CN102629373A - 基于稀疏表示理论的超分辨率图像获取方法 - Google Patents
基于稀疏表示理论的超分辨率图像获取方法 Download PDFInfo
- Publication number
- CN102629373A CN102629373A CN2012100458716A CN201210045871A CN102629373A CN 102629373 A CN102629373 A CN 102629373A CN 2012100458716 A CN2012100458716 A CN 2012100458716A CN 201210045871 A CN201210045871 A CN 201210045871A CN 102629373 A CN102629373 A CN 102629373A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- dictionary
- resolution
- resolution image
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明属于计算机视觉技术领域。提供一种节省时间等消耗,能得到高质量图象的图像超分辨率获取方法,本发明采取的技术方案是,基于稀疏理论的超分辨率方法,通过选择与输入图像SIFT特征点匹配最多的图像作为构建过完备字典的训练图像集,训练得到细节更为丰富的字典,依据稀疏表示理论将低分辨率图像进行稀疏表示,依据压缩感知理论从稀疏表示的低分辨率图像恢复得到更高分辨率的图像。本发明主要应用于高分辨率的图像的获取。
Description
技术领域
本发明属于计算机视觉技术领域,涉及稀疏表示理论、压缩感知理论及单张图像实现图像超分辨率方法,具体讲涉及基于稀疏表示理论的超分辨率图像获取方法。
背景技术
长期以来,通过低分辨图像恢复到高分辨率图像已在关键技术上取得了重要突破,已经趋于成熟并在电子图像、互联网视频、数字电视等多个领域获得广泛应用。然而,传统的方法做超分辨率图像需要多张输入图像,或者通过单张图像恢复得到的高分辨率图像,分辨率也有待提高。基于稀疏表示理论的图像超分辨率方法则可达到更高的分辨率,并且只需要一张输入图像。相关研究在近年来开始成为研究热点。基于稀疏表示理论的图像超分辨率技术在高清图像、高清度电视、视频图像高分辨率、遥感、医学和安全监控等领域有着广泛应用。国际上多所著名大学与研究机构如伊利诺伊大学,牛津大学,香港理工大学,萨里大学,微软研究院人工智能与机器人研究所等都在该领域有着深度的研究。现阶段,基于稀疏理论的超分辨率技术由于非常依赖于构造的过完备字典而难以获得用户满意的超分辨率效果。其中,要得到细节更为丰富的字典,一种方法是采用更多的训练图像,但这样会使字典的构造时间耗费巨大;另一种方法是选择某个相关图像类作为构造字典的训练图像。伊利诺伊大学(Jianchao Yang,John Wright,Yi Ma,Thomas Huang,Wilburn B.Image Super-Resolution asSparse Representation of Raw Image Patches.Proceedings of IEEE Conference on ComputerVision and Pattern Recognition,Washington,DC,USA,2008.23-28.)通过该方法实现了单张图像基于稀疏理论的超分辨率放大。但是该方法得到的结果图像质量有待提高,该过程所需时间也有待缩短。
发明内容
本发明旨在解决克服现有技术的不足,提供一种节省时间等消耗,能得到高质量图象的图像超分辨率获取方法,本发明采取的技术方案是,基于稀疏表示理论的超分辨率图像获取方法,包括以下步骤:
1)对于输入图像,通过SIFT特征点提取和匹配的方法从图像库中选取特征点匹配最多的图像构造训练集;
2)对训练集中的图像和其下采样得到的低分辨率图像分别采样取一定数量的补丁,并对其稀疏编码构造训练字典Dh和采样训练字典Dl;
3)将训练得到的采样训练字典Dl作为稀疏化中的过完备字典,对输入的低分辨率图像进行稀疏表示;
4)依据压缩感知理论中图像恢复的理论,利用训练字典Dh和步骤3)中得到的稀疏解恢复得到高分辨率图像。
SIFT特征点提取与特征点匹配的方法具体包括以下步骤:
11)通过SIFT算法计算提取输入的低分辨率图像的特征点;
12)对图像库里的每一幅图像,分别计算提取其SIFT特征点;
13)用SIFT特征点匹配算法,将步骤11)中低分辨率图像的特征点和步骤12)中每一幅图像的特征点进行匹配,选取其中特征点匹配最多的几幅图像,以此构造训练图像集。
对训练图像采样,并稀疏编码,构造训练字典Dh和采样训练字典Dl,具体方法包括以下步骤:
21)对训练集中的图像进行采样一定数量的补丁,得到补丁集Xh={x1,x2,...xn};
22)对训练集中的图像下采样得到对应的低分辨率图像,对其采样一定数量的补丁,得到另一补丁集Yl={y1,y2,...yn};
23)分别对补丁集Xh和另一补丁集Yl稀疏编码,构造字典训练字典Dh和采样训练字典Dl,方法为:
其中,Z是一个n×m的矩阵,用Z的一范数来保证稀疏性,m、n为正整数,参数λ用来平衡重建的精度和前一项的差距。
对输入的低分辨率图像y通过以下方法进行稀疏表示最终得到稀疏解α:
其中,F为特征提取算子,用来提提供一个α与y的接近程度的约束,s.t.表示使得....;满足...,ε为一个极小的参数,表示可允许的差值范围。
对步骤4)中得到的稀疏解α,用以下方法恢复得到高分辨图像:x=Dhα。
本发明的方法的特点及效果:
本发明方法提高了整个图像超分辨率过程所需要的时间以及提高了图像放大后的分辨率,通过选择最相关的少数图像做构造字典的图像训练集,实现了字典构造时间的缩短,从而缩短整个超分辨率过程所需的时间,实现了字典细节更为丰富,使图像放大后的分辨率更高。具有以下特点:
1、程序简单,易于实现。
2、针对输入图像,通过比较SIFT特征点的方法选择匹配点最多的少数图像作为训练图像集。
3、所需要的训练图像少,系统运行时间短,得到的图像分辨率高。
本发明可以采用单张图像实现图像超分辨率。所提出的方法具有很好的可扩展性:可以通过简单地加入更多的匹配图像来获得更高分辨率的放大图像。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的基于稀疏表示理论的图像超分辨率方法流程图;
图2为本发明实施例采用所提出的发明方法和其他两种方法对普通图像做超分辨率的结果;
图3为本发明实施例采用所提出的发明方法和其他两种方法对荧光图像做超分辨率的结果。
具体实施方式
本发明将单张图像做超分辨率转化为稀疏理论的图像稀疏表示与恢复问题求解,其中用于稀疏的过完备字典构造由于训练图像与输入图像的相关性更强,包含了更丰富的细节,实现了图像的超分辨率。所得结果具有用时少,分辨率更高的特点。
本发明的基于稀疏理论的图像超分辨率方法,其特征在于:通过选择与输入图像SIFT特征点匹配最多的图像作为构建过完备字典的训练图像集,训练得到细节更为丰富的字典,依据稀疏表示理论将低分辨率图像进行稀疏表示,依据压缩感知理论从稀疏表示的低分辨率图像恢复得到更高分辨率的图像。具体方法包括以下步骤:
1)对于输入图像,通过SIFT特征点提取和匹配的方法从图像库中选取特征点匹配最多的图像构造训练集。SIFT特征点匹配的方法具体包括以下步骤:
11)通过SIFT算法计算提取输入的低分辨率图像的特征点;
12)对图像库里的每一幅图像,分别计算提取其SIFT特征点;
13)用SIFT特征点匹配算法,将11)中低分辨率图像的特征点和12)中每一幅图像的特征点进行匹配,选取其中特征点匹配最多的几幅图像,以此构造训练图像集。
2)对训练集中的图像和其下采样得到的低分辨率图像分别采样取一定数量的补丁,并对其稀疏编码构造训练字典Dh和Dl。具体方法包括以下步骤:
21)对训练集中的图像进行采样一定数量的补丁,得到补丁集Xh={x1,x2,...xn};
22)对训练集中的图像下采样得到对应的低分辨率图像,对其采样一定数量的补丁,得到补丁集Yl={y1,y2,...yn};
23)分别对补丁集Xh和Yl稀疏编码,构造字典Dh,Dl,方法为:
其中,Z是一个n*m的矩阵,用他的一范数来保证稀疏性。
3)将训练得到的字典Dl作为稀疏化中的过完备字典,对输入的低分辨率图像进行稀疏表示。具体实现如下:
其中,F为特征提取算子,用来提提供一个α与y的接近程度的约束。
4)依据压缩感知理论中图像恢复的理论,利用Dh和3)中得到的稀疏解恢复得到高分辨率图像。具体方法如下:
x=Dhα
本发明提出了一种基于稀疏理论的图像超分辨率方法,结合附图及实施例详细说明如下:
实现本发明方法的系统实施例为:一张普通人脸图像和一张荧光显微图像。通过选择与输入图像SIFT特征点匹配最多的图像作为构建过完备字典的训练图像集,训练得到细节更为丰富的字典,依据稀疏表示理论将低分辨率图像进行稀疏表示,依据压缩感知理论从稀疏表示的低分辨率图像恢复得到更高分辨率的图像。如图1所示,为本发明实施例的基于稀疏理论的图像超分辨率方法流程图,包括以下步骤:
1)对于输入图像,通过SIFT特征点提取和匹配的方法从图像库中选取特征点匹配最多的图像构造训练集。SIFT特征点匹配的方法具体包括以下步骤:
11)通过SIFT算法计算提取输入的低分辨率图像的特征点;
12)对图像库里的每一幅图像,分别计算提取其SIFT特征点;
13)用SIFT特征点匹配算法,将11)中低分辨率图像的特征点和12)中每一幅图像的特征点进行匹配,选取其中特征点匹配最多的几幅图像,以此构造训练图像集。
2)对训练集中的图像和其下采样得到的低分辨率图像分别采样取一定数量的补丁,并对其稀疏编码构造训练字典Dh和Dl。具体方法包括以下步骤:
21)对训练集中的图像进行采样一定数量的补丁,得到补丁集Xh={x1,x2,...xn};
22)对训练集中的图像下采样得到对应的低分辨率图像,对其采样一定数量的补丁,得到补丁集Yl={y1,y2,...yn};
23)分别对补丁集Xh和Yl稀疏编码,构造字典Dh,Dl,方法为:
其中,Z是一个n*m的矩阵,用他的一范数来保证稀疏性,m、n为正整数,参数λ用来平衡重建的精度和前一项的差距。
3)将训练得到的字典Dl作为稀疏化中的过完备字典,对输入的低分辨率图像y进行稀疏表示。具体实现如下:
其中,F为特征提取算子,用来提提供一个α与y的接近程度的约束,s.t.表示使得....;满足...。
4)依据压缩感知理论中图像恢复的理论,利用Dh和3)中得到的稀疏解恢复得到高分辨率图像。具体方法如下:
x=Dhα
本实施例对人脸图像最终放大结果及与其他方法的比较如图2所示,其中,(a)图为输入图像,(b)图为采用双三次插值方法得到的放大结果;(c)图为采用本发明方法选择最佳匹配的前10张图像做训练集得到的放大结果;(d)图为采用本发明方法选择最佳匹配的前20张图像做训练集得到的放大结果。
如图3所示,为采用所提出的发明方法与其他方法对荧光显微图像的放大结果的比较。其中,(a)图为输入图像,(b)图为采用双三次插值方法得到的放大结果;(c)图为采用本发明方法选择最佳匹配的前10张图像做训练集得到的放大结果;(d)图为采用本发明方法选择最佳匹配的前20张图像做训练集得到的放大结果。
选取最佳匹配图像构造训练集是本发明的一个必要技术特征,没有这个步骤后面步骤无从谈起,本发明是包括选取最佳匹配图像构造训练集及后续步骤的一个完整的技术方案,这个方案是若干必要技术特征的组合,不会因其中一个或多个必要技术特征被公开而破坏本发明的专利性,除非公开了全部的必要技术特征,甚至其组合,并且使得本发明之组合变得显而易见,否则自当属于本说明书表述的范围之内。
Claims (5)
1.一种基于稀疏表示理论的超分辨率图像获取方法,其特征是,包括以下步骤:
1)对于输入图像,通过SIFT特征点提取和匹配的方法从图像库中选取特征点匹配最多的图像构造训练集;
2)对训练集中的图像和其下采样得到的低分辨率图像分别采样取一定数量的补丁,并对其稀疏编码构造训练字典Dh和采样训练字典Dl;
3)将训练得到的采样训练字典Dl作为稀疏化中的过完备字典,对输入的低分辨率图像进行稀疏表示;
4)依据压缩感知理论中图像恢复的理论,利用训练字典Dh和步骤3)中得到的稀疏解恢复得到高分辨率图像。
2.如权利要求1所述方法,其特征是,SIFT特征点提取与特征点匹配的方法具体包括以下步骤:
11)通过SIFT算法计算提取输入的低分辨率图像的特征点;
12)对图像库里的每一幅图像,分别计算提取其SIFT特征点;
13)用SIFT特征点匹配算法,将步骤11)中低分辨率图像的特征点和步骤12)中每一幅图像的特征点进行匹配,选取其中特征点匹配最多的几幅图像,以此构造训练图像集。
3.如权利要求1所述方法,其特征是,对训练图像采样,并稀疏编码,构造训练字典Dh和采样训练字典Dl,具体方法包括以下步骤:
21)对训练集中的图像进行采样一定数量的补丁,得到补丁集Xh={x1,x2,...xn};
22)对训练集中的图像下采样得到对应的低分辨率图像,对其采样一定数量的补丁,得到另一补丁集Yl={y1,y2,...yn};
23)分别对补丁集Xh和另一补丁集Yl稀疏编码,构造字典训练字典Dh和采样训练字典Dl,方法为:
其中,Z是一个n×m的矩阵,用Z的一范数来保证稀疏性,m、n为正整数,参数λ用来平衡重建的精度和前一项的差距。
4.如权利要求1所述方法,其特征是,对输入的低分辨率图像y通过以下方法进行稀疏表示最终得到稀疏解α:
其中,F为特征提取算子,用来提提供一个α与y的接近程度的约束,s.t.表示使得....;满足...,ε为一个极小的参数,表示可允许的差值范围。
5.如权利要求1所述方法,其特征是,对步骤4)中得到的稀疏解α,用以下方法恢复得到高分辨图像:x=Dhα。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210045871.6A CN102629373B (zh) | 2012-02-27 | 2012-02-27 | 基于稀疏表示理论的超分辨率图像获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210045871.6A CN102629373B (zh) | 2012-02-27 | 2012-02-27 | 基于稀疏表示理论的超分辨率图像获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102629373A true CN102629373A (zh) | 2012-08-08 |
CN102629373B CN102629373B (zh) | 2014-05-28 |
Family
ID=46587631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210045871.6A Expired - Fee Related CN102629373B (zh) | 2012-02-27 | 2012-02-27 | 基于稀疏表示理论的超分辨率图像获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102629373B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968766A (zh) * | 2012-11-23 | 2013-03-13 | 上海交通大学 | 基于字典数据库的自适应图像超分辨率重构方法 |
CN103020935A (zh) * | 2012-12-10 | 2013-04-03 | 宁波大学 | 一种自适应在线字典学习的图像超分辨率方法 |
CN103400346A (zh) * | 2013-07-18 | 2013-11-20 | 天津大学 | 基于自适应的超像素导向自回归模型的视频超分辨率方法 |
CN103473797A (zh) * | 2013-09-16 | 2013-12-25 | 电子科技大学 | 基于压缩感知采样数据修正的空域可缩小图像重构方法 |
CN103530860A (zh) * | 2013-09-26 | 2014-01-22 | 天津大学 | 基于自适应的自回归模型的高光谱图像超分辨率方法 |
CN103561264A (zh) * | 2013-11-07 | 2014-02-05 | 北京大学 | 一种基于云计算的媒体解码方法及解码器 |
CN103914823A (zh) * | 2012-12-31 | 2014-07-09 | 复旦大学 | 基于稀疏表示的快速精确非线性配准立体医学影像的方法 |
CN104766273A (zh) * | 2015-04-20 | 2015-07-08 | 重庆大学 | 一种基于压缩感知理论的红外图像超分辨率重建方法 |
CN104969257A (zh) * | 2012-12-06 | 2015-10-07 | 日本电气株式会社 | 图像处理设备和图像处理方法 |
CN105392009A (zh) * | 2015-11-27 | 2016-03-09 | 四川大学 | 基于块自适应采样和超分辨率重建的低码率图像编码方法 |
CN105654425A (zh) * | 2015-12-07 | 2016-06-08 | 天津大学 | 一种应用于医学x光图像的单幅图像超分辨率重建方法 |
WO2017004890A1 (zh) * | 2015-07-08 | 2017-01-12 | 北京大学深圳研究生院 | 基于迭代投影重建的字典类图像超分辨率系统及方法 |
CN106407884A (zh) * | 2016-08-18 | 2017-02-15 | 电子科技大学 | 一种快速协同匹配的有遮挡人脸识别方法 |
US9811946B1 (en) | 2016-05-30 | 2017-11-07 | Hong Kong Applied Science and Technology Research Institute Company, Limited | High resolution (HR) panorama generation without ghosting artifacts using multiple HR images mapped to a low resolution 360-degree image |
WO2020015330A1 (zh) * | 2018-07-20 | 2020-01-23 | 哈尔滨工业大学(深圳) | 基于增强的神经网络的图像复原方法、存储介质及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556690A (zh) * | 2009-05-14 | 2009-10-14 | 复旦大学 | 基于词典学习和稀疏表示的超分辨率算法 |
US20100124377A1 (en) * | 2008-11-19 | 2010-05-20 | Nec Laboratories America, Inc. | Linear spatial pyramid matching using sparse coding |
CN102354397A (zh) * | 2011-09-19 | 2012-02-15 | 大连理工大学 | 基于面部特征器官相似性的人脸图像超分辨率重建方法 |
-
2012
- 2012-02-27 CN CN201210045871.6A patent/CN102629373B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100124377A1 (en) * | 2008-11-19 | 2010-05-20 | Nec Laboratories America, Inc. | Linear spatial pyramid matching using sparse coding |
CN101556690A (zh) * | 2009-05-14 | 2009-10-14 | 复旦大学 | 基于词典学习和稀疏表示的超分辨率算法 |
CN102354397A (zh) * | 2011-09-19 | 2012-02-15 | 大连理工大学 | 基于面部特征器官相似性的人脸图像超分辨率重建方法 |
Non-Patent Citations (3)
Title |
---|
JIANCHAO YANG等: "Image Super-Resolution Via Sparse Representation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 19, no. 11, 31 October 2010 (2010-10-31), pages 2861 - 2873 * |
JIANCHAO YANG等: "Linear spatial pyramid matching using sparse coding for image classification", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION- CVPR》, 31 December 2009 (2009-12-31), pages 1794 - 1801 * |
宋慧慧: "基于稀疏表示的图像超分辨率重建算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 9, 30 September 2011 (2011-09-30), pages 138 - 810 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968766B (zh) * | 2012-11-23 | 2015-04-08 | 上海交通大学 | 基于字典数据库的自适应图像超分辨率重构方法 |
CN102968766A (zh) * | 2012-11-23 | 2013-03-13 | 上海交通大学 | 基于字典数据库的自适应图像超分辨率重构方法 |
CN104969257B (zh) * | 2012-12-06 | 2018-08-28 | 日本电气株式会社 | 图像处理设备和图像处理方法 |
CN104969257A (zh) * | 2012-12-06 | 2015-10-07 | 日本电气株式会社 | 图像处理设备和图像处理方法 |
CN103020935A (zh) * | 2012-12-10 | 2013-04-03 | 宁波大学 | 一种自适应在线字典学习的图像超分辨率方法 |
CN103020935B (zh) * | 2012-12-10 | 2015-09-02 | 宁波大学 | 一种自适应在线字典学习的图像超分辨率方法 |
CN103914823B (zh) * | 2012-12-31 | 2017-07-11 | 复旦大学 | 基于稀疏表示的快速精确非线性配准立体医学影像的方法 |
CN103914823A (zh) * | 2012-12-31 | 2014-07-09 | 复旦大学 | 基于稀疏表示的快速精确非线性配准立体医学影像的方法 |
CN103400346A (zh) * | 2013-07-18 | 2013-11-20 | 天津大学 | 基于自适应的超像素导向自回归模型的视频超分辨率方法 |
CN103400346B (zh) * | 2013-07-18 | 2016-12-28 | 天津大学 | 基于自适应的超像素导向自回归模型的视频超分辨率方法 |
CN103473797B (zh) * | 2013-09-16 | 2016-04-20 | 电子科技大学 | 基于压缩感知采样数据修正的空域可缩小图像重构方法 |
CN103473797A (zh) * | 2013-09-16 | 2013-12-25 | 电子科技大学 | 基于压缩感知采样数据修正的空域可缩小图像重构方法 |
CN103530860B (zh) * | 2013-09-26 | 2017-05-17 | 天津大学 | 基于自适应的自回归模型的高光谱图像超分辨率方法 |
CN103530860A (zh) * | 2013-09-26 | 2014-01-22 | 天津大学 | 基于自适应的自回归模型的高光谱图像超分辨率方法 |
CN103561264A (zh) * | 2013-11-07 | 2014-02-05 | 北京大学 | 一种基于云计算的媒体解码方法及解码器 |
CN104766273A (zh) * | 2015-04-20 | 2015-07-08 | 重庆大学 | 一种基于压缩感知理论的红外图像超分辨率重建方法 |
WO2017004890A1 (zh) * | 2015-07-08 | 2017-01-12 | 北京大学深圳研究生院 | 基于迭代投影重建的字典类图像超分辨率系统及方法 |
CN105392009A (zh) * | 2015-11-27 | 2016-03-09 | 四川大学 | 基于块自适应采样和超分辨率重建的低码率图像编码方法 |
CN105392009B (zh) * | 2015-11-27 | 2019-04-16 | 四川大学 | 基于块自适应采样和超分辨率重建的低码率图像编码方法 |
CN105654425A (zh) * | 2015-12-07 | 2016-06-08 | 天津大学 | 一种应用于医学x光图像的单幅图像超分辨率重建方法 |
US9811946B1 (en) | 2016-05-30 | 2017-11-07 | Hong Kong Applied Science and Technology Research Institute Company, Limited | High resolution (HR) panorama generation without ghosting artifacts using multiple HR images mapped to a low resolution 360-degree image |
WO2017210987A1 (en) * | 2016-05-30 | 2017-12-14 | Hong Kong Applied Science & Technology Research Institute Company, Limited | High resolution (hr) panorama generation without ghosting artifacts using multiple hr images mapped to a low-resolution 360-degree image |
CN106407884A (zh) * | 2016-08-18 | 2017-02-15 | 电子科技大学 | 一种快速协同匹配的有遮挡人脸识别方法 |
WO2020015330A1 (zh) * | 2018-07-20 | 2020-01-23 | 哈尔滨工业大学(深圳) | 基于增强的神经网络的图像复原方法、存储介质及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102629373B (zh) | 2014-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102629373B (zh) | 基于稀疏表示理论的超分辨率图像获取方法 | |
CN106204449B (zh) | 一种基于对称深度网络的单幅图像超分辨率重建方法 | |
CN103077511B (zh) | 基于字典学习和结构相似的图像超分辨率重建方法 | |
US10339633B2 (en) | Method and device for super-resolution image reconstruction based on dictionary matching | |
CN103049885B (zh) | 一种利用分析性稀疏表示的超分辨率图像重建方法 | |
CN106920214B (zh) | 空间目标图像超分辨率重建方法 | |
CN102750677B (zh) | 基于同尺度结构自相似与压缩感知的单图像超分辨率方法 | |
CN103295197B (zh) | 基于字典学习和双边正则的图像超分辨率重建方法 | |
CN104574336B (zh) | 基于自适应亚模字典选择的超分辨率图像重建系统 | |
CN103593825B (zh) | 基于改进的非局部约束和局部自相似性的图像超分辨方法 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN101901472B (zh) | 一种基于矩阵秩最小化的非刚性鲁棒批量图像对齐方法 | |
CN102693419B (zh) | 基于多流形判别分析超分辨率的人脸识别方法 | |
CN101556690A (zh) | 基于词典学习和稀疏表示的超分辨率算法 | |
CN110290387A (zh) | 一种基于生成模型的图像压缩方法 | |
CN103606136B (zh) | 基于关键帧和非局部约束的视频超分辨方法 | |
CN103714526A (zh) | 基于稀疏多流形嵌入的超分辨率图像重构方法 | |
EP1594072A3 (en) | A system and method for GUI supported specifications for automating form field extraction with database mapping | |
Zhang et al. | Efficient sparse representation based image super resolution via dual dictionary learning | |
CN103839242A (zh) | 一种基于高维索引的图像快速超分辨率增强方法 | |
CN103914816A (zh) | 一种基于非局部正则化和关键帧的视频超分辨方法 | |
CN106447609A (zh) | 一种基于深度卷积神经网络的图像超分辨方法 | |
CN103473797A (zh) | 基于压缩感知采样数据修正的空域可缩小图像重构方法 | |
CN108492252A (zh) | 基于二次重建的人脸图像超分辨率重建方法 | |
CN104252703A (zh) | 基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140528 Termination date: 20210227 |
|
CF01 | Termination of patent right due to non-payment of annual fee |