CN102142136A - 基于神经网络的声纳图像的超分辨率重建方法 - Google Patents
基于神经网络的声纳图像的超分辨率重建方法 Download PDFInfo
- Publication number
- CN102142136A CN102142136A CN 201110052542 CN201110052542A CN102142136A CN 102142136 A CN102142136 A CN 102142136A CN 201110052542 CN201110052542 CN 201110052542 CN 201110052542 A CN201110052542 A CN 201110052542A CN 102142136 A CN102142136 A CN 102142136A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- resolution
- band
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 71
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 18
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 238000002474 experimental method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
一种基于神经网络的声纳图像的超分辨率重建方法,对待超分辨率重建的声纳图像r进行超分辨率重建,包括以下步骤:对一幅高分辨率声纳图像和4幅降质样本图像,先进行非下采样轮廓波分解,再进行神经网络训练;对待超分辨率重建的声纳图像r,先进行立方插值,将插值后图像作为高分辨率的低通子带系数;对声纳图像r再进行非下采样轮廓波分解,然后将待超分辨率重建的声纳图像r的各带通方向子带系数输入训练好的神经网络得到高分辨率的各带通方向子带系数 ,最后进行非下采样轮廓波逆变换,得到超分辨率重建的声纳图像R。本发明超分辨率重建的声纳图像具有更好的边缘、细节保持效果,目视效果更好,有利于海底勘测和后续水下目标定位识别等处理。
Description
技术领域
本发明属于图像信号处理技术领域,具体地说涉及一种基于神经网络的声纳图像的超分辨率重建方法。
背景技术
21世纪是人类探索与开发海洋的世纪,海洋勘测和海军国防建设的技术需求在不断地提高,使得水下声纳技术越来越受到重视。然而,由于海洋中声音种类多种多样,导致声纳仪器设备得到的声纳图像通常分辨率较低,目标边缘恶化,不易识别。有效提高声纳图像的分辨率,增强边缘细节将有利于海底勘测和后续的水下目标定位识别等处理。
图像空间分辨率是对图像细节分辨能力的一种度量,也是评价目标细微程度的关键性指标,所以图像的超分辨率重建一直是人们研究的热点课题。利用多幅具有互补信息的低分辨率声纳图像来重构一幅高分辨率声纳图像的超分辨重建,为有效提高声纳图像的分辨率提供了解决途径。目前,超分辨率重建技术主要分为频域法和空域法。频域法最早是由Tsai和Huang在1984年提出的,该方法缺乏灵活性,不能推广到一般的非平移运动模型。相比于频域法,空域法能够方便的融合各种先验信息,降质模型涉及范围广,具有更大的灵活性。其方法主要有非均匀插值法,迭代反投影(IBP)算法,凸集投影(POCS)算法,最大后验概率估计算法 (MAP)和最大似然估计方法(ML),混合ML/MAP/POSC,自适应滤波法,超分辨率盲重建法等。近年来,人们又提出基于学习的超分辨率方法(间接地最大后验概率估计和直接的最大后验概率估计)、图像类推方法和神经网络方法等。然而,对于分辨率低、边缘纹理模糊声纳图像,当前的各种超分辨方法大都存在边缘模糊、有用信息量少、纹理细节弱、信噪比低等问题。
发明内容
本发明的目的是要提供一种边缘纹理清晰、有用信息量较丰富、信噪比高的基于神经网络的声纳图像的超分辨率重建方法。
本发明实现上述目的的技术方案是,一种基于神经网络的声纳图像的超分辨率重建方法,其创新点在于:对待超分辨率重建的声纳图像r进行超分辨率重建,包括以下步骤:
(1)对一幅高分辨率声纳图像进行降质样本构建,先生成该高分辨率声纳图像的4幅副本图像,再分别对该4幅副本图像进行移位和降采样,从而生成4幅降质样本图像;
(2)对步骤(1)中的高分辨率声纳图像进行非下采样轮廓波分解,得到高分辨率声纳图像的K个带通方向子带系数和1个低通子带系数;再对4幅降质样本图像依次进行非下采样轮廓波分解,每一幅降质样本图像均得到K个带通方向子带系数和1个低通子带系数,K为正整数;
(4)对步骤(2)中的高分辨率声纳图像的K个带通方向子带系数进行分块,得到高分辨率声纳图像的图像子块 ,该高分辨率声纳图像的图像子块的大小为4*4,其中d代表第d个带通方向子带系数,n代表第n块图像子块,n为正整数;接着对第m幅降质样本图像的K个带通方向子带系数进行分块,得到第m幅降质样本图像的图像子块 ,该第m幅降质样本图像的图像子块的大小为4*4,其中 m代表第m幅降质样本图像,d代表第d个带通方向子带系数,n代表第n块图像子块,n为正整数;
(5)将步骤(4)中的高分辨率声纳图像的图像子块 进行标准化,即将高分辨率声纳图像的图像子块的大小由4*4转变成16*1,接着对高分辨率声纳图像的图像子块进行归一化,即使高分辨率声纳图像的图像子块的系数值分布在[-1,1]之间;再将高分辨率声纳图像的图像子块按照1到n的顺序从右到左竖向排列成矩阵 ,其中d代表第d个带通方向子带系数;
(6)将步骤(4)中的第m幅降质样本图像的图像子块 进行标准化,即将第m幅降质样本图像的图像子块的大小由4*4转变成16*1,接着对第m幅降质样本图像的图像子块进行归一化,即使第m幅降质样本图像的图像子块的系数值分布在[-1,1]之间;再将第m幅降质样本图像的图像子块按照1到n的顺序从右到左竖向排列成矩阵 ,其中m代表第m幅降质样本图像,d代表第d个带通方向子带系数;
(7)将矩阵 、矩阵 、矩阵 和矩阵 逐个作为误差反向传播神经网络的训练输入样本矩阵,矩阵 作为误差反向传播神经网络的训练目标样本矩阵,进行4*n次神经网络训练;接着将其它的矩阵 逐个作为误差反向传播神经网络的训练输入样本矩阵,相对应的矩阵 作为误差反向传播神经网络的训练目标样本矩阵,再进行(K-1)*4*n次神经网络训练,从而得到训练好的神经网络,其中隐含层的传递函数为tansig函数,输出层的传递函数为logsig函数,网络训练函数为trainlm函数,即采用Levenberg-Marquardt最优化算法进行神经网络训练;
(8)将待超分辨率重建的声纳图像r进行立方插值,该待超分辨率重建的声纳图像r的大小为X*Y,插值后图像的大小变为2X*2Y,然后再对插值后图像进行非下采样轮廓波分解,得到1个低通子带系数和K个带通方向子带系数,再对插值后图像的K个带通方向子带系数进行分块,得到插值后图像的图像子块(),图像子块的大小为4*4,其中d代表第d个带通方向子带系数,p代表第p块图像子块,接着对插值后图像的图像子块进行标准化,即将插值后图像的图像子块的大小由4*4转变成16*1,接着再对插值后图像的图像子块进行归一化,即使插值后图像的图像子块的系数值分布在[-1,1]之间;再将插值后图像的图像子块按照1到n的顺序从右到左竖向排列成矩阵(d=1),再将插值后图像的其它图像子块也按照1到p的顺序从右到左竖向排列,得到矩阵集合;
(10)对步骤(9)中的高分辨率的带通方向子带系数的块矩阵进行逆归一化,即使高分辨率的带通方向子带系数的块矩阵的系数值还原到原先的取值范围,接着对高分辨率的带通方向子带系数的块矩阵进行逆标准化,即将高分辨率的带通方向子带系数的块矩阵的大小由16*1转变成原先的4*4,再将高分辨率的带通方向子带系数的块矩阵按照1到p的顺序合并成大小为2X*2Y的高分辨率的K个带通方向子带系数;
(11)将步骤(8)中的插值后图像作为高分辨率的低通子带系数,再将高分辨率的低通子带系数与步骤(10)中的高分辨率的各带通方向子带系数一起进行非下采样轮廓波逆变换,得到超分辨率重建的声纳图像R,从而完成对待超分辨率重建的声纳图像r的超分辨率重建。
步骤(1)中,将该幅高分辨率声纳图像,记为L,用S表示分辨率,
样本构建的具体步骤如下:
tansig函数如下所示: tansig(n) = 2/(1+exp(-2*n))-1 ,
logsig函数如下所示: logsig(n) = 1 / (1 + exp(-n)) 。
非下采样轮廓波变换的各向异性和平移不变性有利于声纳图像边缘纹理的保护,快速收敛的神经网络模拟并泛化高分辨率声纳图像的各带通方向子带系数与降质样本图像的各带通方向子带系数间的非线性映射关系。因为有外部数据的支持,添加的纹理细节更加合理并接近真实,超分辨率重建的声纳图像具有更好的边缘细节保持效果,视觉效果较好,边缘纹理较突出,有用信息量多。
附图说明
图1为本发明的超分辨率重建方法流程图;
图2为本发明的神经网络训练流程图;
图3为本发明的神经网络结构图;
图4为声纳图像的超分辨率重建结果图;
图5为图4的局部区域放大图。
具体实施方式
以下结合附图对本发明做进一步详细描述。
如图1~3所示,一种基于神经网络的声纳图像的超分辨率重建方法,对待超分辨率重建的声纳图像r进行超分辨率重建,包括以下步骤:
(1)对一幅高分辨率声纳图像进行降质样本构建,先生成该高分辨率声纳图像的4幅副本图像,再分别对该4幅副本图像进行移位和降采样,从而生成4幅降质样本图像;
(2)对步骤(1)中的高分辨率声纳图像进行非下采样轮廓波分解,得到高分辨率声纳图像的K个带通方向子带系数和1个低通子带系数;再对4幅降质样本图像依次进行非下采样轮廓波分解,每一幅降质样本图像均得到K个带通方向子带系数和1个低通子带系数,K为正整数;
(4)对步骤(2)中的高分辨率声纳图像的K个带通方向子带系数进行分块,得到高分辨率声纳图像的图像子块 ,该高分辨率声纳图像的图像子块的大小为4*4,其中d代表第d个带通方向子带系数,n代表第n块图像子块,n为正整数;接着对第m幅降质样本图像的K个带通方向子带系数进行分块,得到第m幅降质样本图像的图像子块 ,该第m幅降质样本图像的图像子块的大小为4*4,其中 m代表第m幅降质样本图像,d代表第d个带通方向子带系数,n代表第n块图像子块,n为正整数;
(5)将步骤(4)中的高分辨率声纳图像的图像子块 进行标准化,即将高分辨率声纳图像的图像子块的大小由4*4转变成16*1,接着对高分辨率声纳图像的图像子块进行归一化,即使高分辨率声纳图像的图像子块的系数值分布在[-1,1]之间;再将高分辨率声纳图像的图像子块按照1到n的顺序从右到左竖向排列成矩阵 ,其中d代表第d个带通方向子带系数;
(6)将步骤(4)中的第m幅降质样本图像的图像子块 进行标准化,即将第m幅降质样本图像的图像子块的大小由4*4转变成16*1,接着对第m幅降质样本图像的图像子块进行归一化,即使第m幅降质样本图像的图像子块的系数值分布在[-1,1]之间;再将第m幅降质样本图像的图像子块按照1到n的顺序从右到左竖向排列成矩阵 ,其中m代表第m幅降质样本图像,d代表第d个带通方向子带系数;
(7)将矩阵 、矩阵 、矩阵 和矩阵 逐个作为误差反向传播(BP)神经网络的训练输入样本矩阵,矩阵 作为误差反向传播(BP)神经网络的训练目标样本矩阵,进行4*n次神经网络训练;接着将其它的矩阵 逐个作为误差反向传播神经网络的训练输入样本矩阵,相对应的矩阵 作为误差反向传播神经网络的训练目标样本矩阵,再进行(K-1)*4*n次神经网络训练,从而得到训练好的神经网络,其中隐含层的传递函数为tansig函数,输出层的传递函数为logsig函数,网络训练函数为trainlm函数,即采用Levenberg-Marquardt最优化算法进行神经网络训练;
(8)将待超分辨率重建的声纳图像r进行立方插值,该待超分辨率重建的声纳图像r的大小为X*Y,插值后图像的大小变为2X*2Y,然后再对插值后图像进行非下采样轮廓波分解,得到1个低通子带系数和K个带通方向子带系数,再对插值后图像的K个带通方向子带系数进行分块,得到插值后图像的图像子块(),图像子块的大小为4*4,其中d代表第d个带通方向子带系数,p代表第p块图像子块,接着对插值后图像的图像子块进行标准化,即将插值后图像的图像子块的大小由4*4转变成16*1,接着再对插值后图像的图像子块进行归一化,即使插值后图像的图像子块的系数值分布在[-1,1]之间;再将插值后图像的图像子块按照1到n的顺序从右到左竖向排列成矩阵(d=1),再将插值后图像的其它图像子块也按照1到p的顺序从右到左竖向排列,得到矩阵集合;
(10)对步骤(9)中的高分辨率的带通方向子带系数的块矩阵进行逆归一化,即使高分辨率的带通方向子带系数的块矩阵的系数值还原到原先的取值范围,接着对高分辨率的带通方向子带系数的块矩阵进行逆标准化,即将高分辨率的带通方向子带系数的块矩阵的大小由16*1转变成原先的4*4,再将高分辨率的带通方向子带系数的块矩阵按照1到p的顺序合并成大小为2X*2Y的高分辨率的K个带通方向子带系数;
(11)将步骤(8)中的插值后图像作为高分辨率的低通子带系数,再将高分辨率的低通子带系数与步骤(10)中的高分辨率的各带通方向子带系数一起进行非下采样轮廓波逆变换,得到超分辨率重建的声纳图像R,从而完成对待超分辨率重建的声纳图像r的超分辨率重建。
步骤(1)中,将该幅高分辨率声纳图像,记为L,用S表示分辨率,
样本构建的具体步骤如下:
1)将该幅高分辨率声纳图像L分别在水平方向上平移x个像素,在垂直反向上平移y个像素,其中,得到4幅位移图像;
tansig函数如下所示: tansig(n) = 2/(1+exp(-2*n))-1 ,
logsig函数如下所示: logsig(n) = 1 / (1 + exp(-n)) 。
本发明的效果可通过以下对比实验进一步说明。
1.实验条件
采用主观和客观两种测度,对本发明提供的方法进行评估,并与双立方插值、凸集投影(POCS)和迭代反投影(IBP)方法进行对比实验。实验数据是由声纳设备MSTL在华盛顿湖164英尺的湖底获取的飞行器图,声纳工作频率为600 kHz。计算机硬件配置为Pentium(R)4,主频3GHz,软件平台为Matlab R2007。
2.实验内容
本发明在具体实施时,非下采样轮廓波的分解层数及每层分解的方向数的选取有较大的灵活性,但每层的方向数应为2的幂数。多尺度分解层数通常可取为2,按照从低分辨率层到高分辨率层,方向分解数通常可取为4和8,尺度分解的1D原型滤波器组一般采用‘9-7’滤波器,方向分解的1D原型滤波器组一般采用‘dmaxflat’滤波器。
A.主观实验,如图4、图5所示。
图4(a)是待超分辨率重建的声纳图像,大小为128*128。
图4(b)是本发明超分辨率重建的声纳图像,其中非下采样金字塔滤波器和方向滤波器分别为‘maxflat’和‘dmaxflat7’,方向数分别为4和8;图4(c)是对图4(a)进行立方插值后的声纳图像;图4(d)是采用IBP方法超分辨率重建的声纳图像,迭代的次数为40;图4(e)采用POCS方法超分辨率重建的声纳图像,迭代次数为10。
从视觉效果看,本发明超分辨率重建的声纳图像4(b)的边缘更为清晰完整,纹理更分明,没有震荡条纹,噪声也较少。立方插值后的声纳图像4(c)的边缘较平滑,纹理较弱。IBP方法超分辨率重建的声纳图像4(d)的有用信息量较少,边缘模糊。POCS方法超分辨率重建的声纳图像4(e)的边缘呈现点状,纹理信息较少。
为了更清晰说明效果,对超分辨率重建的声纳图像的局部区域进行放大比较,如图5所示。本发明的局部放大图5(a)的边缘突出,纹理信息更加突出和丰富。立方插值方法的局部放大图5(b)的边缘平滑,纹理特征较突出。IBP方法的局部放大图5(c)的边缘马赛克现象比较明显。POCS方法的局部放大图5(d)的边缘较明显,但纹理弱。
B.客观实验,如表1所示。
表1给出了各种方法得到的声纳图像的超分辨率重建结果图的标准偏差、梯度和信息熵,并且进行了定量比较。通常,标准偏差越大,图像的灰度级分布越均匀,目视效果越好;梯度越大,图像的细节反差越大,纹理特征更为突出,清晰度较高;信息熵越大,图像的信息量越丰富。本发明具有最高的标准偏差值和信息熵值,表明其灰度分布均匀,信息量较多,目视效果较好。表1的定量分析与前面的主观视觉效果相一致,说明了本发明提供方法的有效性。
表1 超分辨率重建的声纳图像的质量参数
方法 | 凸集投影 | 立方插值 | 本发明 |
标准偏差 | 24.9017 | 26.4959 | 30.8370 |
梯度 | 3.1371 | 3.6878 | 6.9359 |
信息熵 | 5.1048 | 5.5105 | 5.6015 |
Claims (5)
1.一种基于神经网络的声纳图像的超分辨率重建方法,其特征在于:对待超分辨率重建的声纳图像r进行超分辨率重建,包括以下步骤:
(1)对一幅高分辨率声纳图像进行降质样本构建,先生成该高分辨率声纳图像的4幅副本图像,再分别对该4幅副本图像进行移位和降采样,从而生成4幅降质样本图像;
(2)对步骤(1)中的高分辨率声纳图像进行非下采样轮廓波分解,得到高分辨率声纳图像的K个带通方向子带系数和1个低通子带系数;再对4幅降质样本图像依次进行非下采样轮廓波分解,每一幅降质样本图像均得到K个带通方向子带系数和1个低通子带系数,K为正整数;
(4)对步骤(2)中的高分辨率声纳图像的K个带通方向子带系数进行分块,得到高分辨率声纳图像的图像子块 ,该高分辨率声纳图像的图像子块的大小为4*4,其中d代表第d个带通方向子带系数,n代表第n块图像子块,n为正整数;接着对第m幅降质样本图像的K个带通方向子带系数进行分块,得到第m幅降质样本图像的图像子块 ,该第m幅降质样本图像的图像子块的大小为4*4,其中 m代表第m幅降质样本图像,d代表第d个带通方向子带系数,n代表第n块图像子块,n为正整数;
(5)将步骤(4)中的高分辨率声纳图像的图像子块 进行标准化,即将高分辨率声纳图像的图像子块的大小由4*4转变成16*1,接着对高分辨率声纳图像的图像子块进行归一化,即使高分辨率声纳图像的图像子块的系数值分布在[-1,1]之间;再将高分辨率声纳图像的图像子块按照1到n的顺序从右到左竖向排列成矩阵 ,其中d代表第d个带通方向子带系数;
(6)将步骤(4)中的第m幅降质样本图像的图像子块 进行标准化,即将第m幅降质样本图像的图像子块的大小由4*4转变成16*1,接着对第m幅降质样本图像的图像子块进行归一化,即使第m幅降质样本图像的图像子块的系数值分布在[-1,1]之间;再将第m幅降质样本图像的图像子块按照1到n的顺序从右到左竖向排列成矩阵 ,其中m代表第m幅降质样本图像,d代表第d个带通方向子带系数;
(7)将矩阵 、矩阵 、矩阵 和矩阵 逐个作为误差反向传播神经网络的训练输入样本矩阵,矩阵 作为误差反向传播神经网络的训练目标样本矩阵,进行4*n次神经网络训练;接着将其它的矩阵 逐个作为误差反向传播神经网络的训练输入样本矩阵,相对应的矩阵 作为误差反向传播神经网络的训练目标样本矩阵,再进行(K-1)*4*n次神经网络训练,从而得到训练好的神经网络,其中隐含层的传递函数为tansig函数,输出层的传递函数为logsig函数,网络训练函数为trainlm函数,即采用Levenberg-Marquardt最优化算法进行神经网络训练;
(8)将待超分辨率重建的声纳图像r进行立方插值,该待超分辨率重建的声纳图像r的大小为X*Y,插值后图像的大小变为2X*2Y,然后再对插值后图像进行非下采样轮廓波分解,得到1个低通子带系数和K个带通方向子带系数,再对插值后图像的K个带通方向子带系数进行分块,得到插值后图像的图像子块(),图像子块的大小为4*4,其中d代表第d个带通方向子带系数,p代表第p块图像子块,接着对插值后图像的图像子块进行标准化,即将插值后图像的图像子块的大小由4*4转变成16*1,接着再对插值后图像的图像子块进行归一化,即使插值后图像的图像子块的系数值分布在[-1,1]之间;再将插值后图像的图像子块按照1到n的顺序从右到左竖向排列成矩阵(d=1),再将插值后图像的其它图像子块也按照1到p的顺序从右到左竖向排列,得到矩阵集合;
(9)依次将矩阵集合中的矩阵输入步骤(7)中训练好的误差反向传播神经网络,依次输出高分辨率的带通方向子带系数的块矩阵;
(10)对步骤(9)中的高分辨率的带通方向子带系数的块矩阵进行逆归一化,即使高分辨率的带通方向子带系数的块矩阵的系数值还原到原先的取值范围,接着对高分辨率的带通方向子带系数的块矩阵进行逆标准化,即将高分辨率的带通方向子带系数的块矩阵的大小由16*1转变成原先的4*4,再将高分辨率的带通方向子带系数的块矩阵按照1到p的顺序合并成大小为2X*2Y的高分辨率的K个带通方向子带系数;
5. 根据权利要求1所述的基于神经网络的声纳图像的超分辨率重建方法,其特征在于:tansig函数如下所示: tansig(n) = 2/(1+exp(-2*n))-1 ,
logsig函数如下所示: logsig(n) = 1 / (1 + exp(-n)) 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110052542A CN102142136B (zh) | 2011-03-05 | 2011-03-05 | 基于神经网络的声纳图像的超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110052542A CN102142136B (zh) | 2011-03-05 | 2011-03-05 | 基于神经网络的声纳图像的超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102142136A true CN102142136A (zh) | 2011-08-03 |
CN102142136B CN102142136B (zh) | 2012-09-05 |
Family
ID=44409624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110052542A Expired - Fee Related CN102142136B (zh) | 2011-03-05 | 2011-03-05 | 基于神经网络的声纳图像的超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102142136B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692625A (zh) * | 2012-05-15 | 2012-09-26 | 哈尔滨工程大学 | 一种Rn空间中的水底目标回波和混响的特征联合建模方法 |
CN103325123A (zh) * | 2013-07-09 | 2013-09-25 | 江南大学 | 一种基于自适应神经模糊推理系统的图像边缘检测方法 |
CN104123722A (zh) * | 2014-07-08 | 2014-10-29 | 东北大学 | 一种核磁图像超分辨率的系统及方法 |
CN105354611A (zh) * | 2015-10-08 | 2016-02-24 | 程涛 | 一种基于人工神经网络的最佳质量图像扫描方法及系统 |
CN105574832A (zh) * | 2015-12-11 | 2016-05-11 | 上海交通大学 | 基于迭代方向滤波器组可逆深度卷积网络结构 |
CN105960657A (zh) * | 2014-06-17 | 2016-09-21 | 北京旷视科技有限公司 | 使用卷积神经网络的面部超分辨率 |
CN106033594A (zh) * | 2015-03-11 | 2016-10-19 | 日本电气株式会社 | 基于卷积神经网络所获得特征的空间信息恢复方法及装置 |
CN106780341A (zh) * | 2016-12-28 | 2017-05-31 | 辽宁师范大学 | 基于轮廓波的五阶自导向超分辨率重建方法 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
CN108053391A (zh) * | 2017-11-22 | 2018-05-18 | 华中科技大学 | 一种识别神经元重建错误的方法 |
CN110060204A (zh) * | 2019-04-29 | 2019-07-26 | 江南大学 | 一种基于可逆网络的单一图像超分辨率方法 |
CN110611821A (zh) * | 2019-10-14 | 2019-12-24 | 安徽大学 | 一种改善低码率视频编码器图像质量的技术方案 |
CN111161156A (zh) * | 2019-11-28 | 2020-05-15 | 东南大学 | 一种基于深度学习的水下桥墩病害图像分辨率增强方法 |
CN111586412A (zh) * | 2020-05-06 | 2020-08-25 | 华为技术有限公司 | 高清视频处理方法、主设备、从设备和芯片系统 |
CN112686807A (zh) * | 2021-01-12 | 2021-04-20 | 中国科学院长春光学精密机械与物理研究所 | 一种图像超分辨率重构方法及系统 |
CN113096017A (zh) * | 2021-04-14 | 2021-07-09 | 南京林业大学 | 基于深度坐标注意力网络模型的图像超分辨率重建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1857161A (zh) * | 2006-06-08 | 2006-11-08 | 上海交通大学 | 用多能量放射源ct成像实现脏器表面彩色映射的方法 |
CN1952953A (zh) * | 2006-11-16 | 2007-04-25 | 上海交通大学 | 基于受限玻尔兹曼机神经网络的人脸姿态识别方法 |
WO2008012749A2 (en) * | 2006-07-25 | 2008-01-31 | Koninklijke Philips Electronics, N.V. | Method and apparatus for curved multi-slice display |
CN101336831A (zh) * | 2008-08-13 | 2009-01-07 | 汕头超声仪器研究所 | 实时三维医学超声图像的重建方法 |
CN101697236A (zh) * | 2009-10-21 | 2010-04-21 | 南昌航空大学 | 基于智能优化算法的直线光流场三维重建方法 |
-
2011
- 2011-03-05 CN CN201110052542A patent/CN102142136B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1857161A (zh) * | 2006-06-08 | 2006-11-08 | 上海交通大学 | 用多能量放射源ct成像实现脏器表面彩色映射的方法 |
WO2008012749A2 (en) * | 2006-07-25 | 2008-01-31 | Koninklijke Philips Electronics, N.V. | Method and apparatus for curved multi-slice display |
CN1952953A (zh) * | 2006-11-16 | 2007-04-25 | 上海交通大学 | 基于受限玻尔兹曼机神经网络的人脸姿态识别方法 |
CN101336831A (zh) * | 2008-08-13 | 2009-01-07 | 汕头超声仪器研究所 | 实时三维医学超声图像的重建方法 |
CN101697236A (zh) * | 2009-10-21 | 2010-04-21 | 南昌航空大学 | 基于智能优化算法的直线光流场三维重建方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692625A (zh) * | 2012-05-15 | 2012-09-26 | 哈尔滨工程大学 | 一种Rn空间中的水底目标回波和混响的特征联合建模方法 |
CN103325123A (zh) * | 2013-07-09 | 2013-09-25 | 江南大学 | 一种基于自适应神经模糊推理系统的图像边缘检测方法 |
CN105960657A (zh) * | 2014-06-17 | 2016-09-21 | 北京旷视科技有限公司 | 使用卷积神经网络的面部超分辨率 |
CN104123722A (zh) * | 2014-07-08 | 2014-10-29 | 东北大学 | 一种核磁图像超分辨率的系统及方法 |
CN104123722B (zh) * | 2014-07-08 | 2017-02-01 | 东北大学 | 一种核磁图像超分辨率的系统及方法 |
CN106033594B (zh) * | 2015-03-11 | 2018-11-13 | 日本电气株式会社 | 基于卷积神经网络所获得特征的空间信息恢复方法及装置 |
CN106033594A (zh) * | 2015-03-11 | 2016-10-19 | 日本电气株式会社 | 基于卷积神经网络所获得特征的空间信息恢复方法及装置 |
CN105354611B (zh) * | 2015-10-08 | 2018-01-09 | 程涛 | 一种基于人工神经网络的最佳质量图像扫描方法及系统 |
CN105354611A (zh) * | 2015-10-08 | 2016-02-24 | 程涛 | 一种基于人工神经网络的最佳质量图像扫描方法及系统 |
CN105574832B (zh) * | 2015-12-11 | 2019-11-15 | 上海交通大学 | 基于迭代方向滤波器组可逆深度卷积网络结构 |
CN105574832A (zh) * | 2015-12-11 | 2016-05-11 | 上海交通大学 | 基于迭代方向滤波器组可逆深度卷积网络结构 |
CN106780341A (zh) * | 2016-12-28 | 2017-05-31 | 辽宁师范大学 | 基于轮廓波的五阶自导向超分辨率重建方法 |
CN106780341B (zh) * | 2016-12-28 | 2020-12-01 | 辽宁师范大学 | 基于轮廓波的五阶自导向超分辨率重建方法 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
CN108053391B (zh) * | 2017-11-22 | 2020-06-23 | 华中科技大学 | 一种识别神经元重建错误的方法 |
CN108053391A (zh) * | 2017-11-22 | 2018-05-18 | 华中科技大学 | 一种识别神经元重建错误的方法 |
CN110060204A (zh) * | 2019-04-29 | 2019-07-26 | 江南大学 | 一种基于可逆网络的单一图像超分辨率方法 |
CN110611821A (zh) * | 2019-10-14 | 2019-12-24 | 安徽大学 | 一种改善低码率视频编码器图像质量的技术方案 |
CN111161156A (zh) * | 2019-11-28 | 2020-05-15 | 东南大学 | 一种基于深度学习的水下桥墩病害图像分辨率增强方法 |
CN111586412A (zh) * | 2020-05-06 | 2020-08-25 | 华为技术有限公司 | 高清视频处理方法、主设备、从设备和芯片系统 |
CN111586412B (zh) * | 2020-05-06 | 2022-07-26 | 华为技术有限公司 | 高清视频处理方法、主设备、从设备和芯片系统 |
CN112686807A (zh) * | 2021-01-12 | 2021-04-20 | 中国科学院长春光学精密机械与物理研究所 | 一种图像超分辨率重构方法及系统 |
CN113096017A (zh) * | 2021-04-14 | 2021-07-09 | 南京林业大学 | 基于深度坐标注意力网络模型的图像超分辨率重建方法 |
CN113096017B (zh) * | 2021-04-14 | 2022-01-25 | 南京林业大学 | 基于深度坐标注意力网络模型的图像超分辨率重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102142136B (zh) | 2012-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102142136B (zh) | 基于神经网络的声纳图像的超分辨率重建方法 | |
CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN103093433B (zh) | 基于区域划分和字典学习的自然图像去噪方法 | |
CN113284051B (zh) | 一种基于频率分解多注意力机制的人脸超分辨方法 | |
CN112801889B (zh) | 图像去噪方法、系统、设备及存储介质 | |
CN102158637A (zh) | 基于Surfacelet变换域的空间自适应阈值视频去噪方法 | |
CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
CN108230280A (zh) | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 | |
CN114545494B (zh) | 基于稀疏约束的无监督地震数据重建方法及装置 | |
Payan et al. | Mean square error approximation for wavelet-based semiregular mesh compression | |
CN108428221A (zh) | 一种基于shearlet变换的邻域双变量阈值去噪方法 | |
CN107133921B (zh) | 基于多层次邻域嵌入的图像超分辨率重建方法及系统 | |
CN114022356A (zh) | 基于小波域的河道流量水位遥感图像超分辨率方法与系统 | |
CN102196155B (zh) | 基于Surfacelet变换的系数自适应收缩视频去噪方法 | |
CN116957940A (zh) | 基于轮廓波知识引导网络的多尺度图像超分辨率重建方法 | |
CN116029908A (zh) | 基于跨模态和跨尺度特征融合的3d磁共振超分辨率方法 | |
Entezarmahdi et al. | Stationary image resolution enhancement on the basis of contourlet and wavelet transforms by means of the artificial neural network | |
CN112907456B (zh) | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 | |
Lu et al. | Smoothing denoising method of spatial filtering image based on Contourlet transform | |
CN103747268B (zh) | 一种分层自适应阈值视频去噪方法 | |
Huang et al. | DF3Net: Dual frequency feature fusion network with hierarchical transformer for image inpainting | |
CN113902618B (zh) | 一种基于多模态空间滤波的图像超分算法 | |
CN113781340B (zh) | 一种基于深度网络模型的合成孔径雷达图像散斑抑制系统 | |
Sang et al. | Contourlet transform based seismic signal denoising via multi-scale information distillation network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120905 Termination date: 20200305 |
|
CF01 | Termination of patent right due to non-payment of annual fee |