其他方法相比提高了分类准确率。 相似文献