CN103218776A - 基于最小生成树的非局部的深度图超分辨率重建方法 - Google Patents
基于最小生成树的非局部的深度图超分辨率重建方法 Download PDFInfo
- Publication number
- CN103218776A CN103218776A CN2013100732306A CN201310073230A CN103218776A CN 103218776 A CN103218776 A CN 103218776A CN 2013100732306 A CN2013100732306 A CN 2013100732306A CN 201310073230 A CN201310073230 A CN 201310073230A CN 103218776 A CN103218776 A CN 103218776A
- Authority
- CN
- China
- Prior art keywords
- mst
- sigma
- node
- omega
- depth map
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000002146 bilateral effect Effects 0.000 claims description 14
- 238000006116 polymerization reaction Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 239000004744 fabric Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明属于计算机视觉和图像处理领域,为提出一种快速的非局部的基于MST的超分辨率重建方法,在降低算法时间复杂度的同时,保持重建结果的质量,在两者之间取得很好的平衡,本发明采取的技术方案是,基于最小生成树的非局部的深度图超分辨率重建方法,包括下列步骤:1)得到需要进行重建的初始的低分辨率深度图,然后对初始深度图进行一步简单的预处理;2)得到一幅标准的4连通的平面图;3)由2)中的无向连通图G,得到与之对应的MST(MST,Minimum Spanning Tree);4)根据MST对预处理之后的粗糙的深度图进行重建。本发明主要应用于图像处理。
Description
技术领域
本发明属于计算机视觉和图像处理领域,具体涉及一种针对低分辨率深度图的非局部的基于最小生成树(MST,Minimum Spanning Tree)的超分辨率方法,即基于最小生成树的非局部的深度图超分辨率重建方法。
背景技术
图像超分辨率(Image Super Resolution),即通过硬件或软件的方法提高原有图像的分辨率,通过一系列低分辨率的图像来得到高分辨率的图像过程就是超分辨率重建。超分辨率重建的核心思想就是用时间带宽(获取同一场景的多帧图像序列)换取空间分辨率,实现时间分辨率向空间分辨率的转换。
提高图像分辨率最直接的办法就是提高采集设备传感器的密度,然而高密度的图像传感器的价格相对昂贵,在一般应用中难以承受;另一方面,成像系统受其固有传感器排列密度的限制,目前已接近极限。提高图像分辨率的另一方法是提高芯片尺寸,但这将导致电容的增加和电荷转移速度的下降。
一种有效提高图像分辨率的途径是采用基于信号处理的方法对图像的分辨率进行提高,即超分辨率重建。它对单幅图像或多帧图像序列进行处理,生成高分辨率图像。若利用一个滑动窗口对低分辨率图像序列进行处理,则可以生成超分辨率图像序列。超分辨率重建技术的优点是不涉及硬件,成本低,现有的图像系统还可以使用,是一种比较经济的方案。
现阶段,国内外的很多工作都是采用对齐的高分辨率彩色图和低分辨率深度图结合,来对深度图进行超分辨率重建。假设深度图中不连续的地方对应于彩色图中的边缘,彩色图中颜色一致的区域具有相似的几何结构,采用彩色图提供的丰富的纹理信息,能够有效地重建深度图纹理结构。一种方法是将超分辨率优化归结为基于马尔科夫场的后项概率问题,通过优化最大后项概率问题来提高分辨率;还有一类方法采用基于引导的滤波器(Guided ImageFiltering)来实现超分辨率。联合双边滤波器(Joint Bilateral Filter)是应用最广泛的一种Guided Image Filter,在彩色纹理导图的指引下,权值的计算不仅取决于当前像素与邻近像素的空间位置关系,纹理导图上对应位置像素间的强度值差异同样会影响权重的取值,因此双边滤波在对图像进行平滑的同时可以很好的保护边缘信息。还有一种采用非局部均值滤波(Non-local Means Filter)来实现超分辨率的方法。非局部均值滤波在操作时会考虑非局部区域在结构上的相似性,对图像结构的恢复比较有效。但是,现有的方法存在一个共同的问题:时间复杂度较高,很难满足实际应用的需要,尤其是有实时性要求的应用。
发明内容
本发明旨在克服现有技术的不足,提出一种快速的非局部的基于MST的超分辨率重建方法,在降低算法时间复杂度的同时,保持重建结果的质量,在两者之间取得很好的平衡,为此,本发明采取的技术方案是,基于最小生成树的非局部的深度图超分辨率重建方法,包括下列步骤:
1)采用Middlebury的数据集即成对彩色图和深度图作为测试数据,根据超分辨率比例对深度图进行下采样,得到需要进行重建的初始的低分辨率深度图,然后对初始深度图进行一步简单的预处理,即采用双三次插值(Bicubic Interpolation)将下采样后的深度图放大至原来的尺寸;
2)将彩色纹理导图看作一幅连通的无向图G=(V,E),节点V对应于图像中所有的像素点,边E对应于图像中最邻近像素间的连线,这样就得到了一幅标准的4连通的平面图,设s和r是一对相邻的节点,连接s和r的边的权重定义如下:
ω(s,r)=ω(r,s)=|I(s)-I(r)| (1)
ω(s,r)为连接s和r的边的权值,I(s)和I(r)是节点对应像素的强度值;
3)由2)中的无向连通图G,得到与之对应的MST(MST,Minimum Spanning Tree),在生成MST的过程中,权值较大的边会被移除,这些边正好对应于彩色图中强度值变化较大的区域;
4)根据MST对预处理之后的粗糙的深度图进行重建,在MST中,两个节点之间的距离越小,两者越相似,节点间距离为连接二者最短路径的边权的总和,节点间的相似度定义如下:
S(p,q)=S(q,p)=exp(-D(p,q)σ) (2)
p、q为MST中的节点,σ是一个常数,用来对相似度进行调整,这样就将Joint BilateralFilter扩展至最小生成树结构,双边滤波在对图像进行平滑的同时能够有效的保护边缘信息,在立体匹配代价聚合中得到广泛应用,双边滤波的定义如下:
IA(m)代表当前像素点m加权平均之后的值,n为m点M×N领域内的像素点,|m-n|表示邻域像素与当前像素之间的空间距离,单位为像素;I(n)代表原始的像素值,|I(m)-I(n)|表示像素强度间的差异,σS和σR是用来调整空间和幅值相似性的参数,分母是归一化因子;
最小生成树下的定义:
q是MST中除当前节点p外的所有的节点,MST下的加权平均将两个相似性参数σS和σR化归为σ。
21)为了考虑到图像局部的结构特征,取当前点的(2×w+1)×(2×w+1)邻域,w为窗口大小的一半,加权平均后再根据式(1)计算边权,式(1)改写为如下形式:
N(r)和N(s)分别是当前边连接的两个节点的(2×w+1)×(2×w+1)邻域,wq,*是加权平均的权值,下标中的*代表s或r;
22)在邻域加权平均时,权值wq,*是根据双边滤波因子选取的。
N(*)是当前像素的(2×w+1)×(2×w+1)邻域,|I(q)-I(s/r)|为像素q与s或r间强度值差异,|q-s/r|表示像素q与s或r间的空间距离,为了简便将wq,*写成如下形式:
23)为了抑制彩色图像过于丰富的纹理带来的负面作用,引入另一幅深度图作为导图,深度导图是采用较高级的插值方法得到的,物体的边缘较为锐利,根据上述的过程,对深度导图做同样的处理,边的权值的最终表达式如下:
二者的比重,式(7)可以改写为以下形式:
24)对三通道的彩色RGB图,分别对三个通道做相同的处理,边权的终值取三者中的最大值。
生成MST的过程进一步具体为:
31)根据边的权值的大小,采用直方图排序对边进行非降序排序;
32)采用kruskals方法得到无向连通图对应的最小生成树MST;
33)最小生成树没有固定的根节点,选定MST中的一个节点为根节点,构造一棵树。
41)计算更新后的像素强度的最简单的方法是遍历MST,采用线性时间的快速算法,可将IA↑定义为聚合后的值:
P(vc)表示节点vc的父节点;
IA(v)=S(v,P(v))×IA(P(v))+[1-S2(v,P(v))]×IA↑(v) (9)
已知当前节点v的聚合值IA↑(v)、其父节点P(v)的值IA(P(v))以及v与P(v)之间的相似度S(v,P(v)),根据式(8)、(9),可以将整个过程分别两步:
首先,根据式(8),由叶节点向根节点进行聚合,每一个节点得到的值为IA↑(v);
然后,根据式(9),由根节点向叶节点计算出每一个节点更新后的值IA(v);
42)采用一种简便的归一化方法:定义一个与预处理后的深度图的尺寸相同的矩阵,所有的元素值均为1,对这个矩阵进行相同的重构操作,最终每个元素的值变为所有的权重之和,作为归一化的分母。
本发明的技术特点及效果:
1.程序简单,易于实现。
2.采用MST进行超分辨率重建,给出了一种更加自然的像素间相似度的评价,图像中其它所有的点均会对当前像素做出贡献,这是一种非局部重建方法。局部的方法是基于窗口或用户指定区域,不能完整的考虑到图像的结构信息,而且一般不可能找到一个适用于不同数据集的最佳窗口。
3.采用了一种快速的线性时间的算法,只需对MST遍历两次即可完成所有的运算,可以在10s以内处理一张分辨率为400×400左右的深度图。
4.在计算边权时,加入了深度导图,这样可以抑制彩色图过于丰富的纹理导致深度图纹理的扩散。
附图说明
图1是方法的流程图;
图2是彩色纹理导图;
图3原始的深度图(真值图);
图4是8倍下采样后的低分辨率深度图;
图5是Bicubic Interpolation上采样后的深度图;
图6是AR Interpolation上采样后的深度导图;
图7是超分辨率重建的结果。
具体实施方式
本发明采取的技术方案包含以下几个步骤:
1)采用Middlebury的数据集(成对彩色图和深度图)作为测试数据,根据超分辨率比例对深度图进行下采样,得到需要进行重建的初始的低分辨率深度图,然后对初始深度图进行一步简单的预处理,即采用双三次插值(Bicubic Interpolation)将下采样后的深度图放大至原来的尺寸。
2)将彩色纹理导图看作一幅连通的无向图G=(V,E),节点V对应于图像中所有的像素点,边E对应于图像中最邻近像素间的连线,这样就得到了一幅标准的4连通的平面图。设s和r是一对相邻的节点,连接s和r的边的权重定义如下:
ω(s,r)=ω(r,s)=|I(s)-I(r)| (1)
ω(s,r)为连接s和r的边的权值,I(s)和I(r)是节点对应像素的强度值。
3)无向的连通图必然存在一棵最小生成树,使得所有的节点保持连通性并且边的权值的总和最小。由2)中的无向连通图G,可以得到与之对应的MST。在生成MST的过程中,权值较大的边会被移除,这些边正好对应于彩色图中强度值变化较大的区域。
4)根据MST对预处理之后的粗糙的深度图进行重建,在MST中,两个节点之间的距离越小,两者越相似,节点间距离为连接二者最短路径的边权的总和。节点间的相似度定义如下:
S(p,q)=S(q,p)=exp(-D(p,q)/σ) (2)
p、q为MST中的节点,D(p,q)是两节点间的距离,σ是一个常数,用来对相似度进行调整。这样就可以将Joint Bilateral Filter扩展至最小生成树结构。双边滤波在对图像进行平滑的同时能够有效的保护边缘信息,在立体匹配代价聚合中得到广泛应用。双边滤波的定义如下:
代表当前像素点加权平均之后的值,n为m点M×N领域内的像素点,|m-n|表示邻域像素与当前像素之间的空间距离(单位为像素),I(n)代表原始的像素值,|I(m)-I(n)|表示像素强度间的差异,σS和σR是用来调整空间和幅值相似性的参数。分母是归一化因子。
最小生成树下的定义:
IA(p)是当前节点p更新后的值,q是MST中除当前节点外的所有的节点,S(p,q)为节点间的相似度,MST下的加权平均将两个相似性参数σS和σR化归为σ。
21)为了考虑到图像局部的结构特征,取当前点的(2*w+1)×(2*w+1)邻域(w为窗口大小的一半),加权平均后再根据式(1)计算边权。式(1)改写为如下形式:
N(r)和N(s)分别是当前边连接的两个的节点的(2×w+1)×(2×w+1)邻域,wq,*(*取r,s)是加权平均的权值。
22)在邻域加权平均时,权值wq,*是根据双边滤波因子选取的。
N(*)是当前像素的(2×w+1)×(2×w+1)邻域,|I(q)-I(s/r)|为像素q与s或r间强度值差异,|q-s/r|表示像素q与s或r间的空间距离,为了简便将wq,*写成如下形式:
23)深度图中梯度较大的地方一般出现在物体的边缘,而彩色图像的纹理要复杂得多,为了抑制彩色图像过于丰富的纹理带来的负面作用,我们引入另一幅深度图作为导图。深度导图是采用较高级的插值方法(如基于自回归模型的插值方法)得到的,物体的边缘较为锐利。根据上述的过程,对深度导图做同样的处理。边的权值的最终表达式如下:
24)对三通道的彩色RGB图,分别对三个通道做相同的处理,边权的终值取三者中的最大值。
31)根据边的权值的大小,采用直方图排序对边进行非降序排序。
32)采用kruskals方法得到无向连通图对应的最小生成树MST。
33)最小生成树没有固定的根节点,选定MST中的一个节点为根节点,构造一棵树。
41)计算更新后的像素强度的最简单的方法是遍历MST,对每一个节点都根据式(4)来计算,但这样做的计算复杂度较高,比较耗时。为此,我们采用一种线性时间的快速算法,可以将算法复杂度降到最低。将IA↑定义为聚合后的值,类似于立体匹配中的aggregated cost values。
P(vc)表示节点vc的父节点,S(v,vc)是节点间的相似度,即当前节点v的聚合值IA↑(v)是其所有子节点vc的聚合值的加权和与其自身的值I(v)的总和。
IA(v)=S(v,P(v))×IA(P(v))+[1-S2(v,P(v))]×IA↑(v) (9)
已知当前节点v的聚合值IA↑(v)、其父节点P(v)的值IA(P(v))以及v与P(v)之间的相似度S(v,P(v)),就可以得到当前节点更新后的值。
根据式(8)、(9),可以将整个过程分别两步:
首先,根据式(8),由叶节点向根节点进行聚合,每一个节点得到的值为IA↑(v);
然后,根据式(9),由根节点向叶节点计算出每一个节点更新后的值IA(v)。
42)由于还没有进行归一化,IA(v)并不是真实的像素值。我们采用一种简便的归一化方法,定义一个与预处理后的深度图的尺寸相同的矩阵,所有的元素值均为1,对这个矩阵进行相同的重构操作,最终每个元素的值变为所有的权重之和,作为归一化的分母。
下面结合实例和附图对本发明做出详细的说明。
本发明利用最小生成树对深度图进行超分辨率重建,将纹理导图看作是连通的无向图,然后生成MST,根据MST定义节点间的相似度,然后进行非局部的加权平均。
具体方法包括以下几个步骤:
1)构造初始数据
11)采用Middlebury数据集里提供的成对的深度图和彩色图作为实验数据。
12)按照超分辨率比例对深度图进行下采样,得到低分辨率深度图作为输入。
13)采用双三次插值将低分辨率的深度图放大至原来的尺寸,得到初始的粗糙的深度图。
14)采用高级的插值方法将低分辨率的深度图放大至原来的尺寸,得到较为精细的深度图作为导图。
2)将彩色的纹理导图看作一幅连通(4连通或8连通)的无向图,根据彩色导图和深度导图,计算所有边的权值。权值的计算公式如下:
21)对深度导图和彩色导图的RGB三个通道,取当前像素的(2*w+1)×(2*w+1)邻域(w为窗口大小的一半),对邻域加权平均,权值的定义参见式(6)。
22)使用加权平均后的值计算边权,边权的定义参见式(1)和式(7)。
3)生成最小生成树,采用kruskals算法构造最小生成树,具体步骤如下:
31)使用直方图排序,根据边权大小将所有的边按非降序排序。
32)假设节点数为V,初始状态下存在V棵单节点树,连续的选取权重最小的边,当所选取的边不产生环就把它作为取定的边。
33)重复32)的操作,直至所有的边都加入同一集合,即得到MST。
34)选定MST中的某个节点为根节点,构造一棵树。
4)根据最小生成树,计算节点间的相似度,通过非局部的加权平均得到更新值。
41)由叶节点向根节点遍历,根据式(8)求出每个节点对应的IA↑(v)。
42)由根节点向叶节点遍历,根据式(9)求出每个节点对应的IA(v)。
5)进行归一化。定义一个与预处理后的深度图的尺寸相同的矩阵,所有的元素值均为1,对这个矩阵进行相同的重构操作,最终每个元素的值变为所有的权重之和,作为归一化的分母。
Claims (4)
1.一种基于最小生成树的非局部的深度图超分辨率重建方法,其特征是,包括下列步骤:
1)采用Middlebury的数据集即成对彩色图和深度图作为测试数据,根据超分辨率比例对深度图进行下采样,得到需要进行重建的初始的低分辨率深度图,然后对初始深度图进行一步简单的预处理,即采用双三次插值(Bicubic Interpolation)将下采样后的深度图放大至原来的尺寸;
2)将彩色纹理导图看作一幅连通的无向图G=(V,E),节点V对应于图像中所有的像素点,边E对应于图像中最邻近像素间的连线,这样就得到了一幅标准的4连通的平面图,设s和r是一对相邻的节点,连接s和r的边的权重定义如下:
ω(s,r)=ω(r,s)=|I(s)-I(r)| (1)
ω(s,r)为连接s和r的边的权值,I(s)和I(r)是节点对应像素的强度值;
3)由2)中的无向连通图G,得到与之对应的MST(MST,Minimum Spanning Tree),在生成MST的过程中,权值较大的边会被移除,这些边正好对应于彩色图中强度值变化较大的区域;
4)根据MST对预处理之后的粗糙的深度图进行重建,在MST中,两个节点之间的距离越小,两者越相似,节点间距离为连接二者最短路径的边权的总和,节点间的相似度定义如下:
S(p,q)=S(q,p)=exp(-D(p,q)/σ) (2)
p、q为MST中的节点,σ是一个常数,用来对相似度进行调整,这样就将JointBilateral Filter扩展至最小生成树结构,双边滤波在对图像进行平滑的同时能够有效的保护边缘信息,在立体匹配代价聚合中得到广泛应用,双边滤波的定义如下:
IA(m)代表当前像素点m加权平均之后的值,n为m点M×N领域内的像素点,|m-n|表示邻域像素与当前像素之间的空间距离,单位为像素;I(n)代表原始的像素值,|I(m)-I(n)|表示像素强度间的差异,σS和σR是用来调整空间和幅值相似性的参数,分母是归一化因子;
最小生成树下的定义:
q是MST中除当前节点p外的所有的节点,MST下的加权平均将两个相似性参数σS和σR化归为σ。
2.如权利要求1所述的基于最小生成树的非局部的深度图超分辨率重建方法,其特征是:21)为了考虑到图像局部的结构特征,取当前点的(2×w+1)×(2×w+1)邻域,w为窗口大小的一半,加权平均后再根据式(1)计算边权,式(1)改写为如下形式:
N(r)和N(s)分别是当前边连接的两个节点的(2×w+1)×(2×w+1)邻域,wq,*是加权平均的权值,下标中的*代表s或r;
22)在邻域加权平均时,权值wq,*是根据双边滤波因子选取的。
N(*)是当前像素的(2×w+1)×(2×w+1)邻域,|I(q)-I(s/r)|为像素q与s或r间强度值差异,|q-s/r|表示像素q与s或r间的空间距离,为了简便将wq,*写成如下形式:
23)为了抑制彩色图像过于丰富的纹理带来的负面作用,引入另一幅深度图作为导图,深度导图是采用较高级的插值方法得到的,物体的边缘较为锐利,根据上述的过程,对深度导图做同样的处理,边的权值的最终表达式如下:
24)对三通道的彩色RGB图,分别对三个通道做相同的处理,边权的终值取三者中的最大值。
3.如权利要求1所述的基于最小生成树的非局部的深度图超分辨率重建方法,其特征是,生成MST的过程进一步具体为:
31)根据边的权值的大小,采用直方图排序对边进行非降序排序;
32)采用kruskals方法得到无向连通图对应的最小生成树MST;
33)最小生成树没有固定的根节点,选定MST中的一个节点为根节点,构造一棵树。
4.如权利要求1所述的基于最小生成树的非局部的深度图超分辨率重建方法,其特征是,
41)计算更新后的像素强度的最简单的方法是遍历MST,采用线性时间的快速算法,可将IA↑定义为聚合后的值:
P(vc)表示节点vc的父节点;
IA(v)=S(v,P(v))×IA(P(v))+[1-S2(v,P(v))]×IA↑(v) (9)
已知当前节点v的聚合值IA↑(v)、其父节点P(v)的值IA(P(v))以及v与P(v)之间的相似度S(v,P(v)),根据式(8)、(9),可以将整个过程分别两步:
首先,根据式(8),由叶节点向根节点进行聚合,每一个节点得到的值为IA↑(v);
然后,根据式(9),由根节点向叶节点计算出每一个节点更新后的值IA(v);
42)采用一种简便的归一化方法:定义一个与预处理后的深度图的尺寸相同的矩阵,所有的元素值均为1,对这个矩阵进行相同的重构操作,最终每个元素的值变为所有的权重之和,作为归一化的分母。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310073230.6A CN103218776B (zh) | 2013-03-07 | 2013-03-07 | 基于最小生成树的非局部的深度图超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310073230.6A CN103218776B (zh) | 2013-03-07 | 2013-03-07 | 基于最小生成树的非局部的深度图超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103218776A true CN103218776A (zh) | 2013-07-24 |
CN103218776B CN103218776B (zh) | 2016-06-22 |
Family
ID=48816529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310073230.6A Expired - Fee Related CN103218776B (zh) | 2013-03-07 | 2013-03-07 | 基于最小生成树的非局部的深度图超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103218776B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103414786A (zh) * | 2013-08-28 | 2013-11-27 | 电子科技大学 | 一种基于最小生成树的数据聚合方法 |
CN103810685A (zh) * | 2014-02-25 | 2014-05-21 | 清华大学深圳研究生院 | 一种深度图的超分辨率处理方法 |
CN104867106A (zh) * | 2015-05-29 | 2015-08-26 | 清华大学深圳研究生院 | 一种深度图超分辨率方法 |
CN105100768A (zh) * | 2014-05-13 | 2015-11-25 | 三星电子株式会社 | 用于立体匹配的方法和用于上采样的方法 |
CN105354797A (zh) * | 2015-11-25 | 2016-02-24 | 宁波工程学院 | 一种基于l1-l2罚函数的深度图超分辨率重建方法 |
CN105513033A (zh) * | 2015-12-07 | 2016-04-20 | 天津大学 | 一种非局部联合稀疏表示的超分辨率重建方法 |
CN105761270A (zh) * | 2016-03-15 | 2016-07-13 | 杭州电子科技大学 | 一种基于外极线距离变换的树型滤波立体匹配方法 |
CN106355552A (zh) * | 2016-08-27 | 2017-01-25 | 天津大学 | 一种基于虚拟视点绘制质量的深度图上采样方法 |
CN106504276A (zh) * | 2016-10-25 | 2017-03-15 | 桂林电子科技大学 | 非局部立体匹配算法的组合匹配代价算法和视差联合填充算法 |
US9679220B2 (en) | 2014-05-16 | 2017-06-13 | Nokia Technologies Oy | Method, apparatus and computer program product for disparity estimation in images |
CN106909805A (zh) * | 2017-03-01 | 2017-06-30 | 广西大学 | 基于多条代谢路径比对重建物种系统发生树的方法 |
CN107067367A (zh) * | 2016-09-08 | 2017-08-18 | 南京工程学院 | 一种图像超分辨重建处理方法 |
CN107507233A (zh) * | 2017-07-14 | 2017-12-22 | 天津大学 | 基于全域图像对称相关性的立体匹配算法 |
CN107895353A (zh) * | 2017-11-09 | 2018-04-10 | 武汉大学 | 一种交互式的深度图纹理拷贝瑕疵去除方法 |
CN109345478A (zh) * | 2018-09-27 | 2019-02-15 | 深圳市牧月科技有限公司 | 一种基于梯度最小化的图像平滑处理方法 |
CN109978829A (zh) * | 2019-02-26 | 2019-07-05 | 深圳市华汉伟业科技有限公司 | 一种待检测对象的检测方法及其系统 |
CN110223230A (zh) * | 2019-05-30 | 2019-09-10 | 华南理工大学 | 一种多前端深度图像超分辨率系统及其数据处理方法 |
CN110244316A (zh) * | 2018-03-08 | 2019-09-17 | Zf 腓德烈斯哈芬股份公司 | 接收光脉冲的接收器组件、LiDAR模组和接收光脉冲的方法 |
CN110675319A (zh) * | 2019-09-12 | 2020-01-10 | 创新奇智(成都)科技有限公司 | 一种基于最小生成树的手机拍照全景图像拼接方法 |
CN114420215A (zh) * | 2022-03-28 | 2022-04-29 | 山东大学 | 基于生成树的大规模生物数据聚类方法及系统 |
CN114820554A (zh) * | 2022-05-11 | 2022-07-29 | 杭州类脑科技有限公司 | 基于全局自动生长的肝脏血管提取方法、系统及计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722863A (zh) * | 2012-04-16 | 2012-10-10 | 天津大学 | 采用自回归模型对深度图进行超分辨率重建的方法 |
-
2013
- 2013-03-07 CN CN201310073230.6A patent/CN103218776B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722863A (zh) * | 2012-04-16 | 2012-10-10 | 天津大学 | 采用自回归模型对深度图进行超分辨率重建的方法 |
Non-Patent Citations (3)
Title |
---|
宣善立等: "一种基于修正的最小生成树及其邻接谱的特征匹配算法", 《电子学报》 * |
王化宇: "最小生成树算法及其应用", 《内蒙古科技与经济》 * |
黄坤: "基于Kruskal算法的最小生成树的构建", 《电脑知识与技术》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103414786B (zh) * | 2013-08-28 | 2016-03-16 | 电子科技大学 | 一种基于最小生成树的数据聚合方法 |
CN103414786A (zh) * | 2013-08-28 | 2013-11-27 | 电子科技大学 | 一种基于最小生成树的数据聚合方法 |
CN103810685A (zh) * | 2014-02-25 | 2014-05-21 | 清华大学深圳研究生院 | 一种深度图的超分辨率处理方法 |
US10115182B2 (en) | 2014-02-25 | 2018-10-30 | Graduate School At Shenzhen, Tsinghua University | Depth map super-resolution processing method |
CN103810685B (zh) * | 2014-02-25 | 2016-05-25 | 清华大学深圳研究生院 | 一种深度图的超分辨率处理方法 |
CN105100768A (zh) * | 2014-05-13 | 2015-11-25 | 三星电子株式会社 | 用于立体匹配的方法和用于上采样的方法 |
CN105100768B (zh) * | 2014-05-13 | 2019-01-04 | 三星电子株式会社 | 用于立体匹配的方法和用于上采样的方法 |
US9679220B2 (en) | 2014-05-16 | 2017-06-13 | Nokia Technologies Oy | Method, apparatus and computer program product for disparity estimation in images |
CN104867106B (zh) * | 2015-05-29 | 2017-09-15 | 清华大学深圳研究生院 | 一种深度图超分辨率方法 |
CN104867106A (zh) * | 2015-05-29 | 2015-08-26 | 清华大学深圳研究生院 | 一种深度图超分辨率方法 |
CN105354797A (zh) * | 2015-11-25 | 2016-02-24 | 宁波工程学院 | 一种基于l1-l2罚函数的深度图超分辨率重建方法 |
CN105354797B (zh) * | 2015-11-25 | 2018-05-25 | 宁波工程学院 | 一种基于l1-l2罚函数的深度图超分辨率重建方法 |
CN105513033A (zh) * | 2015-12-07 | 2016-04-20 | 天津大学 | 一种非局部联合稀疏表示的超分辨率重建方法 |
CN105513033B (zh) * | 2015-12-07 | 2018-09-25 | 天津大学 | 一种非局部联合稀疏表示的超分辨率重建方法 |
CN105761270A (zh) * | 2016-03-15 | 2016-07-13 | 杭州电子科技大学 | 一种基于外极线距离变换的树型滤波立体匹配方法 |
CN105761270B (zh) * | 2016-03-15 | 2018-11-27 | 杭州电子科技大学 | 一种基于外极线距离变换的树型滤波立体匹配方法 |
CN106355552A (zh) * | 2016-08-27 | 2017-01-25 | 天津大学 | 一种基于虚拟视点绘制质量的深度图上采样方法 |
CN106355552B (zh) * | 2016-08-27 | 2019-08-02 | 天津大学 | 一种基于虚拟视点绘制质量的深度图上采样方法 |
CN107067367A (zh) * | 2016-09-08 | 2017-08-18 | 南京工程学院 | 一种图像超分辨重建处理方法 |
CN106504276B (zh) * | 2016-10-25 | 2019-02-19 | 桂林电子科技大学 | 非局部立体匹配方法 |
CN106504276A (zh) * | 2016-10-25 | 2017-03-15 | 桂林电子科技大学 | 非局部立体匹配算法的组合匹配代价算法和视差联合填充算法 |
CN106909805A (zh) * | 2017-03-01 | 2017-06-30 | 广西大学 | 基于多条代谢路径比对重建物种系统发生树的方法 |
CN106909805B (zh) * | 2017-03-01 | 2019-04-02 | 广西大学 | 基于多条代谢路径比对重建物种系统发生树的方法 |
CN107507233A (zh) * | 2017-07-14 | 2017-12-22 | 天津大学 | 基于全域图像对称相关性的立体匹配算法 |
CN107507233B (zh) * | 2017-07-14 | 2020-08-14 | 天津大学 | 基于全域图像对称相关性的立体匹配方法 |
CN107895353A (zh) * | 2017-11-09 | 2018-04-10 | 武汉大学 | 一种交互式的深度图纹理拷贝瑕疵去除方法 |
CN107895353B (zh) * | 2017-11-09 | 2021-05-25 | 武汉大学 | 一种交互式的深度图纹理拷贝瑕疵去除方法 |
CN110244316B (zh) * | 2018-03-08 | 2024-01-16 | 微视公司 | 接收光脉冲的接收器组件、LiDAR模组和接收光脉冲的方法 |
CN110244316A (zh) * | 2018-03-08 | 2019-09-17 | Zf 腓德烈斯哈芬股份公司 | 接收光脉冲的接收器组件、LiDAR模组和接收光脉冲的方法 |
CN109345478A (zh) * | 2018-09-27 | 2019-02-15 | 深圳市牧月科技有限公司 | 一种基于梯度最小化的图像平滑处理方法 |
CN109345478B (zh) * | 2018-09-27 | 2020-11-17 | 深圳市牧月科技有限公司 | 一种基于梯度最小化的图像平滑处理方法 |
CN109978829A (zh) * | 2019-02-26 | 2019-07-05 | 深圳市华汉伟业科技有限公司 | 一种待检测对象的检测方法及其系统 |
CN110223230A (zh) * | 2019-05-30 | 2019-09-10 | 华南理工大学 | 一种多前端深度图像超分辨率系统及其数据处理方法 |
CN110675319A (zh) * | 2019-09-12 | 2020-01-10 | 创新奇智(成都)科技有限公司 | 一种基于最小生成树的手机拍照全景图像拼接方法 |
CN114420215A (zh) * | 2022-03-28 | 2022-04-29 | 山东大学 | 基于生成树的大规模生物数据聚类方法及系统 |
CN114820554A (zh) * | 2022-05-11 | 2022-07-29 | 杭州类脑科技有限公司 | 基于全局自动生长的肝脏血管提取方法、系统及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103218776B (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103218776A (zh) | 基于最小生成树的非局部的深度图超分辨率重建方法 | |
US11238602B2 (en) | Method for estimating high-quality depth maps based on depth prediction and enhancement subnetworks | |
Wu et al. | Fast end-to-end trainable guided filter | |
CN111275618B (zh) | 一种基于双支感知的深度图超分辨率重建网络构建方法 | |
CN101950365B (zh) | 基于ksvd字典学习的多任务超分辨率图像重构方法 | |
CN105069746B (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统 | |
CN102156875B (zh) | 基于多任务ksvd字典学习的图像超分辨率重构方法 | |
CN112257597B (zh) | 一种点云数据的语义分割方法 | |
CN106204447A (zh) | 基于总变差分和卷积神经网络的超分辨率重建方法 | |
CN102629374B (zh) | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 | |
CN101719266B (zh) | 一种基于仿射变换的正面人脸图像超分辨率重建方法 | |
CN105844590A (zh) | 基于稀疏表示的图像超分辨率重建方法及系统 | |
CN109472819A (zh) | 一种基于级联几何上下文神经网络的双目视差估计方法 | |
CN104408458B (zh) | 基于射线补全区域图和特征学习的sar图像分割方法 | |
CN106251355A (zh) | 一种融合可见光图像与对应夜视红外图像的检测方法 | |
CN111242999B (zh) | 基于上采样及精确重匹配的视差估计优化方法 | |
CN106886978A (zh) | 一种图像的超分辨率重建方法 | |
CN103971354A (zh) | 低分辨率红外图像重建高分辨率红外图像的方法 | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
CN110930500A (zh) | 一种基于单视角视频的动态头发建模方法 | |
CN104252704A (zh) | 基于总广义变分的红外图像多传感器超分辨率重建方法 | |
CN117576402B (zh) | 一种基于深度学习的多尺度聚合Transformer遥感图像语义分割方法 | |
CN106683049A (zh) | 一种基于显著图和稀疏表示的图像超分辨率重构方法 | |
CN107622476B (zh) | 基于概率生成模型的图像超分辨处理方法 | |
CN104182931B (zh) | 超分辨率方法和装置 |
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: 20160622 |
|
CF01 | Termination of patent right due to non-payment of annual fee |