具体实施方式
如下文所述,图1示出了通过跨尺度邻域嵌入的单一图像超分辨率。为了执行对低分辨率输入I0图像的超分辨率,可以如下继续算法。
如图9所示,算法的高级流程图至少包括以下步骤:步骤A1,L+1个级别的金字塔构造;步骤A2,LR分块估计以及相应的HR分块重构;以及步骤A3,LR/HR分块估计的重叠。
首先,描述L+1个级别的金字塔构造过程A1。其包括以下步骤(参照图1进行说明)。
通过低通滤波器以给定的比rd对输入I0(LR,金字塔级别I=0)图像进行滤波和下采样,其中获得低频图像I-1。通过低通滤波器对之前经过下采样的图像I-1再次进行滤波和下采样,其中获得低频图像I-2,等等。通过重复这一过程,能够获得更多的空间分解级别。最终,通过低通滤波器对经过下采样的图像I-L+2进行滤波和下采样,其中获得最终的低频图像I-L+1。创建空HR图像I1,其中I1与I0的尺寸比是I0与I-1的反比,即I1/I0=I0/I-1,或者说:上采样因子ru是下采样因子rd的倒数。
最终,金字塔由以下级别组成:级别1(图1中所示的倒置金字塔的底部),作为HR图像分辨率(要被重构);级别0,作为输入LR图像;以及级别-L+2,作为最低分辨率图像(图1中的倒置金字塔的顶部)。
其次,描述步骤A2,即LR分块估计和从最低频分块的HR分块重构。公开了两个备选实施例:一种称为“基于亮度的”,另一种称为“基于梯度的”。
基于亮度的方案包括如下所述的LR分块估计、HR分块重构和HR图像重构。
LR分块估计包括以下步骤:在输入图像I0中确定第一位置处的第一分块Pn,其中n是I0中的当前路径的索引;搜索从LR图像I0的较低尺度I-1、I-2、...、I-L+1获取的K个最接近邻域(K-NN);以及使用根据输入LR分块Pn的K-NN PNn,k(具有相应的加权因子Wn,k)的该输入LR分块Pn的局部线性嵌入(例如来自[13]的局部线性嵌入LLE)重构系数来进行线性表征。K-NN是根据给定标准(例如,SAD、SSE)的K个最佳匹配的(与之前的第一分块P0)分块PNn,k。SAD(绝对差之和)和SSE(均方误差之和)是所涉及的技术领域中的公知标准。
HR分块重构包括根据输入LR分块的所找到的K-NN PNn,k(具有相应的加权因子wn,k)的相应的HR母分块PPNn,k来构建(也称为合成)HR分块PHn嵌入,其中I1图像的当前HR PHn分块与输入图像I0的Pn分块严格地对应(homologous),且源于(issue)金字塔的I0、I-1、...、I-L+2图像的HR母分块PPNn,k与源于金字塔的I-1、I-2、...、I-L+1图像的PNn,k分块是对应的。
HR图像重构包括针对LR/HR图像的分块的所有分块/分块对重复LR分块估计和HR分块重构。
基于梯度的方案(即减去亮度均值)包括如下LR分块估计、HR分块重构和HR图像重构。
LR分块估计包括:在输入图像I0中确定第一位置处的第一分块Pn,其中n是I0中的当前路径的索引,并且减去了块的均值;搜索从LR图像I0的较低尺度I-1、I-2、...、I-L+1中获取的K个最接近邻域K-NN;以及使用根据输入LR分块Pn的K-NN PNn,k(具有相应的加权因子wn,k)的该输入LR分块Pn的局部线性嵌入(例如LLE)重构系数来进行线性表征。K-NN是根据给定标准(例如,SAD、SSE)的K个最佳匹配的(与之前的第一分块P0)分块PNn,k,其中在每个块PNn,k处,害减去均值(即其自己的单独平均)。
HR分块重构包括根据输入LR分块的所找到的K-NN PNn,k(具有相应的加权因子wn,k)的相应的(减去均值,即,其自身的均值)HR母分块PPNn,k来构建(也称为合成)HR分块PHn嵌入,其中I1图像的当前HR PHn分块与输入图像I0的Pn分块严格地对应,且源于金字塔的I0、I-1、...、I-L+2图像的HR母分块PPNn,k与源于金字塔的I-1、I-2、...、I-L+1图像的PNn,k分块是对应的。最后,将输入LR(输入I0图像)分块的均值添加到当前重构的HR分块。
HR图像重构包括针对LR/HR图像的所有分块/分块对重复LR分块估计和HR分块重构。
在L+1个级别的金字塔重构A1和LR分块估计及HR分块重构A2之后,下一步骤A3是LR/HR分块估计的重叠,即根据最低频分块的合成。在一个实施例中,这包括均值平均与稀疏度加权平均中的至少一个。
均值平均包括,在已经针对LR图像I0中的每个分块计算了HR嵌入之后,允许分块之间的重叠,以便针对每个HR像素对源于重叠每个当前像素的重构块的所有像素贡献进行平均。
稀疏度加权平均包括,为了保留主要(dominant)结构,根据基于稀疏度的测量对所估计的重叠区域像素进行加权。然后,根据重叠像素所源于的块的稀疏程度来实现加权平均。稀疏度加权因子可以是块的DCT系数的数目的函数,或者更为复杂的,在诸如“匹配追踪”(MP)或“正交匹配追踪”(OMP)的稀疏表示的情况中是表示块的原子数目的函数。
在一个实施例中,附加的最后步骤是迭代反投影(图9中未示出)。这一步骤在于应用已知的迭代反投影处理,这确保所恢复的HR图像产生与所观察到的相同的参考LR图像。该方法在于,将原始输入LR图像I0和下采样HRk-1图像之间的经过上采样(以及低通滤波)的差异递归地加(k次迭代)到所重构的HRk图像结果。将该操作重复预定义的最大迭代次数。通常,20次迭代是足够的。一般适用的范围是10-30次迭代,在一些情况中,更少的迭代也足够了。
可以使用多种分块尺寸。具体地,低分辨率的有益分块尺寸是3×3、5×5和7×7像素(其中5×5至少针对2×2的尺寸增大给出最佳结果)。对于HR,对应尺寸是:6×6、10×10和14×14像素。同样,可以使用从一个图像到下一个图像的不同于2的多个其它子采样因子。可以将该方法扩展用于例如3或4的因子。这一扩展通过调整LR和HR分块尺寸和LR图像的尺寸减小版本来实现。此外,作为另一选择,为了获得因子4的上采样可以应用两次因子为2的上采样,或者为了获得因子6的上采样可以应用两次因子为3的上采样,等等。
针对LR图像中的每个分块,计算保留LR邻域的局部几何形状的HR嵌入。为了在目标HR图像中实现局部相容性和平滑度约束,尽可能地允许分块之间的重叠。示例性地,分块在每个维度重叠1个像素或2个像素。
因此,能够根据基于稀疏表示的加权测量对重叠区域像素进行线性组合。在这种方法中,可通过信息库来分解输入LR分块与估计的HR分块的级联,所述信息库由从LR图像及其跨尺度所获取的LR和HR图像分块构成。
在一个实施例中,根据分块的表示的稀疏度来对分块进行加权,即最稀疏的表示给予最高权重,以此类推。在一个实施例中,权重取决于分块的非零系数(例如DCT系数)(在阈值处理之后)的数目。在一个实施例中,如图2所示,使用根据下式的指数函数计算权重:
W=exp(f(非零系数的数目))
图2示出了块中的非零(实际上,“非零”指的是在零附近的最小阈值之上)系数的数目与要用于该块的归一化加权因子之间的示例性关系。如图所示,块所具有的非零系数越多,加权因子就越低。
如果使用分块的稀疏表示(例如MP、OMP),则这里在稀疏表示的情况下,“原子”(源于由N个原子组成的信息库)和DCT的“基本函数”相似(已知原子和基本函数是在空域表示的)。这里,权重还取决于非零系数的数目。
最后,为了满足全局重构约束(即,所恢复的HR图像应该生成与所观察到的相同的参考LR图像),在一个实施例中,采用迭代反投影方法[1]、[2]。从而,假定最终HR图像估计是反投影算法的结果S9。
在一个实施例中,总体算法包括:
·金字塔SR算法,例如基于LLE的,
·加上(对所重构的重叠块的)稀疏平均,
·以及(可选)+反投影。
有益地,根据本发明的算法优于本领域已知的算法。
图3示出了根据本发明的一个实施例的用于执行对输入图像的分层超分辨率的方法的流程图。在本实施例中,用于执行对输入图像I0的分层超分辨率的方法10包括以下步骤:将输入图像I0划分S1成分块Pn;将输入图像I0空间分解S2到至少两个较低分解级别,其中获得至少两个较低分解级别图像I-1、I-2;以及生成S3空上采样帧I1,其中针对输入图像的每个分块Pn,生成上采样帧I1中的相应上采样分块。然后,针对输入图像I0的每个当前分块Pn,执行以下步骤。
在较低分解级别图像I-1、I-2中,搜索S4与当前分块具有相同尺寸的一个或更多个相似分块PNn,1、PNn,2、PNn,3。针对在搜索步骤中找到的每个相似分块PNn,1、PNn,2、PNn,3,确定S5其在下一较高分解级别I0、I-1中的相应母分块PPNn,1、PPNn,2、PPNn,3。使用加权因子w1、w2、w3对所确定的母分块PPNn,1、PPNn,2、PPNn,3进行加权S6,其中获得经过加权的所确定的母分块。累积S7经过加权的所确定的母分块,其中获得上采样的高分辨率分块PHn。最后,在上采样帧I1中使用上采样高分辨率分块PHn替换S8对应于当前分块I0的上采样分块。
第一决定步骤D1确定是否已经调查了更多潜在相似分块(在多个较低级别中),以及第二决定步骤D2确定是否已经处理了输入图像的全部分块。
注意到,在确定步骤S5中,在下一个较高分解级别I0、I-1中找到的母分块PPNn,1、PPNn,2、PPNn,3大于相应的当前分块。
图4示出了在较低分解级别图像中搜索相似分块的步骤的一个实施例的具体流程图。在本实施例中,计算S41每个当前分块的均值,并计算S42每个相似分块的均值。从当前分块的每个像素值中减去S43当前分块的均值。从相应相似分块的每个像素值中减去S44每个相似分块的均值。这是在在较低分解级别图像I-1、I-2中搜索一个或更多个相似分块PNn,1、PNn,2、PNn,3的步骤中执行的。注意到,步骤S43可在步骤S42之前或之后执行。
图5示出了在上采样帧中替换上采样分块的步骤的一个实施例的具体流程图。在本实施例中,将每个当前分块的均值与对应于当前分块的上采样分块的每个像素值相加S81,然后完成在上采样帧I1中实际插入S82上采样分块,由此上采样分块替换了HR图像中的默认分块。
图6示出了根据本发明的一个实施例的用于在执行SR中对像素进行平均的方法的流程图。用于通过使用基于块的预测在执行超分辨率中对像素进行平均的方法60(其中使用LLE,并且其中像素来自重叠的源块)包括以下步骤:确定S6_1源块的稀疏度因子;以及根据加权因子对来自源块的像素进行组合S6_2,其中每个源块的稀疏度因子被用作该源块的像素的加权因子。
图7示出了用于执行对输入图像的分层超分辨率的装置的结构,其中输入图像I0被划分成分块Pn。装置70包括空间分解单元SDU、上采样单元UPU以及处理单元PU。其它的单元(可以是分离的单元或处理单元的一部分)是搜索单元P_SU、母分块确定单元P_PDU、加权单元P_WU、累积单元P_AU以及分块插入单元P_PIU(或分块替换单元,参见上文)。
空间分解单元SDU将输入图像I0空间分解到至少两个较低分解级别,其中获得具有不同空间分辨率的至少两个较低分解级别图像I-1、I-2。
上采样单元UPU生成空上采样帧I1,其中针对输入图像的每个分块Pn,生成上采样帧I1中的相应上采样分块。
在一个实施例中,处理单元PU针对输入图像I0的每个当前分块Pn执行以下步骤:在较低分解级别图像I-1、I-2中搜索与当前分块具有相同尺寸的一个或更多个相似分块PNn,1、PNn,2、PNn,3;针对在搜索步骤中找到的每个相似分块PNn,1、PNn,2、PNn,3,确定其在下一较高分解级别I0、I-1中的相应母分块PPNn,1、PPNn,2、PPNn,3,其中母分块大于当前分块;对所确定的母分块PPNn,1、PPNn,2、PPNn,3进行加权,其中获得经过加权的所确定的母分块;累积经过加权的所确定的母分块,其中获得上采样的高分辨率分块PHn;以及在上采样帧I1中使用上采样的高分辨率分块PHn替换对应于当前分块I0的上采样分块。
在其它实施例中,可以使用以下分离单元中的一个或更多个。
在一个实施例中,由搜索单元P_SU来完成在较低分解级别图像I-1、I-2中搜索与当前分块具有相同尺寸的一个或更多个相似分块PNn,1、PNn,2、PNn,3的步骤。
在一个实施例中,由母分块确定单元P_PDU来完成针对在搜索步骤中找到的每个相似分块PNn,1、PNn,2、PNn,3确定在下一较高分解级别I0、I-1中的相应母分块PPNn,1、PPNn,2、PPNn,3的步骤。注意到,一般来讲,母分块大于当前分块(参见图1)。
在一个实施例中,由加权单元P_WU来完成对所确定的母分块PPNn,1、PPNn,2、PPNn,3进行加权以获得经过加权的所确定的母分块的步骤。
在一个实施例中,由累积单元P_AU完成为了获得上采样的高分辨率分块PHn而累积经过加权的所确定的母分块的步骤。
在一个实施例中,由插入单元P_PIU完成在上采样帧I1中使用上采样高分辨率分块PHn替换对应于当前分块I0的上采样分块的步骤。
图8示出了一种用于在执行超分辨率中对像素进行平均的装置的结构,其中使用了局部线性嵌入(LLE),以及其中像素来自重叠的源块。装置80包括
第一处理单元,例如稀疏度确定处理单元SFPU,用于确定源块的稀疏度因子,以及
第二处理单元,例如像素组合处理单元PCPU,用于根据加权因子对来自源块的像素进行组合,其中每个源块的稀疏度因子被用作该源块的像素的加权因子。
一般来讲,本发明涉及以下中的至少一个
基于自内容邻近分块信息的分层SR算法,其中减去或不减去块的均值,其中所述自内容邻近分块信息基于金字塔分解,以及
使用稀疏度因子对基于块的预测进行最优像素平均,以代替在LLESR技术的背景下的经典平均。
本发明的一个好处是,本发明改善了呈现上采样图像的性能。上采样图像能够更快地呈现,并且降低了计算量。
本发明的可能有益应用包括视频分发和显示技术,以及涉及视频压缩(例如空间可缩放性)和内容表示的应用。
所公开的方法能够在用于执行该方法的装置中实现,该装置具有分离的单元,每个单元用于执行一个步骤。此外,该方法可以是计算机实现的,以用于在处理器上执行。
在本发明的一个实施例中,一种计算机可读存储介质包括程序数据,该程序数据当在处理器上执行时会使得处理器执行一种用于执行对输入图像的分层超分辨率的方法(如参照图1和3所公开的)。
在本发明的一个实施例中,一种计算机可读存储介质包括程序数据,该程序数据当在处理器上执行时会使得处理器执行一种用于通过使用基于块的预测在执行超分辨率中对像素进行平均的方法(如参照图6所公开的)。
在一个实施例中,本发明涉及一种用于基于自内容邻近分块信息执行分层超分辨率的方法,该方法包括金字塔分解的步骤。在一个实施例中,减去块的均值。在另一个实施例中,不减去块的均值。在一个实施例中,金字塔超分辨率算法包括给出了加权组合的算法(比如邻域嵌入算法),其中通过求解约束最小二乘问题来确定用于所述加权组合的权重。在一个实施例中,金字塔超分辨率算法是诸如LLE或非负矩阵分解(NMF)的邻域嵌入算法。
在一个实施例中,本发明涉及一种用于使用稀疏度因子对基于块的预测进行最优像素平均(取代经典平均)的方法(尤其是在LLE超分辨率的情况下)。在一个实施例中,稀疏度因子被用作加权因子。
在本发明的一个实施例中,用于执行对输入图像I0的分层超分辨率的方法10包括以下步骤:
将输入图像I0划分S1成分块Pn,
将输入图像I0空间分解S2到至少两个较低分解级别,其中获得至少两个较低分解级别图像,
生成S3空上采样帧I1,其中针对输入图像的每个分块Pn,生成上采样帧I1中的相应上采样分块,以及
针对输入图像I0的每个当前分块Pn,执行以下步骤,
在较低分解级别图像I-1、I-2中,搜索S4与当前分块具有相同尺寸的一个或更多个相似分块PNn,1、PNn,2、PNn,3,
针对在搜索步骤中找到的每个相似分块PNn,1、PNn,2、PNn,3,确定S5其在下一较高分解级别I0、I-1中的相应母分块PPNn,1、PPNn,2、PPNn,3,其中母分块大于当前分块,
使用对应的权重w1、w2、w3对所确定的母分块PPNn,1、PPNn,2、PPNn,3进行加权S6,其中获得经过加权的所确定的母分块,
累积S7经过加权的所确定的母分块,其中获得上采样的高分辨率分块PHn,以及
在上采样帧I1中使用上采样的高分辨率分块PHn替换S8对应于当前分块I0的上采样分块。
在一个实施例中,该方法在在较低分解级别图像中搜索相似分块的步骤中包括:计算每个当前分块的均值以及每个相似分块的均值S41、S42,以及将所计算的均值从相应分块的每个像素值中减去S43、S44。此外,在该替换步骤中,将每个当前分块的均值与对应于当前分块的上采样分块的每个像素值相加S81。
在一个实施例中,该方法在在较低分解级别图像中搜索一个或更多个相似分块的步骤中包括根据分块中的像素的亮度值确定相似度。
在一个实施例中,该方法在在较低分解级别图像中搜索一个或更多个相似分块的步骤中包括根据分块的亮度梯度确定相似度。
在一个实施例中,该方法包括根据分块的稀疏度确定用于所述加权的权重,其中稀疏度对应于分块中的非零DCT系数的数目。
在一个实施例中,该方法包括输入图像中的分块部分重叠,因此上采样图像中的相应上采样分块也部分重叠。
在一个实施例中,该方法在加权和累积的步骤中包括计算加权组合,其中通过求解约束最小二乘问题来确定用于所述加权组合的权重。上文提及的一个示例是熟知的最小二乘算法。
在一个实施例中,该方法在金字塔超分辨率算法中包括邻域嵌入算法。示例为局部线性嵌入(LLE)或非负矩阵分解(NMF)。
在一个实施例中,该方法包括执行迭代反投影(IBP)的附加最终步骤。
在一个实施例中,该方法包括根据下一较高分解级别中的母分块的相对坐标来确定下一较高分解级别中的母分块。也就是说,较低级别中的分块的相对坐标和其在较高分解级别中的母分块的相对坐标相同(比如,高度的10%处,以及宽度的40%处)。这在原理上可包括:确定较低级别中的分块的相对坐标,确定较高分解级别中的具有相同相对坐标的位置,以及将母分块置于较高分解级别中的所确定的位置处。
在一个实施例中,本发明涉及用于通过使用基于块的预测在执行超分辨率中对像素进行平均的方法60,其中使用了局部线性嵌入并且其中像素来自重叠的源块。该方法包括以下步骤:确定S6_1源块的稀疏度因子;以及根据加权因子对来自源块的像素进行组合S6_2,其中每个源块的稀疏度因子被用作该源块像素的加权因子。
在一个实施例中,本发明涉及一种用于执行对输入图像I0的分层超分辨率的装置70,其中输入图像I0被划分成分块Pn。该装置包括
空间分解单元SDU,用于将输入图像I0空间分解到至少两个较低分解级别,其中获得至少两个较低分解级别图像(I-1、I-2),
上采样单元UPU,用于生成空上采样帧I1,其中针对输入图像的每个分块Pn,生成上采样帧I1中的相应上采样分块,以及
处理单元PU,用于针对输入图像I0的每个当前分块Pn执行以下步骤:
在较低分解级别图像I-1、I-2中搜索与当前分块具有相同尺寸的一个或更多个相似分块PNn,1、PNn,2、PNn,3,
针对在搜索期间找到的每个相似分块PNn,1、PNn,2、PNn,3,确定其在下一较高分解级别I0、I-1中的相应母分块PPNn,1、PPNn,2、PPNn,3,其中母分块大于当前分块,
对所确定的母分块PPNn,1、PPNn,2、PPNn,3进行加权,其中获得经过加权的所确定的母分块,
累积经过加权的所确定的母分块,其中获得上采样的高分辨率分块PHn,以及
在上采样帧I1中使用上采样的高分辨率分块PHn替换或插入对应于当前分块I0的上采样分块。一般地,该装置还可以包括图像划分单元,用于将输入图像I0划分成分块Pn,这样也可以处理尚未被划分的图像。
如上文所述,该装置可以包括以下一个或更多个分离单元:搜索单元P_SU、母分块确定单元P_PDU、加权单元P_WU、累积单元P_AU和分块插入单元P_PIU。
在该装置的一个实施例中,在用于在较低分解级别图像I-1、I-2中搜索一个或更多个相似分块PNn,1、PNn,2、PNn,3的单元中,计算每个当前分块的均值和每个相似分块的均值,并将所计算的均值从相应分块的每个像素值中减去,以及在用于分块插入或分块替换的单元P_PIU中,将每个当前分块的均值与对应于当前分块的上采样分块的每个像素值相加。
在一个实施例中,该装置还包括附加的迭代反投影单元。
在一个实施例中,本发明涉及通过使用基于块的预测在执行超分辨率中对像素进行平均的装置80,其中使用了局部线性嵌入以及其中像素来自重叠的源块。该装置包括:第一处理单元SFPU,用于确定源块的稀疏度因子;以及第二处理单元PCPU,用于根据加权因子对来自源块的像素进行组合,其中每个源块的稀疏度因子被用作其源块的像素的加权因子。
虽然本发明的主要新颖特征已经随着应用于本发明的优选实施例而被示出、描述和指出,但应该理解的是,在不偏离本发明的精神的情况下,本领域普通技术人员可以对所描述的装置和方法、所公开的设备的形式和细节及其操作进行多种省略、替换和改变。这里明确表示,那些以实质上相同的方式执行实质上相同的功能以实现相同的结果的元素的所有组合都在本发明的范围内。从一个所描述的实施例到另一个所描述的实施例的元素替换也属于本发明所设想并想要保护的范围。
应该理解的是,仅仅通过示意的方式描述了本发明,在不偏离本发明的范围的情况下能够对细节进行修改。
说明书和(在适当的情况下)权利要求和附图中所公开的每个特征可以使独立提供的或以任何适当的组合提供的。在适当的情况下,可以以硬件、软件或二者的组合来实现这些特征。在适当的情况下,连接可以实现为无线连接或有线连接(不必是直接连接或专用连接)。
参考文献
[1]Irani,M.,Peleg,S.:Improving resolution by imageregistration.CVGIP:Graphical Models Image Process.53(1991)
[2]M.Irani and S.Peleg,“Motion analysis for image enhancement:resolution,occlusion and transparency,”JVCIP,(1993)
[3]Farsiu,S.,Robinson,M.,Elad,M.,Milanfar,P.:Fast and robustmultiframe super resolution.IEEE Trans.Image Process.13(2004)
[4]Lin,Z.,Shum,H.Y.:Fundamental limits of reconstruction-based superresolution algorithms under local translation.IEEE Trans.Pattern Anal.Mach.(2004)
[5]Freeman,W.T.,Pasztor,E.C.,Carmichael,O.T.:Learning low-levelvision.Int.J.Comp.Vis.40(2000)
[6]Freeman,W.T.,Jones,T.R.,Pasztor,E.C.:Example-based super-resolution.IEEE Comp.Graph.Appl.22(2002)
[7]Efros,A.A.,Leung,T.K.:Texture synthesis by non-parametricsampling.In:IEEE Int.Conf.Computer Vis.(1999)
[8]Wei,L.Y.,Levoy,M.:Fast texture synthesis using tree-structuredvector quantization.In:ACM Comp.Graphics Interactive Tech.(2000)
[9]Ashikhmin,M.:Synthesizing natural textures.In:ACM Symp.Interactive3D Graph.(2001)
[10]Hertzmann,A.,Jacobs,C.E.,Oliver,N.,Curless,B.,Salesin,D.H.:Imageanalogies.In:ACM Comp.Graphics Interactive Tech.(2001)
[11]Criminisi,A.,Perez,P.,Toyama,K.:Region-lling and object removalby examplar-based image inpainting.IEEE Trans.Image Process.13(2004)
[12]Sugimoto,K.,Kobayashi,M.,Suzuki,Y.,Kato,S.,Boon,C.S.:Inter framecoding with template matching spatio-temporal prediction.In:IEEEInt.Conf.Image Process.(2004)
[13]S.Roweis and L.Saul,“Nonlinear dimensionality reduction bylocally linear embedding”,Science,vol.290,(2000).