CN103533344B - 基于多尺度分解的压缩图像质量无参评估方法 - Google Patents
基于多尺度分解的压缩图像质量无参评估方法 Download PDFInfo
- Publication number
- CN103533344B CN103533344B CN201310464607.0A CN201310464607A CN103533344B CN 103533344 B CN103533344 B CN 103533344B CN 201310464607 A CN201310464607 A CN 201310464607A CN 103533344 B CN103533344 B CN 103533344B
- Authority
- CN
- China
- Prior art keywords
- image
- edge pixel
- compressed image
- edge
- characterization factor
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明公开了一种基于多尺度分解的压缩图像质量无参评估方法,该方法首先,提取压缩图像的边缘像素,采用非下采样的轮廓波变换,构建图像边缘渐变特征因子;其次,对压缩图像进行离散余弦变换(DCT),获得的图像平滑特征因子;最后,将图像边缘渐变特征因子和图像的平滑特征因子融合,得到压缩图像无参质量评估的评价值公式,实现对压缩图像无参质量评估。本发明采用图像边缘渐变特征因子与图像平滑特征因子进行融合,得到该压缩图像无参质量评估的评价值,综合反映了图像压缩导致的结构失真和平滑失真,因此能有效地评价压缩图像的质量,当图像被低通滤波或裁减时,仍可有效反映图像这两方面的失真情况,因此还提高了图像质量评估的鲁棒性。
Description
技术领域
本发明涉及一种利用信号处理和计算机技术分解数字图像内容以便对压缩图像质量进行无参考评估的方法。
背景技术
由于压缩图像被广泛地应用,对压缩图像质量进行评估,有助于分析图像质量的优劣、评价各类压缩算法的性能。质量评估中,根据是否有原始图像作为参考,通常分为有参评估和无参评估。相比于有参质量评估,数字图像无参质量评估不需要原始未压缩图像,因此具有更好的应用价值。
常见的压缩图像多采用分块的方式,对每一块单独进行压缩,在一定程度上造成了图像块与块相邻处有一定的差异,压缩程度不同对图像边缘结构也有较大影响。基于此,目前大多数针对压缩图像的质量评估方法,假定在已知图像分块位置的前提下,通过分析图像中的块效应或者边缘变化的大小来判定压缩程度并给出质量评分。各种方法的评估方式不尽相同,可参阅如下论文:
1.S.Lee,J.P.Sang."Anewimagequalityassessmentmethodtodetectandmeasurestrengthofblockingartifacts."SignalProcessing:ImageCommunication,Vol.27,No.1,pp.31-38,2012.
2.M.A.Saad,A.C.Bovic,ATwo-StepFrameworkforConstructingBlindImageQualityIndices,IEEESignalProcessingletters,Vol.17,No.5,May.2010,pp.513-516.
3.C.H.YimandA.C.Bovik,QualityAssessmentofDeblockedImages,IEEETransactionsonImageProcessing,Vol.20,No.1,Jan.2011,pp.88-98
4.Z.Wang,A.C.Bovik,B.L.Evan,BlindMeasurementofBlockingArtifactsinImages,IEEEInternationalConferenceonImageProcessing,Vol.3,2000,pp.981-984
然而这些方法通常假定已知图像的分块位置,当压缩图像经过低通滤波、裁剪等处理后,图像中的块效应减弱或分块位置发生偏移,导致评价结果并不理想,即质量评估的鲁棒性较差。
发明内容
本发明的目的,在于提供一种基于多尺度分解的压缩图像质量无参评估方法,该方法根据图像压缩过程中出现的失真,可对压缩图像的质量进行准确评估,并能提高图像质量无参评估的鲁棒性。
为达到以上目的,本发明采用如下方案:
基于多尺度分解的压缩图像质量无参评估方法,首先,提取压缩图像的边缘像素,采用非下采样的轮廓波变换,构建图像边缘渐变特征因子;其次,对压缩图像进行一维离散余弦变换(DCT),获得的图像平滑特征因子;最后,将图像边缘渐变特征因子和图像的平滑特征因子融合,得到压缩图像无参质量评估的评价值公式,实现对压缩图像无参质量评估,实现步骤如下:
(1)、提取压缩图像的边缘像素,得到所有边缘像素集合E及其相应的坐标集合F;对压缩图像的所有像素进行三层非下采样轮廓波变换,根据相应的坐标集合F中所有元素,判断边缘像素集合E中每一元素属于三层中的其中一层,由此构建压缩图像边缘渐变特征因子;
(2)、将图像进行分块,对每一图像分块中的行和列作一维离散余弦(DCT)变换,得到(DCT)变换系数,根据图像块中向量的一维(DCT)变换中行或列系数的数值,确定所有行或列方向平滑向量的个数,获得图像平滑特征因子;
(3)、对上述步骤(1)所述的图像边缘渐变特征因子与步骤(2)所述的图像平滑特征因子进行融合,得到该压缩图像无参质量评估的评价值。
上述步骤(1)所述的提取压缩图像的边缘像素,得到所有边缘像素集合E和相应的坐标集合F,对压缩图像的所有像素进行非下采样轮廓波变换,根据相应的坐标集合F,判断边缘像素集合E中每一元素属于三层中的其中一层,由此构建压缩图像边缘渐变特征因子,其具体步骤如下:
(1-1).将待测图像进行sobel边缘提取,得到边缘像素集合E和相应的坐标集合F,具体如下:
首先,采用sobel提取待测图像各边缘像素,将其边缘像素记为e(i,j),由各边缘像素组成边缘像素集合,记为E,将每一个边缘像素所对应的坐标记为f(i,j),由各坐标组成坐标集合F;
(1-2).将压缩图像中所有像素通过Harr低通滤波器,采用非下采样轮廓波变换,将所有像素依次分解为第一层的高频分量、第二层的高频分量、第三层的高频分量;
第一层的高频分量作为输入,通过pkva12滤波器进行第一层的8个方向分解,得到第一层的高频分量的分解系数,记为;
同理,将第二层高频分量作为输入,通过pkva12滤波器进行第二层的8个方向分解,得到第二层的高频分量的分解系数,记为;
同理,将第三层高频分量作为输入,通过pkva12滤波器进行第三层的8个方向分解,得到第三层的高频分量的分解系数,记为。
(1-3).根据坐标集合F中对应的每一个坐标位置元素f(i,j),分别判断第一层分解系数、第二层分解系数、第三层分解系数中的方向系数中(i,j)位置上的最大值,
若最大值在第1层分解系数中,则将边缘像素所对应的坐标f(i,j)所对应的边缘像素e(i,j)放入凸圆型边缘像素集合M ,即由对应的边缘像素e(i,j)放入凸圆型边缘像素组成凸圆型边缘像素集合M,
若最大值在第2层分解系数中,则边缘像素所对应的坐标f(i,j)所对应的边缘像素e(i,j)放入屋顶型像素集合W,即由对应的边缘像素e(i,j)放入屋顶型像素组成屋顶型像素集合W,
若最大值在第3层分解系数中,则边缘像素所对应的坐标f(i,j)所对应的边缘像素e(i,j)放入阶梯型边缘像素集合S,即由对应的边缘像素e(i,j)放入阶梯型边缘像素组成阶梯型边缘像素集合S,如图2所示;
(1-4).计算屋顶型边缘像素个数在所有边缘像素中所占比例,其计算式如下:
(1)
其中,R为边缘渐变特征因子,|S|为阶梯型边缘像素集合S中元素的个数、|M|为凸圆型边缘集合M中元素的个数、|W|为屋顶型像素集合W的元素的个数。
上述步骤(2)所述的将图像进行分块,对每一图像分块中的行和列作一维离散余弦变换(DCT),得到(DCT)变换系数,根据图像块中向量的一维(DCT)变换中行或列系数的数值,确定所有行或列方向平滑向量的个数,获得图像平滑特征因子,其具体步骤如下:
(2-1).将待测压缩图像分成8×8分块,对每一图像分块中的各行或各列作一维离散余弦(DCT)变换,得到一维离散余弦(DCT)变换中行或列系数;
(2-2).设置图像块中向量的一维DCT变换中行或列系数的数值,均为0的行或列作为图像的平滑向量,分别统计图像的行或列方向平滑向量的个数,记为D H 和D V ;
(2-3).计算图像的平滑特征因子,其表达式如下:
(2)
其中,D为图像的平滑特征因子,D H 为图像的行方向平滑向量,D V 为图像的列方向平滑向量,N为图像的总块数。
上述步骤(3)所述的将步骤(1)所述的图像边缘渐变特征因子与步骤(2)所述的图像平滑特征因子进行融合,得到该压缩图像无参质量评估的评价值,其表达式为:
(3)
其中,为图像综合质量评估因子,D为图像的平滑特征因子,R为边缘渐变特征因子。
本发明与现有技术相比,具有如下评价性质和显著优点:本发明采用图像边缘渐变特征因子与图像平滑特征因子进行融合,得到该压缩图像无参质量评估的评价值,综合反映了图像压缩导致的结构失真和平滑失真,当图像被低通滤波或裁减时,仍可有效反映图像这两方面的失真情况,因此该方法能提高图像质量评估的鲁棒性。
附图说明
图1为本发明的基于多尺度分解的压缩图像质量无参评估方法的流程框图;
图2为图1中步骤(1)中所述的渐变边缘类型、凸圆型边缘类型、屋顶型边缘类型曲线的示意图;
图3为图像是512×512的原始灰度图像;
图4为采用本发明的方法对不同程度压缩图像进行无参质量评估的评价值变化趋势曲线示意图。
具体实施方式
本发明的两个优选实施例详述如下:
图3是大小为512×512原始灰度图像,为方便说明本发明如何工作,首先将图3所示图像进行JPEG压缩,采用的压缩质量因子为60。
以下结合附图对本实施例作进一步的描述。
本发明的基于多尺度分解的压缩图像质量无参评估方法,其具体步骤如下:
(1)、提取压缩图像的边缘像素,得到所有边缘像素集合E及其相应的坐标集合F;对压缩图像的所有像素进行三层非下采样轮廓波变换,根据相应的坐标集合F中所有元素,判断边缘像素集合E中每一元素属于三层中的其中一层,由此构建压缩图像边缘渐变特征因子,其具体步骤如下:
(1-1).将待测图像进行sobel边缘提取,得到边缘像素集合E和相应的坐标集合F,具体如下:
首先,采用sobel提取待测图像各边缘像素,将其边缘像素记为e(i,j),由各边缘像素组成边缘像素集合,记为E,将每一个边缘像素所对应的坐标记为f(i,j),由各坐标组成坐标集合F.
(1-2).将压缩图像中所有像素通过Harr低通滤波器,采用非下采样轮廓波变换,将所有像素依次分解为第一层的高频分量、第二层的高频分量、第三层的高频分量;
第一层的高频分量作为输入,通过pkva12滤波器进行第一层的8个方向分解,得到第一层的高频分量的分解系数,记为;
同理,将第二层高频分量作为输入,通过pkva12滤波器进行第二层的8个方向分解,得到第二层的高频分量的分解系数,记为;
同理,将第三层高频分量作为输入,通过pkva12滤波器进行第三层的8个方向分解,得到第三层的高频分量的分解系数,记为;
(1-3).根据坐标集合F中对应的每一个坐标位置元素f(i,j),分别判断第一层分解系数、第二层分解系数、第三层分解系数中的方向系数中(i,j)位置上的最大值。
若最大值在第1层分解系数中,则将边缘像素所对应的坐标f(i,j)所对应的边缘像素e(i,j)放入凸圆型边缘像素集合M ,即由对应的边缘像素e(i,j)放入凸圆型边缘像素组成凸圆型边缘像素集合M,
若最大值在第2层分解系数中,则边缘像素所对应的坐标f(i,j)所对应的边缘像素e(i,j)放入屋顶型像素集合W,即由对应的边缘像素e(i,j)放入屋顶型像素组成屋顶型像素集合W,
若最大值在第3层分解系数中,则边缘像素所对应的坐标f(i,j)所对应的边缘像素e(i,j)放入阶梯型边缘像素集合S,即由对应的边缘像素e(i,j)放入阶梯型边缘像素组成阶梯型边缘像素集合S,如图2所示,例如,采用sobel算子提取压缩图像的边缘,对压缩图像所有使用非下采样轮廓波变换,三种类型边缘渐变集合S、凸圆型边缘集合M、屋顶型像素集合W的百分比,分别为:13.365%,38.776%,47.859%,根据式(1)边缘渐变特征因子R的值为0.38776;
(1-4).计算屋顶型边缘像素个数在所有边缘像素中所占比例,其计算式如下:
(1)
其中,R为边缘渐变特征因子,|S|为阶梯型边缘像素集合S中元素的个数、|M|为凸圆型边缘集合M中元素的个数、|W|为屋顶型像素集合W的元素的个数;
(2)、将图像进行分块,对每一图像分块中的行和列作一维离散余弦变换(DCT),得到(DCT)变换系数,根据图像块中向量的一维(DCT)变换中行或列系数的数值,确定所有行或列方向平滑向量的个数,获得图像平滑特征因子,其具体步骤如下:
(2-1).将待测压缩图像分成8×8分块,对每一图像分块中的各行或各列作一维离散余弦(DCT)变换,得到一维离散余弦(DCT)变换中行或列系数;
(2-2).设置图像块中向量的一维DCT变换中行或列系数的数值,均为0的行或列作为图像的平滑向量,分别统计图像的行或列方向平滑向量的个数,得到图像的行或列方向,记为D H 和D V ;
(2-3).计算图像的平滑特征因子,其表达式如下:
(2)
其中,D为图像的平滑特征因子,D H 为图像的行方向平滑向量,D V 为图像的列方向平滑向量,N为图像的总块数,
例如,对待测压缩图像分成8×8分块,对每一图像分块中的各行和各列分别作一维离散余弦(DCT)变换,分别统计图像的行或列方向平滑向量的个数,得到D H 和D V 的值,D H 为1809,D V 为4474,待测压缩图像的总块数:N=4096,代入式(2)计算得到待测压缩图像平滑特征因子,D=1.5339;
(3)、对上述步骤(1)所述的图像边缘渐变特征因子与步骤(2)所述的图像平滑特征因子进行融合,得到该压缩图像无参质量评估的评价值,其表达式为:
(3)
其中,为图像综合质量评估因子,D为图像的平滑特征因子,R为边缘渐变特征因子,例如,分别将边缘渐变特征因子,R=14.3;压缩图像无参质量评估的评价值,D=1.5339,代入由上文式(3),最终可求得边缘渐变特征因子,=14.3,即该压缩图像无参质量评估的评价值为14.3。
为了验证使用本发明的基于多尺度分解的压缩图像质量无参评估方法的效果,对不同程度压缩图像进行无参质量评估,分别采用压缩因子为10、20、30、40、50、60、70、80、90、100的JPEG图像压缩,质量因子越大,所获压缩图像的质量越高,共计10幅图像。采用本发明的方法分别对上述每一幅压缩图像进行无参质量评估,评估的评价值为:7.0,8.2,9.5,10.8,12.4,14.3,18.3,24.0,37.2,52.9,如图4所示,图中,横轴表示不同质量因子对应的图像,纵轴表示图像质量评价值,带圆点曲线为压缩程度不同的图像所对应评价值的变化趋势曲线,从图4中变化趋势曲线看出,本发明中的方法能对不同压缩程度的压缩图像,给出不同的评价值,评价结果与图像质量相吻合。
Claims (1)
1.一种基于多尺度分解的压缩图像质量无参评估方法,其特征在于,该方法首先,
提取压缩图像的边缘像素,采用非下采样的轮廓波变换,构建图像边缘渐变特征因子;其次,对压缩图像进行一维离散余弦变换DCT,获得的图像平滑特征因子;最后,将图像边缘渐变特征因子和图像的平滑特征因子融合,得到压缩图像无参质量评估的评价值公式,实现对压缩图像无参质量评估,实现步骤如下:
(1)、提取压缩图像的边缘像素,得到所有边缘像素集合E及其相应的坐标集合F;对压缩图像的所有像素进行三层非下采样轮廓波变换,根据相应的坐标集合F中所有元素,判断边缘像素集合E中每一元素属于三层中的其中一层,由此构建压缩图像边缘渐变特征因子;
(2)、将图像进行分块,对每一图像分块中的行和列作一维离散余弦DCT变换,得到DCT变换系数,根据图像块中向量的一维DCT变换中行或列系数的数值,确定所有行或列方向平滑向量的个数,获得图像平滑特征因子;
(3)、对上述步骤(1)所述的图像边缘渐变特征因子与步骤(2)所述的图像平滑特征因子进行融合,得到该压缩图像无参质量评估的评价值;
上述步骤(1)所述的提取压缩图像的边缘像素,得到所有边缘像素集合E和相应的坐标集合F,对压缩图像的所有像素进行非下采样轮廓波变换,根据相应的坐标集合F,判断边缘像素集合E中每一元素属于三层中的其中一层,由此构建压缩图像边缘渐变特征因子,其具体步骤如下:
(1-1).将待测图像进行sobel边缘提取,得到边缘像素集合E和相应的坐标集合F,具体如下:
首先,采用sobel提取待测图像各边缘像素,将其边缘像素记为e(i,j),由各边缘像素组成边缘像素集合,记为E,将每一个边缘像素所对应的坐标记为f(i,j),由各坐标组成坐标集合F,
(1-2).将压缩图像中所有像素通过Harr低通滤波器,采用非下采样轮廓波变换,将所有像素依次分解为第一层的高频分量、第二层的高频分量、第三层的高频分量;
第一层的高频分量作为输入,通过pkva12滤波器进行第一层的8个方向分解,得到第一层的高频分量的分解系数,记为
同理,将第二层高频分量作为输入,通过pkva12滤波器进行第二层的8个方向分解,得到第二层的高频分量的分解系数,记为
同理,将第三层高频分量作为输入,通过pkva12滤波器进行第三层的8个方向分解,得到第三层的高频分量的分解系数,记为
(1-3).根据坐标集合F中对应的每一个坐标位置元素f(i,j),分别判断第一层分解系数 第二层分解系数 第三层分解系数 中的方向系数中(i,j)位置上的最大值,
若最大值在第1层分解系数中,则将边缘像素所对应的坐标f(i,j)所对应的边缘像素e(i,j)放入凸圆型边缘像素集合M,即由对应的边缘像素e(i,j)放入凸圆型边缘像素组成凸圆型边缘像素集合M,
若最大值在第2层分解系数中,则边缘像素所对应的坐标f(i,j)所对应的边缘像素e(i,j)放入屋顶型像素集合W,即由对应的边缘像素e(i,j)放入屋顶型像素组成屋顶型像素集合W,
若最大值在在第3层分解系数中,则边缘像素所对应的坐标f(i,j)所对应的边缘像素e(i,j)放入阶梯型边缘像素集合S,即由对应的边缘像素e(i,j)放入阶梯型边缘像素组成阶梯型边缘像素集合S;
(1-4).计算屋顶型边缘像素个数在所有边缘像素中所占比例,其计算式如下:
其中,R为边缘渐变特征因子,|S|为阶梯型边缘像素集合S中元素的个数、|M|为凸圆型边缘集合M中元素的个数、|W|为屋顶型像素集合W的元素的个数;
上述步骤(2)所述的将图像进行分块,对每一图像分块中的行和列作一维离散余弦变换DCT,得到DCT变换系数,根据图像块中向量的一维DCT变换中行或列系数的数值,确定所有行或列方向平滑向量的个数,获得图像平滑特征因子,其具体步骤如下:
(2-1).将待测压缩图像分成8×8分块,对每一图像分块中的各行或各列作一维离散余弦DCT变换,得到一维离散余弦DCT变换中行或列系数;
(2-2).设置图像块中向量的一维DCT变换中行或列系数的数值,均为0的行或列作为图像的平滑向量,分别统计图像的行或列方向平滑向量的个数,记为DH和DV;
(2-3).计算图像的平滑特征因子,其表达式如下:
其中,D为图像的平滑特征因子,DH为图像的行方向平滑向量,DV为图像的列方向平滑向量,N为图像的总块数;
将上述步骤(1)所述的图像边缘渐变特征因子与步骤(2)所述的图像平滑特征因子进行融合,得到该压缩图像无参质量评估的评价值,其表达式为:
SCORE=-10·log10(D·R)(3)
其中,SCORE为图像综合质量评估因子,D为图像的平滑特征因子,R为边缘渐变特征因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310464607.0A CN103533344B (zh) | 2013-10-09 | 2013-10-09 | 基于多尺度分解的压缩图像质量无参评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310464607.0A CN103533344B (zh) | 2013-10-09 | 2013-10-09 | 基于多尺度分解的压缩图像质量无参评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103533344A CN103533344A (zh) | 2014-01-22 |
CN103533344B true CN103533344B (zh) | 2016-01-13 |
Family
ID=49934960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310464607.0A Expired - Fee Related CN103533344B (zh) | 2013-10-09 | 2013-10-09 | 基于多尺度分解的压缩图像质量无参评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103533344B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460756A (zh) * | 2018-01-30 | 2018-08-28 | 西安电子科技大学 | 基于统计特征的无参考红外图像质量评价方法 |
CN109671044B (zh) * | 2018-12-04 | 2019-10-08 | 重庆邮电大学 | 一种基于可变图像分解的多曝光图像融合方法 |
CN109510981B (zh) * | 2019-01-23 | 2020-05-05 | 杭州电子科技大学 | 一种基于多尺度dct变换的立体图像舒适度预测方法 |
CN113222902B (zh) * | 2021-04-16 | 2024-02-02 | 北京科技大学 | 一种无参考图像质量评价方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102547363A (zh) * | 2010-12-07 | 2012-07-04 | 江南大学 | 基于轮廓波变换域图像特征的无参考图像质量评测方法 |
CN102685548A (zh) * | 2012-05-29 | 2012-09-19 | 公安部第三研究所 | 视频质量的无参评估方法 |
-
2013
- 2013-10-09 CN CN201310464607.0A patent/CN103533344B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102547363A (zh) * | 2010-12-07 | 2012-07-04 | 江南大学 | 基于轮廓波变换域图像特征的无参考图像质量评测方法 |
CN102685548A (zh) * | 2012-05-29 | 2012-09-19 | 公安部第三研究所 | 视频质量的无参评估方法 |
Non-Patent Citations (1)
Title |
---|
基于contourlet的SSIM图像融合质量评价方法;储彬彬;《航空电子技术》;20100930;第41卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103533344A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103533344B (zh) | 基于多尺度分解的压缩图像质量无参评估方法 | |
Liu et al. | Image compression with edge-based inpainting | |
Fang et al. | A variational approach for pan-sharpening | |
CN103077511B (zh) | 基于字典学习和结构相似的图像超分辨率重建方法 | |
El-Mezouar et al. | A pan-sharpening based on the non-subsampled contourlet transform: Application to worldview-2 imagery | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
CN102708576A (zh) | 基于结构字典的分块图像压缩感知重建方法 | |
CN103793883B (zh) | 一种基于主成分分析的成像光谱图像超分辨率复原方法 | |
CN104869421B (zh) | 基于全局运动估计的视频显著性检测方法 | |
CN103606136B (zh) | 基于关键帧和非局部约束的视频超分辨方法 | |
Cheng et al. | Perceptual image quality assessment using a geometric structural distortion model | |
CN104361570A (zh) | 一种基于分数阶傅里叶变换的图像融合方法 | |
CN114266957B (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
CN104021523A (zh) | 一种基于边缘分类的图像超分辨率放大的新方法 | |
CN103914816A (zh) | 一种基于非局部正则化和关键帧的视频超分辨方法 | |
Yang et al. | A sparse representation based pansharpening method | |
CN104504672A (zh) | 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法 | |
CN109447903A (zh) | 一种半参考型超分辨率重构图像质量评价模型的建立方法 | |
CN107203968A (zh) | 基于改进的子空间追踪算法的单幅图像超分辨率重建方法 | |
CN104809735B (zh) | 基于傅里叶变换实现图像雾霾评价的系统及方法 | |
CN105335930A (zh) | 边缘数据驱动的鲁棒性人脸超分辨率处理方法及系统 | |
US8792744B2 (en) | Generalized multiscale seam carving framework | |
CN103903239B (zh) | 一种视频超分辨率重建方法及其系统 | |
Mou et al. | Graph attention neural network for image restoration | |
Kozhemiakin et al. | Lossy compression of Landsat multispectral images |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160113 Termination date: 20211009 |