1 西京学院电子信息工程系，陕西 西安 710123
2 西安交通大学电信学院计算机科学与技术系，陕西 西安 710049
提出了一种基于多引导滤波器的单幅图像超分辨率方法。首先，该方法通过大量的自然图像建立高低分辨率图像块样本训练库，并通过聚类算法将具有相似性质的高低分辨率样本块进行聚类；其次，将输入低分辨率图像进行重叠分块，并在样本库中搜索最近邻的高低分辨率样本聚类；再次，将输入低分辨率图像块作为输入图像，与样本库中最近邻的低分辨率聚类样本作为引导图像，运用本文提出的多引导滤波器计算引导滤波器的参数；最后，利用样本库中最近邻的高分辨率聚类样本和引导滤波器的参数，通过多引导滤波器就可以重构高分辨率图像。实验结果表明，本文算法不仅能很好地重构图像的高频细节，还能很好地恢复图像的纹理特征。
超分辨率 引导滤波器 样本训练库 高频细节 super resolution guided filtering exemplar training database high frequency detail
提出了一种基于多尺度局部自相似性和非局部均值的单幅图像超分辨率算法，该算法不依赖于外界图像，仅仅在原始图像的局部子窗口中搜索目标图像块的相似子块，利用非局部均值算法对相似子块进行加权求和来估计待复原图像，然后在复原图像上叠加最相似子块的高频细节图像，获得高分辨率图像。实验结果表明，本文算法不仅能很好地重构图像的高频细节，还能很好地恢复图像的纹理特征。
超分辨率 多尺度 局部自相似 非局部均值 super resolution multi-scale self-similarity non-local mean
配准速度和精度是SAR图像配准效果的两个重要评价指标。SIFT算法是图像特征提取和描述的经典算法, SIFT特征具有尺度和旋转不变性, 但SIFT算法的128维描述子在图像配准时会极大影响配准速度。为提高图像配准速度, 首先提取图像SIFT特征点, 然后用ORB算法定义特征点主方向的方法, 赋予特征点主方向, 最后结合特征点邻域图像块的矩特征, 形成8维描述子, 对图像中的SIFT特征点进行描述, 实现SAR图像配准。实验结果表明, 本文方法在保持SAR图像配准精度的前提下, 极大程度地提高了配准速度。
SAR图像 图像配准 SIFT算法 矩特征 SAR images image registration SIFT algorithm moment feature
针对高光谱图像中背景及目标先验知识未知条件下的异常目标检测问题, 提出了一种基于独立成分分析(ICA)的异常探测算法。首先估计原始数据的虚拟维(VD)以确定要分离的独立成分个数, 在此基础上进行快速独立成分分析(FastICA), 然后基于平均局部奇异度选择含异常信息较多的独立成分, 最后使用丰度量化算法得到异常目标的丰度图像。为了验证算法的有效性, 对由AVIRIS获取的真实高光谱图像进行了异常检测实验, 并与经典RX算法和LPD算法的检测结果进行了比较。结果表明, 基于ICA的检测算法具有良好的检测性能和较低的虚警, 且运算复杂度较低。
高光谱图像 异常探测 独立成分分析 虚拟维 hyperspectral image anomaly detection independent component analysis (ICA) virtual dimensionality (VD)
