CN102800071B - 序列图像pocs超分辨率重建方法 - Google Patents
序列图像pocs超分辨率重建方法 Download PDFInfo
- Publication number
- CN102800071B CN102800071B CN201210205465.1A CN201210205465A CN102800071B CN 102800071 B CN102800071 B CN 102800071B CN 201210205465 A CN201210205465 A CN 201210205465A CN 102800071 B CN102800071 B CN 102800071B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- pocs
- super
- omega
- 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
Abstract
本发明设计了一种序列图像POCS超分辨率重建方法,包括下列最主要步骤:建立图像增强观测模型ykz=Hkz+nk,1≤k≤p,建立的图像增强观测模型对一幅高分辨率图像进行退化处理,得到多幅低分辨率观测图像,并为每一幅低分辨率观测图像建立图像POCS重建目标方程利用迭代算法对图像POCS重建目标方程优化求解,得到当前估计的模拟高分辨率重建图像本发明所设计的序列图像POCS超分辨率重建方法能够有效抑制重建图像的Gibbs效应,提高重建高分辨率图像的质量和视觉效果。
Description
技术领域
本发明涉及一种图像复原重建方法,特别是一种序列图像POCS超分辨率重建方法,属于数字图像增强技术领域。
背景技术
数字图像的获取受硬件设备,外界环境以及成像技术等因素的影响,使得获得的图像质量下降,分辨率不高。提升图像质量,提高图像分辨率最直接有效的手段就是对成像系统的改进,由于成本与技术的双重限制,成像系统的提升难度越来越大,因此,超分辨率技术应运而生。对于一组场景变化不大的低分辨率图像来说,它们之间包含相似的信息但又存在不同的细节,超分辨率技术(Super-Resolution,SR)就是通过将多幅模糊,变形,空间微位移,频谱混叠的低分辨率图像(或视频序列)中有用信息的抽取,融合估计出一幅较高分辨率图像。依靠软件的解决方法而不需较高成本的硬件投入使得超分辨率重建在医学诊断,交通管理,视频监控,远程遥感以及获取军事情报等方面有着广泛的应用。例如在医学数字成像系统中,医学检测和诊断需要精确地识别病变体的位置及大小等情况,通常的影响诊疗方法如CT(电子计算机X射线断层扫描技术),MRI(核磁共振成像)和超声波检测等获得的图像往往不能满足清晰度要求,因此可以利用超分辨率重建技术,对现有硬件水平下获取的较低分辨率的图像序列进行后期重建处理,获取高清晰度图像。在银行等证券部门,商场,公路等公共场合的监控系统中,当发现异常行为或者犯罪行为发生之后,可以对监控视频中感兴趣目标区域进行重建处理,从而获得清晰的局部特征和精确地识别结果,为异常行为的处理或犯罪行为的判决提供线索和证据。
超分辨率重建技术于20世纪60年代由Harris和Goodman首次以单幅图像复原的概念提出。20世纪80年代初,基于序列图像的超分辨率重建由Tsai和Huang首次提出,并给出了频域中基于离散余弦变换的解决方法。目前的超分辨率重建算法主要分为两类:频域方法和空域方法。频域算法的实质是在频率域内求解图像内插的问题。基于频域的算法主要是基于以下几个原则:(1)傅里叶变换的平移性质;(2)高分辨率图像的连续傅里叶变换和低分辨率图像的离散傅里叶变换之间的频谱混叠;(3)多幅低分辨率图像是同一场景下进行像素等级的变换的结果。频域算法具有理论简单,计算量小,具有良好的去变形机制等特点。它的缺点体现在基于的理论前提过于理想化,退化模型只能适用于全局平移运动,对空域先验知识的包含能力有限。由于具有这样的缺点,在后来的研究中,空域算法逐渐成为研究的主流。
相比于频域算法,空域重建算法能够在重建模型中引入多种空域先验信息,因此更具有灵活性,实际的应用范围也更加宽广。空域方法与其他图像处理方法相结合又派生出许多新的方法和类型。文献(IEEE Signal Processing Magazine,2003(5):21-36)假设图像服从泊松分布的统计模型,由此提出图像重建的最大似然概率法;文献(Procedingsof the SPIE,Neural and stochastic methods in image and signal processing Il.1993:2-3)根据图像服从泊松分布的特点,提出了最大后验概率法(Maximum a posteriori probability,MAP),并指出图像的重建质量取决于场景的空间限制,采样率和噪声的性质和大小;文献(IEEE Transactions on Image Processing,1996,5(6):996-1011)通过对图像频谱的研究,指出图像超分辨率重建的根本原因是因为图像的低频分量中包含有高频信息,从而从理论上提出了超分辨率重建技术的可行性;文献(IEEE Transactions on ImageProcessing,1997,6(8):1064-1076).在总结前人工作的基础上,提出了基于凸集投影法(projection onto convex sets,POCS)的图像超分辨率重建方法。此外,研究者还针对图像类型,观测模型和图像先验知识进行了研究,并对相应的算法做了大量的改进工作。
空域方法中,POCS算法是一种广泛使用的重建方法。文献(Journal of the OpticalSociety of America,1989,6(11):1715-1726)最先从集合投影理论发展出POCS算法进行超分辨率重建。文献(Proceedings of IEEE International Conference on ASSP.San Francisco:IEEE,1992:169-172)提出考虑传感器噪声的POCS算法。文献(IEEE Transactions onImage Processing,1997,8(6):1064-1076)提出考虑运动模糊和噪声,并改进降质模型的POCS算法。文献(Science Technology and Engineering.2006,6(4),396-399)提出将MAP和POCS结合用于超分辨率重建,获得了较好的效果。文献(JOURNAL OF BEIJINGUNIVERSITY OF TECHNOLOGY.2009,35(1),108-113)提出改进PSF系数的POCS算法,有效的抑制了边缘Gibbs现象。文献(Application Research of Computers.2011,28(7),2778-2781)引入时空联合自适应机制,有效减缓了错误运动估计信息对重建图像的影响。
目前大部分图像超分辨率重建算法都是基于空域方法的研究。但上述提到的空域方法有一个缺陷,那就是必须假设运动场景是静止的。针对这个问题,研究人员在序列图像超分辨率重建过程中综合考虑了非参数运动模型和区域跟踪,并且考虑了多种不同的图像降质模型。文献(Journal of Computer Vision,Graphics,and ImageProcessing,1991,53(3):231-239)中的图像降质模型包含了空间量化误差和光学模糊;文献(Proceeding of ECCV,Springer-Verlag,1996,312-320)考虑了运动模糊;文献(IEEETransactions on Image Processing,1997,6(12):1621-1633)提出基于MAP目标函数的配准算法同时进行运动估计和图像重建;文献(IEEE Transactions on ImageProcessing,1996,5(6):996-1011)改进了Bayesian的方法,在超分辨率重建过程中应用基于Huber惩罚函数的MRF先验知识;文献(IEEE Transactions on Image Processing,2004,13(10):1327-1344)提出一种基于双边滤波和L1范数耦合的全变分模型的超分辨率图像重建算法,并且采用块估计的方法进行运动估计,这些算法都使重建图像的质量明显提高。
由于序列图像的超分辨率重建问题的复杂性,该领域目前的研究成果相对有限,因此序列图像的超分辨率重建值得高度关注和深入研究。
发明内容
本发明所要解决的技术问题是提供一种能够有效抑制重建图像的Gibbs效应,提高重建高分辨率图像的质量和视觉效果的序列图像POCS超分辨率重建方法。
本发明为解决上述技术问题采用以下技术方案:本发明设计了一种序列图像POCS超分辨率重建方法,包括如下具体步骤:
步骤(1):建立图像增强观测模型yk=Hkz+nk,1≤k≤p,
其中:yk定义为第k幅低分辨率观测图像,z定义为用于退化的高分辨率图像,Hk定义为点扩散函数,即退化矩阵,nk定义为加入的噪声向量,p定义为图像序列所包含的图像幅数;
步骤(2):利用步骤(1)中建立的图像增强观测模型对一幅高分辨率图像进行退化处理,得到多幅低分辨率观测图像,并为每一幅低分辨率观测图像建立图像POCS重建目标方程其中:定义为当前估计的模拟高分辨率重建图像,PA定义为数据的幅值约束投影算子,PDM定义为修正的数据一致性约束投影算子,定义为最终的高分辨率重建图像;
步骤(3):利用迭代算法对图像POCS重建目标方程优化求解,得到当前估计的模拟高分辨率重建图像
步骤(4):判断步骤(3)中得到的是否达到迭代终止条件,如达到,则将本次迭代得到的模拟高分辨率图像作为最终的重建图像输出;如没有达到,则转而执行步骤(3)。
作为本发明的一种优化方法:所述步骤(2)中的退化处理还包括依次对高分辨率图像做平移处理、模糊处理和降采样处理。
作为本发明的一种优化方法:所述步骤(2)中修正的数据一致性约束投影算子PDM由以下公式确定:
作为本发明的一种优化方法:所述修正的数据一致性约束投影算子PDM计算公式中的δM由以下公式确定:
δM(s,t)=δ+α·M(s,t)其中:δ定义为原始残差阈值,M定义为残差反向修正算子,参数α用于调节残差阈值的修正程度。
作为本发明的一种优化方法:所述参数α的取值范围是20~30。
作为本发明的一种优化方法:所述残差反向修正算子M由以下公式确定:
作为本发明的一种优化方法:所述残差反向修正算子M计算公式中的边缘约束算子E由以下公式确定:
作为本发明的一种优化方法:所述修正后的点扩散函数HM由以下公式确定:
其中:M定义为残差反向修正算子,ω定义为点扩散函数模板尺寸,β定义为调节两种模糊核函数所占比重的参数。
作为本发明的一种优化方法:所述调节两种模糊核函数所占比重的参数β的取值范围是0.8~1.2。
作为本发明的一种优化方法:所述步骤(3)中数据的幅值约束投影算子PA由以下公式确定:
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计的序列图像POCS超分辨率重建方法通过对现有图像POCS重建方法进行改进,通过在每一次迭代过程中计算前后重建图像的差值获得投影信息,根据图像边缘约束从投影信息中分离出欠投影和过投影信息,并且由欠投影和过投影信息得到残差反向修正算子,将残差反向修正算子作用到投影修正过程中,获得重建图像。能够有效抑制Gibbs效应,提高重建效果。
附图说明
图1为本发明的序列图像POCS超分辨率重建方法的流程框架图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
为便于公众对本发明技术方案的理解,在对本发明方法进行说明之前,先对现有正则化重建的原理进行简要介绍。
对一幅高分辨率图像(HR)经过退化处理得到多幅低分辨率(LR)图像,这就是图像的降质过程,也就是由序列低分辨率图像进行超分辨率重建时常用的图像观测模型。图像观测模型的数学表达如下,
yk=Hkz+nk,1≤k≤p, (1)
式中,yk表示第k幅低分辨率观测图像,z表示用于退化的高分辨率图像,Hk为点扩散函数,也即是退化矩阵,nk为加入的噪声向量,p为图像序列所包含的图像幅数。
图像超分辨率重建的任务就是由式(1)中的观测模型所获得的低分辨率图像重建得到高分辨率原图像,POCS算法将待求高分辨率图像看做成像空间Rr1×r2中的未知向量,先验信息和约束条件被描述为成像空间中的一个凸集Ci∈Rr1×r2,i=1,2,…,m。对于每一个凸集Ci定义相应的凸集投影算子Pi。POCS的基本思想就是利用凸集投影算子Pi对高分辨率图像的初始估计进行反复迭代投影,获得理想高分辨率图像。通常采用插值法构造高分辨率图像的初始估计利用观测序列的约束集修正直至满足迭代终止条件。由POCS算法重建高分辨率图像的基本表达式为:
常见的约束集有数据一致性约束,幅值约束等。令表示当前估计的高分辨率图像,yk(i,j)表示低分辨率图像,数据一致性约束集可定义如式(3)所示:
其中:R(i,j)为残差,δ是残差阈值,一般取为常数。若假设低分辨率图像yk(i,j)中的某像素(i,j)映射到高分辨率图像的位置为(s,t),则残差R(i,j)的定义如式(4)所示:
其中:H(s,t;i,j)为归一化的点扩散函数,ω为模板尺寸。式(4)中等式右侧第一部分为低分辨率图像真实值,第二部分为根据降质过程获得的模拟值。若残差R(i,j)为正且大于残差阈值δ,说明当前估计值偏小,应对增大修正,反之减小修正。由残差R(i,j)和残差阈值δ的关系定义数据一致性约束的投影算子PD如式(5)所示:
另根据先验知识“8bit图像的取值范围为[0,255]”可定义幅值约束凸集CA,如式(6)所示:
其相应的幅值约束投影算子PA如式(7)所示:
完成相应约束凸集及其投影算子的定义之后,就可以根据式(2)从序列低分辨率图像经过迭代投影重建高分辨率图像:
传统POCS算法中残差阈值δ通常选为常数,点扩散函数H通常为高斯模糊函数,对全局的迭代投影采用相同程度的一致性约束,造成某些位置出现欠投影或过投影,从而形成边缘振荡效应,即Gibbs效应。
本发明的思路是从每一次的投影结果出发,提出基于残差反向修正的POCS重建算法。通过大量实验观测到Gibbs效应在边缘位置附近最严重,因此本发明由初始高分辨率估计图像定义边缘约束算子,计算每一次的前后重建结果之差获得投影信息,使用边缘约束算子分离出造成Gibbs效应的错误投影信息,对错误投影信息处理得到残差反向修正算子,最后应用残差反向修正算子进行残差阈值和点扩散函数修正的投影,获得重建高分辨率图像。
具体而言,本发明方法,如附图1所示,按照以下过程进行图像重建:
本发明设计了一种序列图像POCS超分辨率重建方法,包括以下具体步骤:
步骤(1):建立图像增强观测模型yk=Hkz+nk,1≤k≤p,
其中:yk定义为第k幅低分辨率观测图像,z定义为用于退化的高分辨率图像,Hk定义为点扩散函数,即退化矩阵,nk定义为加入的噪声向量,p定义为图像序列所包含的图像幅数;
步骤(2):利用步骤(1)中建立的图像增强观测模型对一幅高分辨率图像进行退化处理,得到多幅低分辨率观测图像,并为每一幅低分辨率观测图像建立图像POCS重建目标方程其中:定义为当前估计的模拟高分辨率重建图像,PA定义为数据的幅值约束投影算子,PDM定义为修正的数据一致性约束投影算子,定义为最终的高分辨率重建图像;
步骤(3):利用迭代算法对图像POCS重建目标方程优化求解,得到当前估计的模拟高分辨率重建图像
步骤(4):判断步骤(3)中得到的是否达到迭代终止条件,如达到,则将本次迭代得到的模拟高分辨率图像作为最终的重建图像输出;如没有达到,则转而执行步骤(3)。
为了使退化过程与成像实际情况吻合,作为本发明的一种优化方法:所述步骤(2)中的退化处理还包括依次对高分辨率图像做平移处理、模糊处理和降采样处理,所述退化矩阵根据下式得到,
Hk=DkBkMk,
式中,DK为下采样矩阵,Bk为光学模糊矩阵,Mk为位移矩阵。
作为本发明的一种优化方法:所述步骤(2)中修正的数据一致性约束投影算子PDM由以下公式确定:
作为本发明的一种优化方法:所述修正的数据一致性约束投影算子PDM计算公式中的δM由以下公式确定:
δM(s,t)=δ+α·M(s,t)其中:δ定义为原始残差阈值,M定义为残差反向修正算子,参数α用于调节残差阈值的修正程度。
作为本发明的一种优化方法:所述参数α的取值范围是20~30。
作为本发明的一种优化方法:所述残差反向修正算子M由以下公式确定:
作为本发明的一种优化方法:所述残差反向修正算子M计算公式中的边缘约束算子E由以下公式确定:
作为本发明的一种优化方法:所述修正后的点扩散函数HM由以下公式确定:
其中:M定义为残差反向修正算子,ω定义为点扩散函数模板尺寸,β定义为调节两种模糊核函数所占比重的参数。
作为本发明的一种优化方法:所述调节两种模糊核函数所占比重的参数β的取值范围是0.8~1.2。
作为本发明的一种优化方法:所述步骤(3)中数据的幅值约束投影算子PA由以下公式确定:
根据本发明提出的基于残差反向修正的POCS算法,选用六幅尺寸为256×256的图像作为实验对象进行测试,并对所有实验对象做平移,模糊,降采样生成5幅低分辨率图像。模糊函数采用尺寸为3×3,方差为1的高斯模糊,降采样采用1/2的行列抽样,运动估计采用keren配准方法。为衡量算法性能,在客观评判标准方面选用常用的峰值信噪比(Peak signal to noise ratio,PSNR)进行评判。在实验中取迭代次数nMAX=5,残差阈值调节参数α=30,点扩散函数调节参数β=1,初始残差阈值δ设置较低时,有利于图像恢复,但是同噪声及Gibbs效应也更严重,因此,本发明以δ=3和δ=5分别进行两组实验,实验所得的峰值信噪比数据如表1和表2所示:
表1 δ=3时算法改进前后峰值信噪比
Table 1δ=3,PSNR
δ=3 | Lena | Boat | Camera | Pepper | Dragon | Tyre |
传统POCS | 21.9278 | 19.2636 | 20.7718 | 22.6143 | 20.4499 | 23.4029 |
本发明算法 | 22.4986 | 19.6218 | 21.3820 | 23.0456 | 20.9927 | 23.8844 |
表2 δ=5时算法改进前后峰值信噪比
Table 1δ=5,PSNR
δ=5 | Lena | Boat | Camera | Pepper | Dragon | Tyre |
传统POCS | 22.2206 | 19.4633 | 21.0487 | 22.9423 | 20.7443 | 23.6960 |
本发明算法 | 22.7067 | 19.7828 | 21.5129 | 23.2766 | 21.1291 | 24.1047 |
由表1和表2的数据可知,在δ=3和δ=5两种情况下,本发明算法的客观数据均优于传统POCS算法。
Claims (7)
1.一种序列图像POCS超分辨率重建方法,其特征在于,包括以下具体步骤:
步骤(1):建立图像增强观测模型yk=Hkz+nk,1≤k≤p,
其中:yk定义为第k幅低分辨率观测图像,z定义为用于退化的高分辨率图像,Hk定义为点扩散函数,即退化矩阵,nk定义为加入的噪声向量,p定义为图像序列所包含的图像幅数;
步骤(2):利用步骤(1)中建立的图像增强观测模型对一幅高分辨率图像进行退化处理,得到多幅低分辨率观测图像,并为每一幅低分辨率观测图像建立图像POCS重建目标方程其中:定义为当前估计的模拟高分辨率重建图像,PA定义为数据的幅值约束投影算子,PDM定义为修正的数据一致性约束投影算子,定义为最终的高分辨率重建图像;
所述步骤(2)中的退化处理还包括依次对高分辨率图像做平移处理、模糊处理和降采样处理;
所述步骤(2)中修正的数据一致性约束投影算子PDM由以下公式确定:
所述修正的数据一致性约束投影算子PDM计算公式中的δM由以下公式确定:
δM(s,t)=δ+α·M(s,t)其中:δ定义为原始残差阈值,M定义为残差反向修正算子,参数α用于调节残差阈值的修正程度;
步骤(3):利用迭代算法对图像POCS重建目标方程优化求解,得到当前估计的模拟高分辨率重建图像
步骤(4):判断步骤(3)中得到的是否达到迭代终止条件,如达到,则将本次迭代得到的模拟高分辨率图像作为最终的重建图像输出;如没有达到,则转而执行步骤(3)。
2.根据权利要求1所述的序列图像POCS超分辨率重建方法,其特征在于:所述参数α的取值范围是20~30。
3.根据权利要求1所述序列图像POCS超分辨率重建方法,其特征在于:所述残差反向修正算子M由以下公式确定:
4.根据权利要求3所述的序列图像POCS超分辨率重建方法,其特征在于:所述残差反向修正算子M计算公式中的边缘约束算子E由以下公式确定:
5.根据权利要求1所述的序列图像POCS超分辨率重建方法,其特征在于:所述修正后的点扩散函数HM由以下公式确定:
其中:M定义为残差反向修正算子,ω定义为点扩散函数模板尺寸,β定义为调节两种模糊核函数所占比重的参数。
6.根据权利要求5所述的序列图像POCS超分辨率重建方法,其特征在于:所述调节两种模糊核函数所占比重的参数β的取值范围是0.8~1.2。
7.根据权利要求1所述的序列图像POCS超分辨率重建方法,其特征在于:所述步骤(3)中数据的幅值约束投影算子PA由以下公式确定:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210205465.1A CN102800071B (zh) | 2012-06-20 | 2012-06-20 | 序列图像pocs超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210205465.1A CN102800071B (zh) | 2012-06-20 | 2012-06-20 | 序列图像pocs超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102800071A CN102800071A (zh) | 2012-11-28 |
CN102800071B true CN102800071B (zh) | 2015-05-20 |
Family
ID=47199170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210205465.1A Active CN102800071B (zh) | 2012-06-20 | 2012-06-20 | 序列图像pocs超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102800071B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101875203B1 (ko) | 2010-06-09 | 2018-07-06 | 리전츠 오브 더 유니버스티 오브 미네소타 | 초음파 치료의 전달을 제어하기 위한 이중 모드 초음파 트랜스듀서(dmut) 시스템 및 방법 |
EP2696771B8 (en) | 2011-04-14 | 2018-11-28 | Regents of the University of Minnesota | Vascular characterization using ultrasound imaging |
CN103136734B (zh) * | 2013-02-27 | 2016-01-13 | 北京工业大学 | 一种凸集投影超分辨率图像重建时边缘晕轮效应的抑制方法 |
WO2015013196A2 (en) * | 2013-07-23 | 2015-01-29 | Regents Of The University Of Minnesota | Ultrasound image formation and/or reconstruction using multiple frequency waveforms |
CN104063849A (zh) * | 2014-06-20 | 2014-09-24 | 武汉工程大学 | 基于图像块自适应配准的视频超分辨重建方法 |
CN104318518A (zh) * | 2014-09-26 | 2015-01-28 | 北京航空航天大学 | 基于surf匹配和边缘检测的凸集投影图像重构方法 |
CN104574338B (zh) * | 2015-01-26 | 2017-04-26 | 西安交通大学 | 基于多角度线阵ccd传感器的遥感图像超分辨率重建方法 |
CN105405099A (zh) * | 2015-10-30 | 2016-03-16 | 北京理工大学 | 一种基于点扩散函数的水下图像超分辨率重建方法 |
CN106204438A (zh) * | 2016-06-28 | 2016-12-07 | 北京航空航天大学 | 欠采样降质图像的超分辨率重建优化恢复方法 |
CN106373087B (zh) * | 2016-08-23 | 2019-04-23 | 大连理工大学 | 一种改进初始估计的图像超分辨率重建方法 |
CN107067369A (zh) * | 2017-04-10 | 2017-08-18 | 牡丹江医学院 | 一种核磁图像超分辨率的系统及方法 |
CN107292819A (zh) * | 2017-05-10 | 2017-10-24 | 重庆邮电大学 | 一种基于边缘细节保护的红外图像超分辨率重建方法 |
CN107424121B (zh) * | 2017-06-30 | 2021-01-12 | 中原智慧城市设计研究院有限公司 | 一种基于分数阶微分的模糊图像超分辨率重构方法 |
CN107656223B (zh) * | 2017-09-29 | 2019-03-15 | 福建加谱新科科技有限公司 | 基于傅里叶变换核磁共振谱叠加峰形的核磁共振谱获取方法 |
CN107728089B (zh) * | 2017-09-29 | 2019-03-15 | 福建加谱新科科技有限公司 | 基于傅里叶变换磁共振成像叠加式峰形的磁共振成像方法 |
US11458337B2 (en) | 2017-11-28 | 2022-10-04 | Regents Of The University Of Minnesota | Adaptive refocusing of ultrasound transducer arrays using image data |
US11596812B2 (en) | 2018-04-06 | 2023-03-07 | Regents Of The University Of Minnesota | Wearable transcranial dual-mode ultrasound transducers for neuromodulation |
CN108961163A (zh) * | 2018-06-28 | 2018-12-07 | 长光卫星技术有限公司 | 一种高分辨率卫星影像超分辨重建方法 |
CN109951666A (zh) * | 2019-02-27 | 2019-06-28 | 天津大学 | 基于监控视频的超分辨复原方法 |
CN112184549B (zh) * | 2020-09-14 | 2023-06-23 | 阿坝师范学院 | 基于时空变换技术的超分辨图像重建方法 |
CN112488919B (zh) * | 2020-11-27 | 2024-03-22 | 浙江工业大学 | 一种洛伦兹拟合模糊核的图像超分辨重建方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101277A (zh) * | 2007-08-10 | 2008-01-09 | 华南理工大学 | 一种高清晰焊缝超声成像无损检测方法及检测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8064712B2 (en) * | 2007-01-24 | 2011-11-22 | Utc Fire & Security Americas Corporation, Inc. | System and method for reconstructing restored facial images from video |
-
2012
- 2012-06-20 CN CN201210205465.1A patent/CN102800071B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101277A (zh) * | 2007-08-10 | 2008-01-09 | 华南理工大学 | 一种高清晰焊缝超声成像无损检测方法及检测系统 |
Non-Patent Citations (1)
Title |
---|
基于POCS框架的时空联合自适应视频超分辨率重建算法;田敬北 等;《计算机应用研究》;20110731;第28卷(第7期);第2778-2781页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102800071A (zh) | 2012-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102800071B (zh) | 序列图像pocs超分辨率重建方法 | |
Liang et al. | Details or artifacts: A locally discriminative learning approach to realistic image super-resolution | |
CN103136734B (zh) | 一种凸集投影超分辨率图像重建时边缘晕轮效应的抑制方法 | |
CN100510773C (zh) | 单幅卫星遥感影像小目标超分辨率重建方法 | |
CN101477684B (zh) | 一种利用位置图像块重建的人脸图像超分辨率方法 | |
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 | |
CN102231204A (zh) | 一种序列图像自适应正则超分辨率重建方法 | |
CN101980289B (zh) | 基于频域配准和凸集投影的多帧图像超分辨率重建方法 | |
CN103824273A (zh) | 基于复合运动和自适应非局部先验的超分辨率重建方法 | |
CN102750668B (zh) | 结合局部方向特征的数字图像三倍插值放大方法 | |
Cao et al. | New architecture of deep recursive convolution networks for super-resolution | |
CN111861884A (zh) | 一种基于深度学习的卫星云图超分辨率重建方法 | |
Qiu et al. | Progressive U-Net residual network for computed tomography images super-resolution in the screening of COVID-19 | |
Guo et al. | Towards efficient motion-blurred public security video super-resolution based on back-projection networks | |
CN103020905B (zh) | 针对文字图像的稀疏约束自适应nlm超分辨率重建方法 | |
Hu et al. | An efficient fusion algorithm based on hybrid multiscale decomposition for infrared-visible and multi-type images | |
Wen et al. | Residual network with detail perception loss for single image super-resolution | |
Khattab et al. | A Hybrid Regularization-Based Multi-Frame Super-Resolution Using Bayesian Framework. | |
Chen et al. | Video super-resolution network using detail component extraction and optical flow enhancement algorithm | |
CN112184549B (zh) | 基于时空变换技术的超分辨图像重建方法 | |
Cheng et al. | Classification-based video super-resolution using artificial neural networks | |
Zhang et al. | Spatio-temporal super-resolution for multi-videos based on belief propagation | |
CN114757826A (zh) | 一种基于多特征的pocs图像超分辨率重建方法 | |
Liang et al. | Spatiotemporal super-resolution reconstruction based on robust optical flow and Zernike moment for video sequences | |
Du et al. | License plate super-resolution reconstruction based on improved ESPCN 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 |