CN102156875B - 基于多任务ksvd字典学习的图像超分辨率重构方法 - Google Patents
基于多任务ksvd字典学习的图像超分辨率重构方法 Download PDFInfo
- Publication number
- CN102156875B CN102156875B CN 201110074133 CN201110074133A CN102156875B CN 102156875 B CN102156875 B CN 102156875B CN 201110074133 CN201110074133 CN 201110074133 CN 201110074133 A CN201110074133 A CN 201110074133A CN 102156875 B CN102156875 B CN 102156875B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- dictionary
- low
- 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.)
- Active
Links
Images
Abstract
本发明公开了一种多任务KSVD字典学习的图像超分辨率重构方法,主要解决现有方法在高放大因子下重构图像质量下降比较严重的问题。其步骤为:输入训练图像,对其进行滤波提取特征;抽取特征小块构造特征向量集合并聚类,得到K对高分辨与低分辨样本对集{(H1,L1),(H2,L2),...(HK,LK)};利用KSVD方法从K组样本对集合中训练出K个高分辨字典Dh1,Dh2...DhK和相应的低分辨字典Dl1,Dl2...DlK;对输入的低分辨率图像在低分辨字典Dl1,Dl2...DlK下进行编码;利用编码和高分辨字典Dh1,Dh2...DhK得到初始重构图像,并对其进行局部约束优化,残差补偿和全局优化处理,得到最终重构图像。本发明能够对各种自然图像进行重构,并且在高放大因子条件下能够有效提高重构图像质量,可用于人物、动物、植物、建筑等目标对象的恢复和识别。
Description
技术领域
本发明属于图像处理技术领域,涉及一种图像的超分辨率重构方法,即通过学习低分辨率图像和高分辨率图像之间的关系,从输入的单幅低分辨率图像中重构出其对应的高分辨率图像,可用于各类自然图像的超分辨率重构。
背景技术
超分辨率图像重构可以看作是从一幅或多幅低分辨率图像中重构出对应的高分辨率图像的一个逆问题。为了解决这个问题,一些传统的基于模型的方法被提出:如MAP(maximum a-posteriori)方法,极大似然估计法,凸集投影法POCS等。但是这些传统的方法会产生过平滑现象以及锯齿效应,并且在高放大因子条件下重构图像的质量下降比较严重。因此,Freeman等提出了一种基于学习的重构方法,其主要是通过马尔科夫随机模型和先验知识来学习低分辨率图像和高分辨率图像之间的关系,从一幅低分辨率图像重构出其对应的高分辨率图像,但是这种方法不能很好地保持高分辨重构图像的边界信息。Sun等人则对这种方法进行了扩展,其主要是通过使用一些原始的轮廓先验知识来去除边界和细节的平滑现象,但是这种方法仍需要大量的低分辨率图像和高分辨率图像块以保证先验轮廓细节信息的充分性,计算量巨大,图像重构时间长,导致效率偏低。另外以上这些的算法都是基于单任务的重构算法,和多任务算法相比,不能进行多个任务之间的信息共享,导致图像重构效果偏差。
发明内容
本发明的目的在于克服上述已有技术的缺点,提出一种基于局部约束和多任务KSVD字典学习的超分辨率图像重构方法,以缩短图像重构时间,提高重构图像的效率和质量。
为实现上述目的,本发明的技术方案是首先引入几十幅各种类别的训练图像,包括植物、动物、人和建筑,并且每一幅高分辨率图像都对应一幅低分辨率图像;利用KSVD算法将这些图像训练成K对字典;然后利用多任务重构的方法,将输入的低分辨率图像重构成高分辨率图像。具体步骤包括:
(1)输入一组低分辨率和高分辨率的训练图像,并对其进行滤波提取特征,再抽取10万对图像小块构造一个矩阵M,将该矩阵分成K类,得到K个聚类中心C1,C2...CK,以及K对初始的高分辨率与低分辨率字典集合Y={(H1,L1),(H2,L2),...(HK,LK)},其中Hi,i=1,2...K为初始的高分辨率字典,Li,i=1,2...K为初始的低分辨率字典;
其中,Y为输入的初始字典的集合,D为目标训练字典的集合,X表示稀疏分解系数矩阵,为任意第i列,Xi为稀疏系数矩阵X的第i列,||Xi||0为Xi的0范数,为求解Y-DX的2范数平方,T0为稀疏度控制系数;
(3)输入一副低分辨率图像Q,对其滤波提取特征后,取特征图像的一个小块q,分别计算q和步骤(1)中得到的K个聚类中心C1,C2...CK之间的欧式距离:d1,d2...dK,对d1,d2...dK取倒数并归一化,得到K个权值w1,w2...wK;
(4)利用低分辨率图像小块q和目标训练字典集合{(Dh1,Dl1),(Dh2,Dl2),...(DhK,DlK)}中取出的低分辨字典Dl1,Dl2...DlK,分别求解低分辨字典Dl1,Dl2...DlK所对应的稀疏分解系数a1,a2...aK,其求解公式为:Subject to ||a||0≤T1,其中i=1,2...K,T1为稀疏度控制系数;
(5)利用系数a1,a2...aK和目标训练字典集合{(Dh1,Dl1),(Dh2,Dl2),...(DhK,DlK)}中的高分辨率字典Dh1,Dh2...DhK,分别求解低分辨率图像小块q在K个高分辨率字典下对应的高分辨率图像小块x1,x2...xK,其求解公式为xi=Dhiai,i=1,2...K;
(6)利用权值w1,w2...wK对所述的x1,x2...xK进行加权求和,得到高分辨率图像小块:
(7)重复步骤(3)到步骤(6),对所有的输入图像小块依次处理,得到初始重构高分辨率图像Z;
(8)对初始重构高分辨率图像Z中的一个图像小块xi利用如下公式进行局部约束优化处理:
i∈Global_D,j∈local_region_D
其中,xi为图像Z中以i为中心的一个图像方块,xj为xi周围局部范围内以j为中心的图像小块,h为控制参数用来控制权值随着像素点i和j之间距离增加的下降速度,h越大权值下降速度越慢,反之权值下降速度越快,ε为极小约束,Z(i)为图像块xj对图像块xi的权值之和,x(Ni)和x(Nj)分别为图像小块xi和xj中所有的像素点的值,为图像小块xi和xj之间的欧氏距离;
(9)重复步骤(8),对初始重构高分辨率图像Z中的所有图像小块依次处理,得到局部约束优化后的高分辨率重构图像Z′;
(10)对高分辨率重构图像Z′进行残差补偿处理,得到残差补偿后的图像Z″;
(11)对残差补偿后的图像Z″进行全局优化处理,得到最终重构高分辨率图像Z*。本发明与现有的技术相比具有以下优点:
本发明由于利用KSVD算法训练字典,提取训练图像的各种特征信息,从而减少了字典原子的个数,缩短图像重构时间,提高了重构效率;同时由于本发明在利用多任务学习算法重构图像时,多个任务之间可以相互学习,从而提高了重构图像的质量;本发明对重构图像进行了一个局部约束优化和残差补偿,可以进一步提高重构图像质量;此外由于本发明可以对各种自然图像进行重构,包括植物、动物、人、建筑物,从而克服传统基于模型的算法对于各种输入图像兼容性不强的问题。
实验证明,本发明适用于各种自然图像的超分辨率重构,且重构图像的细节纹理信息都保持的比较好。
附图说明
图1是本发明的总流程图;
图2是本发明的权值计算子流程图;
图3是本发明仿真采用的植物训练图像;
图4是本发明仿真采用的动物训练图像;
图5是本发明仿真采用的人物训练图像;
图6是本发明仿真采用的建筑训练图像;
图7是用本发明对Lena图像重构的仿真效果图;
图8是用本发明对Pepper图像重构的仿真效果图;
图9是用本发明对Bobcat图像重构的仿真效果图;
图10是用本发明对Athens图像重构的仿真效果图;
图11是用本发明和其它各种方法图像重构的仿真效果对比图。
具体实施方法
参照附图1,本发明的具体步骤如下:
步骤1.对训练图像进行预处理和分类
1b)从图3、图4、图5和图6中随机抽取10万对图像小块,构造一个矩阵M,利用K-means算法将矩阵M中的图像小块分成5类,但不限于5类,得到5对初始的高分辨率字典H1,H2,H3,H4,H5和低分辨率字典L1,L2,L3,L4,L5,以及5个聚类中心C1,C2,C3,C4,C5,但不限于5对初始字典和5个聚类中心。
步骤2.利用KSVD算法对初始高分辨率字典H1,H2,H3,H4,H5和低分辨率字典L1,L2,L3,L4,L5进行训练,得到训练后的高分辨率字典Dh1,Dh2,Dh3,Dh4,Dh5和低分辨率字典Dl1,Dl2,Dl3,Dl4,Dl5
本实例是对所选的5对初始字典进行训练,但不限于5对初始字典,也可以对其它数目的初始字典进行训练,训练步骤如下:
2b)对总的优化公式中的进行变形得到:
其中,Y为输入的初始字典的集合,D为目标训练字典的集合,X表示稀疏分解系数矩阵,dj为D的第j列原子,为X的第j行,N为D的总列数,dk为D的第k列原子,为X的第k行,Ek为不使用D的第k列原子dk进行信号稀疏分解所产生的误差矩阵;
2c)对变形后的公式乘以矩阵Ωk,得到目标分解公式
2e)用左奇异矩阵U的第一列去更新目标训练字典D的第k列原子dk;
2f)重复步骤2c)到步骤2e)对D中所有原子进行更新处理,得到5对新的高分辨率字典Dh1,Dh2,Dh3,Dh4,Dh5和低分辨率字典Dl1,Dl2,Dl3,Dl4,Dl5。
步骤3.输入低分辨率图像并计算每个图像小块对应的权值
参照图2,本步骤的具体实现如下:
3b)任取特征图像的一个小块q,其大小为3*3,分别计算q和步骤1中得到的5个聚类中心C1,C2,C3,C4,C5之间的欧式距离:d1,d2,d3,d4,d5,并对d1,d2,d3,d4,d5取倒数得到1/d1,1/d2,1/d3,1/d4,1/d5,再对1/d1,1/d2,1/d3,1/d4,1/d5进行归一化处理得到5个权值w1,w2,w3,w4,w5。
步骤4.多任务图像重构
4a)利用低分辨率字典Dl1,Dl2,Dl3,Dl4,Dl5和低分辨率图像小块q,分别求解低分辨率字典Dl1,Dl2,Dl3,Dl4,Dl5对应的稀疏分解系数a1,a2,a3,a4,a5,其求解公式为:Subject to ||a||0≤T1,i=1,2,3,4,5;
4b)利用高分辨率字典Dh1,Dh2,Dh3,Dh4,Dh5和系数a1,a2,a3,a4,a5,分别求解高分辨率图像小块x1,x2,x3,x4,x5,其求解公式为xi=Dhiai,i=1,2,3,4,5;
4d)重复步骤4a)到步骤4c),对所有的输入低分辨率图像小块依次处理,得到初始重构高分辨率图像Z。
步骤5.对初始重构高分辨率图像进行局部约束优化处理
5a)对初始重构高分辨率图像Z中的一个图像小块xi利用如下公式进行局部约束优化处理:
i∈Global_D,j∈local_region_D
其中,xi为图像Z中以i为中心的一个图像方块,xj为xi周围局部范围内以j为中心的图像小块,h为控制参数用来控制权值随着像素点i和j之间距离增加的下降速度,h越大权值下降速度越慢,反之权值下降速度越快,ε为极小约束,Z(i)为图像块xj对图像块xi的权值之和,x(Ni)和x(Nj)分别为图像小块xi和xj中所有的像素点的值,为图像小块xi和xj之间的欧氏距离;
5b)重复步骤(5a),对初始重构高分辨率图像Z中的所有图像小块依次处理,得到局部约束优化后的高分辨率重构图像Z′。
步骤6.对高分辨率重构图像进行残差补偿处理
按如下公式对高分辨率重构图像Z′进行残差补偿处理,得到残差补偿后的高分辨率重构图像Z″:
Z″=Z′+ΔHR
ΔHR=M′×ΔLR
ΔLR=Q-Q′
Q′=M×Z′
其中,Z′为补偿前的高分辨率图像,ΔHR为残差高分辨率图像,ΔLR为残差低分辨率图像,M′为图像二次插值降质模型,M为随机下采样矩阵,Q为原始低分辨图像,Q′为Z′下采样得到的低分辨率图像。
步骤7.对残差补偿后的高分辨率图像进行全局优化处理,得到最终重构高分辨率图像Z*:
其中,Z0为原始高分辨率图像,DH为残差补偿后的高分辨率图像Z″的下采样矩阵,Q为输入的低分辨率图像。
本发明的效果可以通过以下实验进一步说明:
1)实验条件
本实验采用标准测试图像Lena、Pepper、Bobcat、Athens、Girl作为实验数据,采用软件MATLAB 7.0作为仿真工具,计算机配置为Intel Core2/1.8G/1G。
2)实验内容
2a)分别利用Bicubic插值算法、MaYi算法和本发明的算法,对各类输入测试图像进行重构:
首先,对Lena图像进行重构,结果如图7所示,其中图7(a)为输入低分辨率图像、图7(b)为Bicubic插值算法结果、图7(c)为MaYi算法结果、图7(d)为本发明的结果;
其次,对Pepper图像进行重构,结果如图8所示,其中图8(a)为输入低分辨率图像、图8(b)为Bicubic插值算法结果、图8(c)为MaYi算法结果、图8(d)为本发明的结果;
再次,对Bobcat图像进行重构,结果如图9所示,其中图9(a)为输入低分辨率图像、图9(b)为Bicubic插值算法结果、图9(c)为MaYi算法结果、图9(d)为本发明的结果;
最后,对Athens图像进行重构,结果如图10所示,其中图10(a)为输入低分辨率图像、图10(b)为Bicubic插值算法结果、图10(c)为MaYi算法结果、图10(d)为本发明的结果。
2b)分别利用S.Dai算法、MaYi算法、单任务算法和本发明对测试图像Girl进行重构,得到如图11所示结果,其中图11(a)为输入低分辨率图像、图11(b)S.Dai算法结果、图11(c)为MaYi算法结果、图11(d)为单任务算法的结果、图11(e)为本发明结果、图11(f)为原始的高分辨率图像。
3)实验结果分析
从图7、图8、图9、图10可以看出,本发明在重构图像的视觉效果上要优于其它方法,图像的纹理细节信息都保持的比较好,并且对于各种类型的输入图像如Lena、Pepper、Bobcat、Athens,都可以得到很好的重构效果;
从图11可以看出无论是和传统的基于模型的S.Dai算法比较,还是和最近的基于学习的MaYi算法进行比较,在视觉效果上本发明都要优于它们。
Claims (4)
1.一种基于多任务KSVD字典学习的图像超分辨率重构方法,包括如下步骤:
(1)输入一组低分辨率和高分辨率的训练图像,并对其进行滤波提取特征,再抽取10万对图像小块构造一个矩阵M,将该矩阵分成K类,得到K个聚类中心C1,C2...CK,以及K对初始的高分辨率与低分辨率字典集合Y={(H1,L1),(H2,L2),(HK,LK)},其中Hi,i=1,2....K为初始的高分辨率字典,Li,i=1,2....K为初始的低分辨率字典;
其中,Y={(H1,L1),(H2,L2),...(HK,LK)}为输入的初始字典的集合,D为训练后的高分辨率与低分辨率字典的集合,X表示稀疏分解系数矩阵,为任意第i列,Xi为稀疏分解系数矩阵X的第i列,‖Xi‖0为Xi的0范数,为求解Y-DX的2范数平方,T0为稀疏度控制系数;
(3)输入一副低分辨率图像Q,对其滤波提取特征后,取图像的一个小块q,分别计算q和步骤(1)中得到的K个聚类中心C1,C2...CK之间的欧式距离:d1,d2...dK,对d1,d2...dK取倒数并归一化,得到K个权值w1,w2...wK;
(4)利用低分辨率图像小块q和目标训练字典集合{(Dh1,Dl1),(Dh2,Dl2),...(DhK)}中取出的低分辨率字典Dl1,Dl2...DlK,分别求低分辨率字典Dl1,Dl2...DlK所对应的稀疏分解系数a1,a2...aK,其求解公式为: 其中i=1,2....K,T1为稀疏度控制系数;
(5)利用系数a1,a2...aK和目标训练字典集合{(Dh1,Dl1),(Dh2,Dl2),...(DhK,DlK)}中的高分辨率字典Dh1,Dh2...DhK,分别求解低分辨率图像小块q在K个高分辨率字典下对应的高分辨率图像小块x1,x2...xK,其求解公式为xi=Dhiai,i=1,2....K;
(6)利用权值w1,w2...wK对所述的x1,x2...xK进行加权求和,得到高分辨率图像小块:
(7)重复步骤(3)到步骤(6),对所有的输入低分辨率图像小块依次处理,得到初始重构高分辨率图像Z;
(8)对初始重构高分辨率图像Z中的一个图像小块xi利用如下公式进行局部约束优化处理:
i∈Global_D,j∈local_region_D
其中,xi为图像Z中以i为中心的一个图像方块,xj为xi周围局部范围内以j为中心的图像小块,h为控制参数用来控制权值随着像素点i和j之间距离增加的下降速度,h越大权值下降速度越慢,反之权值下降速度越快,ε为极小约束,x(Ni)和x(Nj)分别为图像小块xi和xj中所有的像素点的值,为图像小块xi和xj之间的欧氏距离;
(9)重复步骤(8),对初始重构高分辨率图像Z中的所有图像小块依次处理,得到局部约束优化后的高分辨率重构图像Z′;
(10)对局部约束优化后的高分辨率重构图像Z′进行残差补偿处理,得到残差补偿后的图像Z″;
(11)对残差补偿后的图像Z″进行全局优化处理,得到最终重构高分辨率图像Z*。
其中,Y为输入的初始字典的集合,D为目标训练字典的集合,X表示稀疏分解系数矩阵,dj为D的第j列原子,为X的第j行,N为D的总列数,dk为D的第k列原子,为X的第k行,Ek为去掉D的第k列原子dk得到的字典进行信号稀疏分解所产生的误差矩阵;
2d)用左奇异矩阵U的第一列去更新D的第k列原子dk,同理依次对k取值从1到N对D中所有原子进行更新处理,得到K对字典Dh1,Dh2...DhK和Dl1,Dl2...DlK。
3.根据权利要求1所述的基于多任务KSVD字典学习的超分辨率图像重构方法,其中步骤(10)所述的对高分辨率重构图像Z′进行残差补偿处理,按如下公式进行:
Z″=Z′+ΔHR
ΔHR=M′×ΔLR
ΔLR=Q-Q′
Q′=M×Z′
其中,Z′为局部约束优化后的高分辨率重构图像,ΔHR为残差高分辨率图像,ΔLR为残差低分辨率图像,M′为图像二次插值降质模型,M为随机下采样矩阵,Q为原始低分辨图像,Q′为Z′下采样得到的低分辨率图像。
4.根据权利要求1所述的基于多任务KSVD字典学习的图像超分辨率重构方法,其中步骤(11)所述的对残差补偿后的图像Z″进行全局优化处理,按如下公式进行:
其中,Z0为原始高分辨率图像,DH为残差补偿后的高分辨率图像Z″的下采样矩阵,Q为输入的低分辨率图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110074133 CN102156875B (zh) | 2011-03-25 | 2011-03-25 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110074133 CN102156875B (zh) | 2011-03-25 | 2011-03-25 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102156875A CN102156875A (zh) | 2011-08-17 |
CN102156875B true CN102156875B (zh) | 2013-04-03 |
Family
ID=44438365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110074133 Active CN102156875B (zh) | 2011-03-25 | 2011-03-25 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102156875B (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332153B (zh) * | 2011-09-13 | 2013-06-12 | 西安电子科技大学 | 基于核回归的图像压缩感知重构方法 |
CN103167284B (zh) * | 2011-12-19 | 2017-08-11 | 中国电信股份有限公司 | 一种基于画面超分辨率的视频流传输方法及系统 |
CN102592267B (zh) * | 2012-01-06 | 2014-09-03 | 复旦大学 | 基于稀疏表示的医学超声图像滤波方法 |
CN102722876B (zh) * | 2012-05-29 | 2014-08-13 | 杭州电子科技大学 | 一种基于残差的图像超分辨率重建方法 |
CN102930518B (zh) * | 2012-06-13 | 2015-06-24 | 上海汇纳信息科技股份有限公司 | 基于改进的稀疏表示的图像超分辨率方法 |
CN102800076B (zh) * | 2012-07-16 | 2015-03-04 | 西安电子科技大学 | 基于双字典学习的图像超分辨重建方法 |
CN102831581A (zh) * | 2012-07-27 | 2012-12-19 | 中山大学 | 一种超分辨率图像重构的方法 |
GB2506172B (en) * | 2012-09-24 | 2019-08-28 | Vision Semantics Ltd | Improvements in resolving video content |
CN102968759A (zh) * | 2012-11-19 | 2013-03-13 | 中山大学 | 一种基于组稀疏编码的图像放大方法 |
CN103136728B (zh) * | 2012-12-14 | 2015-09-02 | 西安电子科技大学 | 基于字典学习和非局部总变差的图像超分辨方法 |
CN103093444B (zh) * | 2013-01-17 | 2015-05-20 | 西安电子科技大学 | 基于自相似性和结构信息约束的图像超分辨重建方法 |
CN103093445B (zh) * | 2013-01-17 | 2015-04-08 | 西安电子科技大学 | 基于联合稀疏约束的统一特征空间图像超分辨重建方法 |
CN103489203A (zh) * | 2013-01-31 | 2014-01-01 | 清华大学 | 基于字典学习的图像编码方法及系统 |
CN103218795B (zh) * | 2013-05-05 | 2015-09-02 | 西安电子科技大学 | 基于自适应双字典学习的部分k空间序列图像重构方法 |
CN103455988B (zh) * | 2013-09-17 | 2016-03-02 | 西安电子科技大学 | 基于结构自相似性与稀疏表示的超分辨率图像重构方法 |
CN103530863B (zh) * | 2013-10-30 | 2017-01-11 | 广东威创视讯科技股份有限公司 | 一种多级重构的图像超分辨率方法 |
WO2015180054A1 (zh) * | 2014-05-28 | 2015-12-03 | 北京大学深圳研究生院 | 一种基于图像超分辨率的视频编解码方法及装置 |
CN104123707B (zh) * | 2014-08-07 | 2017-05-10 | 重庆大学 | 一种基于局部秩先验的单幅图像超分辨率重建方法 |
CN104408697B (zh) * | 2014-10-23 | 2017-05-31 | 西安电子科技大学 | 基于遗传算法和正则先验模型的图像超分辨重建方法 |
CN104677309B (zh) * | 2015-03-24 | 2017-04-26 | 哈尔滨理工大学 | 基于稀疏表达的强反射表面编码光测量的高光抑制方法 |
CN104883567B (zh) * | 2015-06-09 | 2017-12-12 | 武汉大学 | 一种基于过完备字典的视频监控图像压缩方法 |
CN106651772B (zh) * | 2016-11-25 | 2020-06-16 | 宁波大学 | 一种卫星云图的超分辨率重建方法 |
WO2018119565A1 (zh) * | 2016-12-26 | 2018-07-05 | 深圳大学 | 一种桶形畸变图像的矫正重构方法及装置 |
CN106780342A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
CN108171656A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于稀疏表示的自适应全局字典遥感图像超分辨方法 |
US11004178B2 (en) | 2018-03-01 | 2021-05-11 | Nvidia Corporation | Enhancing high-resolution images with data from low-resolution images |
CN110619603B (zh) * | 2019-08-29 | 2023-11-10 | 浙江师范大学 | 一种优化稀疏系数的单幅图像超分辨率方法 |
CN110675318B (zh) * | 2019-09-10 | 2023-01-03 | 中国人民解放军国防科技大学 | 一种基于主结构分离的稀疏表示图像超分辨率重建方法 |
CN112241768A (zh) * | 2020-11-25 | 2021-01-19 | 广东技术师范大学 | 一种基于深度分解字典学习的精细图像分类方法 |
CN113267757B (zh) * | 2021-05-17 | 2022-03-08 | 电子科技大学 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
CN116028838B (zh) * | 2023-01-09 | 2023-09-19 | 广东电网有限责任公司 | 一种基于聚类算法的能源数据处理方法、装置及终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551902A (zh) * | 2009-05-15 | 2009-10-07 | 武汉大学 | 基于学习的压缩视频超分辨率的特征匹配方法 |
CN101799919A (zh) * | 2010-04-08 | 2010-08-11 | 西安交通大学 | 一种基于pca对齐的正面人脸图像超分辨率重建方法 |
CN101950365A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于ksvd字典学习的多任务超分辨率图像重构方法 |
-
2011
- 2011-03-25 CN CN 201110074133 patent/CN102156875B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551902A (zh) * | 2009-05-15 | 2009-10-07 | 武汉大学 | 基于学习的压缩视频超分辨率的特征匹配方法 |
CN101799919A (zh) * | 2010-04-08 | 2010-08-11 | 西安交通大学 | 一种基于pca对齐的正面人脸图像超分辨率重建方法 |
CN101950365A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于ksvd字典学习的多任务超分辨率图像重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102156875A (zh) | 2011-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102156875B (zh) | 基于多任务ksvd字典学习的图像超分辨率重构方法 | |
CN101950365B (zh) | 基于ksvd字典学习的多任务超分辨率图像重构方法 | |
Yang et al. | DRFN: Deep recurrent fusion network for single-image super-resolution with large factors | |
Shamsolmoali et al. | Deep convolution network for surveillance records super-resolution | |
CN107358576A (zh) | 基于卷积神经网络的深度图超分辨率重建方法 | |
CN106600538A (zh) | 一种基于区域深度卷积神经网络的人脸超分辨率算法 | |
CN105488776B (zh) | 超分辨率图像重建方法和装置 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
Wen et al. | FRIST—Flipping and rotation invariant sparsifying transform learning and applications | |
CN107464217B (zh) | 一种图像处理方法及装置 | |
CN107067367A (zh) | 一种图像超分辨重建处理方法 | |
CN104599242A (zh) | 使用多尺度非局部正则的模糊核估计方法 | |
CN106157244A (zh) | 一种基于稀疏表示的QR Code图像超分辨重建方法 | |
CN112541864A (zh) | 一种基于多尺度生成式对抗网络模型的图像修复方法 | |
CN106157249A (zh) | 基于光流法和稀疏邻域嵌入的单图像超分辨率重建算法 | |
CN110210524A (zh) | 一种图像增强模型的训练方法、图像增强方法及装置 | |
Zhang et al. | Efficient sparse representation based image super resolution via dual dictionary learning | |
CN111768340A (zh) | 一种基于密集多路径网络的超分辨图像重构方法和系统 | |
Guan et al. | Srdgan: learning the noise prior for super resolution with dual generative adversarial networks | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
CN112801104A (zh) | 基于语义分割的图像像素级伪标签确定方法及系统 | |
CN104299201B (zh) | 基于遗传稀疏优化的图像重构方法 | |
CN116777764A (zh) | 一种基于扩散模型的光学遥感图像去云雾方法及系统 | |
Liu et al. | Facial image inpainting using attention-based multi-level generative network | |
CN106934398A (zh) | 基于超像素聚类和稀疏表示的图像去噪方法 |
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 |