CN102722876A - 一种基于残差的图像超分辨率重建方法 - Google Patents
一种基于残差的图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN102722876A CN102722876A CN2012101700384A CN201210170038A CN102722876A CN 102722876 A CN102722876 A CN 102722876A CN 2012101700384 A CN2012101700384 A CN 2012101700384A CN 201210170038 A CN201210170038 A CN 201210170038A CN 102722876 A CN102722876 A CN 102722876A
- Authority
- CN
- China
- Prior art keywords
- sub
- resolution
- piece
- image
- dictionary
- 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 Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于残差的图像超分辨率重建方法。本发明的具体步骤是:首先,计算原高分辨率图像与低分辨率图像经插值放大后的图像之间的残差;其次,以低分辨率图像样本特征和对应图像残差建立样本对,以低分辨率样本为基准采用K-均值对样本对进行分类,并对每一类样本对采用K-SVD方法进行训练获得低分辨率样本与图像残差的字典对;最后,根据测试样本与类中心的欧氏距离选择字典对,将与测试样本具有相近欧氏距离的各类别所重建的图像残差求加权和作为重建的最终图像残差,并结合低分辨率图像的插值结果获得高分辨率图像。本发明只需重构图像残差,结合插值图像即可重建高分辨率图像,提高了高分辨率图像边缘细节处的重建结果。
Description
技术领域
本发明属于图像处理技术领域,涉及一种对图像进行超分辨率重建的方法,具体是一种基于残差的图像超分辨率重建方法。
背景技术
图像超分辨率重建是指由输入的一幅或多幅低分辨率图像重构得到一幅高分辨率图像的方法,它充分利用了已获取的资源,与采用高性能硬件获取高分辨率图像的方法相比,具有更低的成本,在视频监控、医学成像、高清视频等各个领域有着广阔的应用前景。
超分辨率重建是一个典型的病态反问题,对于只有单帧低分辨率图像时,就转变成求解欠定方程的问题。为改善重建性能,可在求解过程中考虑先验知识,以消除很多人工痕迹,但是在重建细节丰富的图像时仍不能取得令人满意的结果;为了重建视觉上令人满意的高分辨率图像,许多先验知识被应用到超分辨率重建中,典型的方法是正则化超分辨率重建,比较著名的正则化先验是采用全变分,该方法对于分段平滑的边缘结构能取得较好的重建结果,但是对于细节丰富的边缘通常有阶梯状人工痕迹;最近提出的先验知识是图像具有稀疏性,图像被字典的原子展开成一个稀疏表达式,顾名思义就是展开系数的大多数系数接近于0,用学习得到的字典用于超分辨率重建,典型的方法是学习获得图像的高、低分辨率字典,对于测试的低分辨率图像子块,求解其在低分辨率字典上的表示系数,再利用低分辨率图像子块与高分辨率子块的流形一致性,使用低分辨率子块的表示系数重构出高分辨率图像子块,但是其在图像边缘细节会也出现重建噪声。
发明内容
本发明的目的是提供一种有效的图像超分辨率重建方法,以改善重建质量,特别是图像边缘细节处的重建结果。
为解决上述技术问题,本发明提供的技术方案如下:
首先,计算原高分辨率图像与低分辨率图像经插值放大后的图像之间的残差;其次,以低分辨率图像样本特征和对应图像残差建立样本对,以低分辨率样本为基准采用K均值对样本对进行分类,并将每一类样本对采用KSVD方法进行训练获得低分辨率样本与图像残差的字典对;最后,根据测试样本与类中心的欧氏距离选择字典对,将与测试样本具有相近欧氏距离的各类别所重建的图像残差求加权和作为重建的最终图像残差,并结合低分辨率图像的插值结果获得高分辨率图像。
下面详细给出该发明技术方案中的各个细节说明:
步骤(1)计算残差,具体是:
将用于训练的低分辨率样本图像y插值放大得到图像Xb,图像Xb与原高分辨率图像具有相同尺寸,将图像Xb与原高分辨率图像X之间的差值即Xr=X-Xb作为图像残差;
步骤(2)获得低分辨率训练样本图像与高分辨率图像残差的字典对,具体是:
计算低分辨率训练样本图像的一阶、二阶梯度图像,将梯度图像分块,以梯度值作为低分辨率图像子块的特征;将图像残差分块,以子块残差作为高分辨率图像子块的特征,训练字典对,它由低分辨率字典和高分辨率字典构成。
训练时,对输入的每个高、低分辨率图像特征子块向量化,得到各自向量化的特征子块样本集合,分别记为{x ri}和{y i},其中x ri表示图像残差特征子块,y i表示低分辨率图像特征子块, i=1,…,N,N是子块数。
对低分辨率特征子块样本集合{y i}进行分类,先计算每个y i的方差值,按给定的方差阈值△进行分类,阈值△可通过对集合{y i}进行方差统计获得。
对于方差小于或等于阈值△的低分辨率图像特征子块样本组成一个集合{y i0},由其对应的高分辨率特征子块样本获得集合{x ri0},将集合{x ri0}和集合{y i0}构成高、低分辨率子块样本对,采用K-SVD学习算法得到高分辨率字典D h0 、低分辨率字典D l0 。高分辨率字典D h0 和低分辨率字典D l0 构成字典对。
对于方差大于阈值△的集合{y i}、{x ri},此时的样本数量仍相当大,采用K-均值聚类算法对方差大于阈值的集合{y i}进行分类。通过对{y i}聚类分成K类样本,各类对应的{x ri}也同样分成了K类样本,则得到K类高、低分辨率子块样本对{x rik}、{y ik}以及{y ik}的聚类中心{C k},k=1,2,…,K。分别对各类子块样本对采用K-SVD训练得到K对高、低分辨率字典D hk 和D lk 。
步骤(3)超分辨率重建高分辨率图像,具体是:
对样本对进行分类学习后,可得K+1对高、低分辨率字典。对低分辨率测试图像y t 重建时,先对y t 分块,每个子块进行超分辨率重建时必须选用合适的字典进行稀疏分解与高分辨率图像重建,采用 分解低分辨率测试图像子块y ti ,其中D ls 是选择的最适合的低分辨率字典,是稀疏表示矢量,是给定的误差值。对应的高分辨率残差子块x tri 重建过程采用,其中D hs 是与D ls 相对应的高分辨率字典。由子块y ti 与各聚类中心中具有最小欧氏距离的类别所对应的字典D ls 作为最适合的低分辨率字典。重建获得的是残差图像,其中M是低分辨率测试图像的子块数,R i 是子块的提取方式,T代表转置。残差图像与低分辨率插值放大后的结果相加可获得超分辨率图像;
对于输入的待重建测试图像子块y ti ,先计算图像子块的方差并根据方差选择字典,对于方差小于阈值△的子块选用D h0 、D l0 进行重建,否则根据子块与K-均值聚类中心点的距离按式(1)进行字典选择;
由式(1)确定与测试图像子块欧氏距离最小的聚类中心C s ,通过聚类中心C s 找到相应的高、低分辨率字典,进行超分辨率重建。为了使字典能更好的匹配图像子块,防止“临界子块”影响重建结果,对由各“临界子块”重建的残差进行加权求和。这里的“临界子块”是指一个子块与两个或多个聚类中心的距离都很相近,“临界子块”判断规则为:计算子块与每个聚类中心的欧氏距离,记距离为d j ,下标j根据欧氏距离的大小排序,欧氏距离最小的为1,下标随欧氏距离增加依次递增,根据d 1与d j 的比值确定子块是否临近,即:
为了将重建子块更好的重构,采用多个字典进行重建。对测试子块y ti 与多个聚类中心相近时,分别采用多个字典进行分解重构,最后根据y ti 与多个聚类中心的相近程度分配权值,对重建的残差进行加权求和,得到最终的高分辨率图像的残差子块。权重计算如式(3)-(5)所示;
(3)
式(3)-(5)中p是与子块y ti 最接近的类别数,j是p类中按距离从小到大排序后的第j类,C j 为与d j 相对应的聚类中心,ω j 为归一化的权值,为分别根据C j 所对应的字典重建得到的高分辨率残差,高分辨率残差子块x tri 为式(5)所示的各重建高分辨率残差结果的加权和。
步骤(2)中由于K-均值聚类算法对初始值敏感,可能导致部分类别的样本个数过少,此时可将样本数目小于给定阈值的类别合并到与其聚类中心最近的类别中,并重新计算聚类中心,对于样本数目大于等于给定阈值的类别可以再次采用K-均值聚类算法进行细分。
本发明只需重构图像残差,结合插值图像即可重建高分辨率图像;将样本对分类,为每类样本对训练字典达到了字典数目的增加,增强了对样本特征差异性的表达能力;将与测试样本具有相近欧氏距离的各类别所重建的图像残差求加权和作为重建的最终图像残差,提高了高分辨率图像的重建质量,特别是图像边缘细节处的重建结果。
附图说明
图1为高分辨率图像残差提取过程;
图2为字典学习过程;
图3为高分辨率图像重建过程;
图4为“临界子块”。
具体实施方式
以下结合附图和实施实例对本发明加以详细说明。
对于彩色的RGB图像,先转换成YUV图像,在Y分量上进行超分辨率重建,而UV分量采用插值放大,然后再将YUV图像转换成RGB图像;对于灰度图像,直接在灰度图上进行超分辨率重建。
对输入的低分辨率图像进行3倍放大。将低分辨率图像分成若干个大小为3×3的图像子块,则相应的高分辨率图像子块大小为9×9,为了保持图像子块间的相容性,对低分辨率图像子块采用1个重叠像素,则相应的高分辨率图像子块重叠3个像素。
步骤(1)计算残差
将用于训练的低分辨率样本图像y插值放大3倍得到图像Xb,Xb与原高分辨率图像具有相同尺寸,将图像Xb与原高分辨率图像X之间的差值即Xr=X-Xb作为图像残差。计算残差的实施过程如图1所示。
步骤(2)获得低分辨率训练样本图像与高分辨率图像残差的字典对,具体是:
计算低分辨率训练样本图像的一阶、二阶梯度图像,将梯度图像分成3×3的子块,以梯度值作为低分辨率图像子块的特征;将图像残差分成9×9的子块,以子块残差作为高分辨率图像子块的特征,训练字典对,它由低分辨率字典和高分辨率字典构成。
训练时,对输入的每个高、低分辨率图像特征子块向量化,得到各自向量化的特征子块样本集合,分别记为{x ri}和{y i},其中x ri表示图像残差,y i表示低分辨率图像特征子块, i=1,…,N,N是子块数。
对低分辨率特征子块样本集合{y i}进行分类,先计算每个y i的方差值,按给定的方差阈值△进行分类,阈值△可通过对集合{y i}进行方差统计获得。
对于方差小于或等于阈值△的低分辨率图像特征子块样本组成一个集合{y i0},由其对应的高分辨率特征子块样本获得集合{x ri0},将集合{x ri0}和集合{y i0}构成高、低分辨率子块样本对,采用K-SVD学习算法得到高分辨率字典D h0 、低分辨率字典D l0 。高分辨率字典D h0 和低分辨率字典D l0 构成字典对。
对于方差大于阈值△的集合{y i}、{x ri},此时的样本数量仍相当大,采用K-均值聚类算法对方差大于阈值的集合{y i}进行分类。通过对{y i}聚类分成K类样本,各类对应的{x ri}也同样分成了K类样本,则得到K类高、低分辨率子块样本对{x rik}、{y ik}以及{y ik}的聚类中心{C k},k=1,2,…,K,可取K=50。分别对各类子块样本对采用K-SVD训练得到K对高、低分辨率字典D hk 和D lk 。由于K-均值聚类算法对初始值敏感,可能导致部分类别的样本个数过少,此时可将样本数目过少的类别合并到与其聚类中心最近的类别中,并重新计算聚类中心,对于样本数目过多的类别可以再次采用K-均值聚类算法进行细分。字典学习的实施过程如图2所示。
步骤(3)超分辨率重建高分辨率图像
对样本对进行分类学习后,可得50+1对高、低分辨率字典。对低分辨率测试图像yt重建时,先对yt分块,每个子块进行超分辨率重建时必须选用合适的字典进行稀疏分解与高分辨率图像重建,采用分解低分辨率测试图像子块y ti ,其中D ls 是选择的最适合的低分辨率字典。对应的高分辨率残差子块x tri 重建过程采用,其中D hs 是与D ls 相对应的高分辨率字典。由子块y ti 与各聚类中心中具有最小欧氏距离的类别所对应的字典D ls 作为最适合的低分辨率字典。重建获得的是残差图像,其中M是低分辨率测试图像的子块数,R i 是子块的提取方式,T代表转置。残差图像与低分辨率插值放大后的结果Xtb相加可获得超分辨率图像Xt。高分辨率图像重建实施过程如图3所示。
对于输入的待重建测试图像子块y ti ,先计算图像子块的方差并根据方差选择字典,对于方差小于阈值△的子块选用D h0 、D l0 进行重建,否则根据子块与K-均值聚类中心点的距离按式(1)进行字典选择。
由式(1)确定与测试图像子块欧氏距离最小的聚类中心Cs,通过聚类中心Cs找到相应的高、低分辨率字典,进行超分辨率重建。为了使字典能更好的匹配图像子块,防止“临界子块”影响重建结果,对由各“临界子块”重建的残差进行加权求和。这里的“临界子块”是指一个子块与两个或多个聚类中心的距离都很相近,如图4所示,y ti 与聚类中心C1和C2都很接近。“临界子块”判断规则为:计算子块与每个聚类中心的欧氏距离,记距离为d j ,下标j根据欧氏距离的大小排序,欧氏距离最小的为1,下标随欧氏距离增加依次递增,根据式(2)中d 1与d j 的比值确定子块是否临近,可取为0.8。
为了将重建子块更好的重构,采用多个字典进行重建。对测试子块y ti 与多个聚类中心相近时,分别采用多个字典进行分解重构,最后根据y ti 与多个聚类中心的相近程度分配权值,对重建的残差进行加权求和,得到最终的高分辨率图像的残差子块。
Claims (2)
1. 一种基于残差的图像超分辨率重建方法,其特征在于该方法包括以下步骤:
步骤(1)计算残差,具体是:
将用于训练的低分辨率样本图像y插值放大得到图像Xb,图像Xb与原高分辨率图像具有相同尺寸,将图像Xb与原高分辨率图像X之间的差值即Xr=X-Xb作为图像残差;
步骤(2)获得低分辨率训练样本图像与高分辨率图像残差的字典对,具体是:
计算低分辨率训练样本图像的一阶、二阶梯度图像,将梯度图像分块,以梯度值作为低分辨率图像子块的特征;将图像残差分块,以子块残差作为高分辨率图像子块的特征,训练字典对,它由低分辨率字典和高分辨率字典构成;
训练时,对输入的每个高、低分辨率图像特征子块向量化,得到各自向量化的特征子块样本集合,分别记为{x ri}和{y i},其中x ri表示图像残差特征子块,y i表示低分辨率图像特征子块, i=1,…,N,N是子块数;
对低分辨率特征子块样本集合{y i}进行分类,先计算每个y i的方差值,按给定的方差阈值△进行分类,阈值△可通过对集合{y i}进行方差统计获得;
对于方差小于或等于阈值△的低分辨率图像特征子块样本组成一个集合{y i0},由其对应的高分辨率特征子块样本获得集合{x ri0},将集合{x ri0}和集合{y i0}构成高、低分辨率子块样本对,采用K-SVD学习算法得到高分辨率字典D h0 、低分辨率字典D l0 ;高分辨率字典D h0 和低分辨率字典D l0 构成字典对;
对于方差大于阈值△的集合{y i}、{x ri},此时的样本数量仍相当大,采用K-均值聚类算法对方差大于阈值的集合{y i}进行分类;通过对{y i}聚类分成K类样本,各类对应的{x ri}也同样分成了K类样本,则得到K类高、低分辨率子块样本对{x rik}、{y ik}以及{y ik}的聚类中心{C k},k=1,2,…,K;分别对各类子块样本对采用K-SVD训练得到K对高、低分辨率字典D hk 和D lk ;
步骤(3)超分辨率重建高分辨率图像,具体是:
对样本对进行分类学习后,可得K+1对高、低分辨率字典;对低分辨率测试图像y t 重建时,先对y t 分块,每个子块进行超分辨率重建时必须选用合适的字典进行稀疏分解与高分辨率图像重建,采用 分解低分辨率测试图像子块y ti ,其中D ls 是选择的最适合的低分辨率字典,是稀疏表示矢量,是给定的误差值;对应的高分辨率残差子块x tri 重建过程采用,其中D hs 是与D ls 相对应的高分辨率字典;由子块y ti 与各聚类中心中具有最小欧氏距离的类别所对应的字典D ls 作为最适合的低分辨率字典;重建获得的是残差图像,其中M是低分辨率测试图像的子块数,R i 是子块的提取方式,T代表转置;残差图像与低分辨率插值放大后的结果相加可获得超分辨率图像;
对于输入的待重建测试图像子块y ti ,先计算图像子块的方差并根据方差选择字典,对于方差小于阈值△的子块选用D h0 、D l0 进行重建,否则根据子块与K-均值聚类中心点的距离按式(1)进行字典选择;
由式(1)确定与测试图像子块欧氏距离最小的聚类中心C s ,通过聚类中心C s 找到相应的高、低分辨率字典,进行超分辨率重建;为了使字典能更好的匹配图像子块,防止“临界子块”影响重建结果,对由各“临界子块”重建的残差进行加权求和;这里的“临界子块”是指一个子块与两个或多个聚类中心的距离都很相近,“临界子块”判断规则为:计算子块与每个聚类中心的欧氏距离,记距离为d j ,下标j根据欧氏距离的大小排序,欧氏距离最小的为1,下标随欧氏距离增加依次递增,根据d 1与d j 的比值确定子块是否临近,即:
为了将重建子块更好的重构,采用多个字典进行重建;对测试子块y ti 与多个聚类中心相近时,分别采用多个字典进行分解重构,最后根据y ti 与多个聚类中心的相近程度分配权值,对重建的残差进行加权求和,得到最终的高分辨率图像的残差子块;权重计算如式(3)-(5)所示;
2.根据权利要求1所述的一种基于残差的图像超分辨率重建方法,其特征在于:步骤(2)中由于K-均值聚类算法对初始值敏感,可能导致部分类别的样本个数过少,此时可将样本数目小于给定阈值的类别合并到与其聚类中心最近的类别中,并重新计算聚类中心,对于样本数目大于等于给定阈值的类别可以再次采用K-均值聚类算法进行细分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210170038.4A CN102722876B (zh) | 2012-05-29 | 2012-05-29 | 一种基于残差的图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210170038.4A CN102722876B (zh) | 2012-05-29 | 2012-05-29 | 一种基于残差的图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102722876A true CN102722876A (zh) | 2012-10-10 |
CN102722876B CN102722876B (zh) | 2014-08-13 |
Family
ID=46948623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210170038.4A Expired - Fee Related CN102722876B (zh) | 2012-05-29 | 2012-05-29 | 一种基于残差的图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102722876B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116880A (zh) * | 2013-01-16 | 2013-05-22 | 杭州电子科技大学 | 一种基于稀疏表示和多残差的图像超分辨率重建方法 |
CN103295196A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 基于非局部字典学习和双正则项的图像超分辨率重建方法 |
CN103366347A (zh) * | 2013-07-16 | 2013-10-23 | 苏州新视线文化科技发展有限公司 | 基于稀疏表示的图像超分辨率重建方法 |
CN103440635A (zh) * | 2013-09-17 | 2013-12-11 | 厦门美图网科技有限公司 | 一种基于学习的对比度受限自适应直方图均衡方法 |
CN103886557A (zh) * | 2014-03-28 | 2014-06-25 | 北京工业大学 | 一种深度图像的去噪方法 |
CN104299193A (zh) * | 2014-09-29 | 2015-01-21 | 杭州电子科技大学 | 一种基于高频和中频信息的图像超分辨率重建方法 |
CN105005965A (zh) * | 2015-08-12 | 2015-10-28 | 西安电子科技大学 | 基于最大期望算法的自然图像超分辨方法 |
CN105023240A (zh) * | 2015-07-08 | 2015-11-04 | 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 |
WO2015180055A1 (zh) * | 2014-05-28 | 2015-12-03 | 北京大学深圳研究生院 | 一种基于分类字典库的超分辨率图像重构方法及装置 |
CN105931179A (zh) * | 2016-04-08 | 2016-09-07 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
CN106683049A (zh) * | 2016-12-21 | 2017-05-17 | 华南理工大学 | 一种基于显著图和稀疏表示的图像超分辨率重构方法 |
CN106981046A (zh) * | 2017-03-21 | 2017-07-25 | 四川大学 | 基于多层梯度约束回归的单幅图像超分辨率重建方法 |
CN107274347A (zh) * | 2017-07-11 | 2017-10-20 | 福建帝视信息科技有限公司 | 一种基于深度残差网络的视频超分辨率重建方法 |
CN107977929A (zh) * | 2016-10-21 | 2018-05-01 | 中国电信股份有限公司 | 图像超分辨率处理方法和装置 |
CN108764368A (zh) * | 2018-06-07 | 2018-11-06 | 西安邮电大学 | 一种基于矩阵映射的图像超分辨率重建方法 |
CN109191411A (zh) * | 2018-08-16 | 2019-01-11 | 广州视源电子科技股份有限公司 | 一种多任务图像重建方法、装置、设备和介质 |
CN111178427A (zh) * | 2019-12-27 | 2020-05-19 | 杭州电子科技大学 | 一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法 |
CN111681168A (zh) * | 2020-06-05 | 2020-09-18 | 杭州电子科技大学 | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100086227A1 (en) * | 2008-10-04 | 2010-04-08 | Microsoft Corporation | Image super-resolution using gradient profile prior |
CN102156875A (zh) * | 2011-03-25 | 2011-08-17 | 西安电子科技大学 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
-
2012
- 2012-05-29 CN CN201210170038.4A patent/CN102722876B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100086227A1 (en) * | 2008-10-04 | 2010-04-08 | Microsoft Corporation | Image super-resolution using gradient profile prior |
CN102156875A (zh) * | 2011-03-25 | 2011-08-17 | 西安电子科技大学 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
Non-Patent Citations (2)
Title |
---|
YANG JIANCHAO等: "Image Super-Resolution as Sparse Representation of Raw Image Patches", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
马祥等: "全局重建和位置块残差补偿的人脸图像超分辨率算法", 《西安交通大学学报》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116880A (zh) * | 2013-01-16 | 2013-05-22 | 杭州电子科技大学 | 一种基于稀疏表示和多残差的图像超分辨率重建方法 |
CN103295196A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 基于非局部字典学习和双正则项的图像超分辨率重建方法 |
CN103295196B (zh) * | 2013-05-21 | 2015-09-30 | 西安电子科技大学 | 基于非局部字典学习和双正则项的图像超分辨率重建方法 |
CN103366347A (zh) * | 2013-07-16 | 2013-10-23 | 苏州新视线文化科技发展有限公司 | 基于稀疏表示的图像超分辨率重建方法 |
CN103366347B (zh) * | 2013-07-16 | 2016-09-14 | 苏州新视线文化科技发展有限公司 | 基于稀疏表示的图像超分辨率重建方法 |
CN103440635A (zh) * | 2013-09-17 | 2013-12-11 | 厦门美图网科技有限公司 | 一种基于学习的对比度受限自适应直方图均衡方法 |
CN103440635B (zh) * | 2013-09-17 | 2016-06-22 | 厦门美图网科技有限公司 | 一种基于学习的对比度受限自适应直方图均衡方法 |
CN103886557A (zh) * | 2014-03-28 | 2014-06-25 | 北京工业大学 | 一种深度图像的去噪方法 |
WO2015180055A1 (zh) * | 2014-05-28 | 2015-12-03 | 北京大学深圳研究生院 | 一种基于分类字典库的超分辨率图像重构方法及装置 |
CN104299193A (zh) * | 2014-09-29 | 2015-01-21 | 杭州电子科技大学 | 一种基于高频和中频信息的图像超分辨率重建方法 |
CN104299193B (zh) * | 2014-09-29 | 2017-02-15 | 杭州电子科技大学 | 一种基于高频和中频信息的图像超分辨率重建方法 |
CN105023240A (zh) * | 2015-07-08 | 2015-11-04 | 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 |
CN105023240B (zh) * | 2015-07-08 | 2019-07-09 | 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 |
CN105005965A (zh) * | 2015-08-12 | 2015-10-28 | 西安电子科技大学 | 基于最大期望算法的自然图像超分辨方法 |
CN105005965B (zh) * | 2015-08-12 | 2017-11-21 | 西安电子科技大学 | 基于最大期望算法的自然图像超分辨方法 |
CN105931179A (zh) * | 2016-04-08 | 2016-09-07 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
CN105931179B (zh) * | 2016-04-08 | 2018-10-26 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
CN107977929A (zh) * | 2016-10-21 | 2018-05-01 | 中国电信股份有限公司 | 图像超分辨率处理方法和装置 |
CN107977929B (zh) * | 2016-10-21 | 2021-02-23 | 中国电信股份有限公司 | 图像超分辨率处理方法和装置 |
CN106683049A (zh) * | 2016-12-21 | 2017-05-17 | 华南理工大学 | 一种基于显著图和稀疏表示的图像超分辨率重构方法 |
CN106981046A (zh) * | 2017-03-21 | 2017-07-25 | 四川大学 | 基于多层梯度约束回归的单幅图像超分辨率重建方法 |
CN106981046B (zh) * | 2017-03-21 | 2019-10-11 | 四川大学 | 基于多层梯度约束回归的单幅图像超分辨率重建方法 |
CN107274347A (zh) * | 2017-07-11 | 2017-10-20 | 福建帝视信息科技有限公司 | 一种基于深度残差网络的视频超分辨率重建方法 |
CN108764368A (zh) * | 2018-06-07 | 2018-11-06 | 西安邮电大学 | 一种基于矩阵映射的图像超分辨率重建方法 |
CN108764368B (zh) * | 2018-06-07 | 2021-11-30 | 西安邮电大学 | 一种基于矩阵映射的图像超分辨率重建方法 |
CN109191411A (zh) * | 2018-08-16 | 2019-01-11 | 广州视源电子科技股份有限公司 | 一种多任务图像重建方法、装置、设备和介质 |
CN109191411B (zh) * | 2018-08-16 | 2021-05-18 | 广州视源电子科技股份有限公司 | 一种多任务图像重建方法、装置、设备和介质 |
CN111178427A (zh) * | 2019-12-27 | 2020-05-19 | 杭州电子科技大学 | 一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法 |
CN111178427B (zh) * | 2019-12-27 | 2022-07-26 | 杭州电子科技大学 | 一种基于Sliced-Wasserstein距离的深度自编码进行图像降维并嵌入聚类的方法 |
CN111681168A (zh) * | 2020-06-05 | 2020-09-18 | 杭州电子科技大学 | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 |
CN111681168B (zh) * | 2020-06-05 | 2023-03-21 | 杭州电子科技大学 | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 |
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 |
CN112241768B (zh) * | 2020-11-25 | 2024-04-26 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN102722876B (zh) | 2014-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722876A (zh) | 一种基于残差的图像超分辨率重建方法 | |
CN103116880A (zh) | 一种基于稀疏表示和多残差的图像超分辨率重建方法 | |
CN103208102B (zh) | 一种基于稀疏表示的遥感图像融合方法 | |
CN107274347A (zh) | 一种基于深度残差网络的视频超分辨率重建方法 | |
CN102902961B (zh) | 基于k近邻稀疏编码均值约束的人脸超分辨率处理方法 | |
CN108921786A (zh) | 基于残差卷积神经网络的图像超分辨率重构方法 | |
CN104657962B (zh) | 基于级联线性回归的图像超分辨重建方法 | |
CN107563965A (zh) | 基于卷积神经网络的jpeg压缩图像超分辨率重建方法 | |
CN106952228A (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN108961186A (zh) | 一种基于深度学习的老旧影片修复重制方法 | |
CN105550989B (zh) | 基于非局部高斯过程回归的图像超分辨方法 | |
CN106920214A (zh) | 空间目标图像超分辨率重建方法 | |
CN104751432A (zh) | 一种基于图像重构的可见光与红外图像融合方法 | |
CN102722875A (zh) | 一种基于视觉注意和质量可变的图像超分辨率重建方法 | |
CN109272452A (zh) | 小波域中基于集团结构子带共同学习超分辨率网络的方法 | |
CN107610093B (zh) | 基于相似性特征融合的全参考型图像质量评价方法 | |
CN110634147A (zh) | 基于双边引导上采样的图像抠图方法 | |
CN104299193B (zh) | 一种基于高频和中频信息的图像超分辨率重建方法 | |
CN106254720B (zh) | 一种基于联合正则化的视频超分辨率重建方法 | |
CN108171654A (zh) | 带干扰抑制的汉字图像超分辨率重建方法 | |
CN116152120A (zh) | 一种融合高低频特征信息的低光图像增强方法及装置 | |
CN112950596A (zh) | 基于多区域多层次的色调映射全向图像质量评价方法 | |
CN104732480B (zh) | 一种基于非局部正则化模型的遥感图像超分辨方法 | |
CN106875370B (zh) | 一种全色图像和多光谱图像的融合方法及装置 | |
CN106780423B (zh) | 一种基于少数波段高分辨率图像的光谱重建方法 |
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: 20140813 Termination date: 20170529 |
|
CF01 | Termination of patent right due to non-payment of annual fee |