CN104715460A - 一种基于稀疏表示的快速图像超分辨率重建方法 - Google Patents

一种基于稀疏表示的快速图像超分辨率重建方法 Download PDF

Info

Publication number
CN104715460A
CN104715460A CN201510145852.4A CN201510145852A CN104715460A CN 104715460 A CN104715460 A CN 104715460A CN 201510145852 A CN201510145852 A CN 201510145852A CN 104715460 A CN104715460 A CN 104715460A
Authority
CN
China
Prior art keywords
resolution
super
image
algorithm
quick
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.)
Pending
Application number
CN201510145852.4A
Other languages
English (en)
Inventor
陈秀宏
曹翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201510145852.4A priority Critical patent/CN104715460A/zh
Publication of CN104715460A publication Critical patent/CN104715460A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种基于稀疏表示的快速图像超分辨率重建方法，用来对降质的图像进行快速超分辨率重建，从而提高图像的分辨率。本发明对于快速提高图像分辨率具有明显效果。其特征是：(1)在字典训练阶段引入快速核密度估计算法对训练样本规模进行估计，得到数量合理的训练样本；(2)在稀疏表示阶段使用改进的广义正交匹配追踪算法，克服了贪婪系列稀疏表示算法中的固定稀疏度缺陷且缩短了迭代时间；(3)运用现有的Matlab软件，将降质图像进行超分辨率重建，得到重建图像，实验表明，该方法极大地提升了字典训练速度，有效地缩短了稀疏编码时间同时兼顾了重建质量。

Description

一种基于稀疏表示的快速图像超分辨率重建方法
技术领域
本发明涉及数字图像处理领域，具体地说是一种快速图像超分辨率重建的方法。
背景技术
由于制造工艺和成本的限制，利用数字信号处理技术提高图像分辨率的方法受到了越来越多的关注，这些方法被称为超分辨率(Super Resolution,简称SR)图像重建。由于此类方法能够利用现有的低成本成像系统，克服光学系统固有的分辨率限制，且实现成本较低，能够满足大部分场景的应用需求，因此SR方法被广泛应用于安全监控、医学影像、卫星遥感等领域。
发明内容
本发明的目的是为构建一种具有较高实时性和应用价值的快速图像超分辨率重建的方法。
该方法的核心是在字典训练阶段引入快速核密度估计算法对训练样本规模进行估计，得到数量合理的训练样本，而在稀疏表示阶段使用改进的广义正交匹配追踪算法进行图像超分辨率重建，克服了贪婪系列稀疏表示算法中的固定稀疏度缺陷且缩短了迭代时间。
具体的技术方案如下：
(1)在字典训练阶段引入快速核密度估计算法对训练样本规模进行估计，得到数量合理的训练样本；
(2)在稀疏表示阶段使用改进的广义正交匹配追踪算法，克服了贪婪系列稀疏表示算法中的固定稀疏度缺陷且缩短了迭代时间；
(3)运用现有的Matlab软件，将降质图像进行超分辨率重建，得到重建图像，实验表明，该方法极大地提升了字典训练速度，有效地缩短了稀疏编码时间同时兼顾了重建质量。
本发明的有益效果是:
1、提出一个基于稀疏表示的快速图像超分辨率重建方法；
2、本发明简单易行，可以准确、快速地提高降质图像的分辨率，应用范围广泛，实时性高，对于很多应用场景都有可参考和应用的价值。
本发明的适用于一般场景的快速图像超分辨率重建。一方面为进一步进行图像超分辨率重建的学术研究起到参考作用；另一方面可应用到实时性要求较高的图像超分辨重建场景，快速提高图像分辨率，满足各类图像处理的需求。
附图说明
图1为本发明的训练样本数量选取标准图；
图2为本发明的三种重建图像的PSNR和迭代时间；
图3为本发明基于稀疏表示快速超分辨率重建结果图。
具体实施方式
下面结合附图和实例进一步说明本发明的实质内容，但本发明的内容并不限于此。
实施例1：
针对从原高分辨率图像下采样2倍和4倍并模糊处理得到低分辨率降质图像，进行基于稀疏表示的快速图像超分辨率重建。在字典训练阶段引入快速核密度估计算法对训练样本规模进行估计，得到数量合理的训练样本(如图1所示)；在稀疏表示阶段使用改进的广义正交匹配追踪算法，克服了贪婪系列稀疏表示算法中的固定稀疏度缺陷且缩短了迭代时间(如图2所示)；运用现有的Matlab软件，将降质图像进行超分辨率重建，得到重建图像，实验表明，该方法极大地提升了字典训练速度，有效地缩短了稀疏编码时间同时兼顾了重建质量(如图3所示)。

Claims (4)

1.一种基于稀疏表示的快速图像超分辨率重建方法，用来对降质的图像进行快速超分辨率重建，从而提高图像的分辨率。本发明对于快速提高图像分辨率具有明显效果。其特征在于：
(1)在字典训练阶段引入快速核密度估计算法对训练样本规模进行估计，得到数量合理的训练样本；
(2)在稀疏表示阶段使用改进的广义正交匹配追踪算法，克服了贪婪系列稀疏表示算法中的固定稀疏度缺陷且缩短了迭代时间；
(3)结果采用改进的稀疏表示算法对降质图像进行快速超分辨率重建，得到高分辨率图像。
2.根据权利要求1所述的一种基于稀疏表示的快速图像超分辨率算法，其特征在于：在字典训练阶段引入快速核密度估计算法对训练样本规模进行估计，得到数量合理的训练样本。
3.根据权利要求1所述的一种基于稀疏表示的快速图像超分辨率算法，其特征在于：在稀疏表示阶段使用改进的广义正交匹配追踪算法，克服了贪婪系列稀疏表示算法中的固定稀疏度缺陷且缩短了迭代时间。
4.根据权利要求1所述的一种基于稀疏表示的快速图像超分辨率算法，其特征在于：运用现有的Matlab软件，将降质图像进行超分辨率重建，得到重建图像，实验表明，该方法极大地提升了字典训练速度，有效地缩短了稀疏编码时间同时兼顾了重建质量。
CN201510145852.4A 2015-03-30 2015-03-30 一种基于稀疏表示的快速图像超分辨率重建方法 Pending CN104715460A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510145852.4A CN104715460A (zh) 2015-03-30 2015-03-30 一种基于稀疏表示的快速图像超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510145852.4A CN104715460A (zh) 2015-03-30 2015-03-30 一种基于稀疏表示的快速图像超分辨率重建方法

Publications (1)

Publication Number Publication Date
CN104715460A true CN104715460A (zh) 2015-06-17

Family

ID=53414755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510145852.4A Pending CN104715460A (zh) 2015-03-30 2015-03-30 一种基于稀疏表示的快速图像超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN104715460A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225215A (zh) * 2015-10-23 2016-01-06 广州高清视信数码科技股份有限公司 一种基于组稀疏表示的单帧图像超分辨率重建方法
CN105374020A (zh) * 2015-12-17 2016-03-02 深圳职业技术学院 一种快速高分辨率的超声成像检测方法
CN105469360A (zh) * 2015-12-25 2016-04-06 西北工业大学 基于非局部联合稀疏表示的高光谱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
CN107229774A (zh) * 2017-04-26 2017-10-03 江苏大学 一种基于广义正交匹配追踪的电能质量信号重构方法
CN108156656A (zh) * 2016-12-02 2018-06-12 中国科学院沈阳自动化研究所 面向工业射频环境的无线电层析成像定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7412429B1 (en) * 2007-11-15 2008-08-12 International Business Machines Corporation Method for data classification by kernel density shape interpolation of clusters
CN101556690A (zh) * 2009-05-14 2009-10-14 复旦大学 基于词典学习和稀疏表示的超分辨率算法
CN103077505A (zh) * 2013-01-25 2013-05-01 西安电子科技大学 基于字典学习和结构聚类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
CN103714534A (zh) * 2013-12-12 2014-04-09 河海大学 一种基于压缩感知的材料表面缺陷检测方法
US20140098999A1 (en) * 2012-10-04 2014-04-10 Honeywell International Inc. Detecting motion in a high resolution video

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7412429B1 (en) * 2007-11-15 2008-08-12 International Business Machines Corporation Method for data classification by kernel density shape interpolation of clusters
CN101556690A (zh) * 2009-05-14 2009-10-14 复旦大学 基于词典学习和稀疏表示的超分辨率算法
US20140098999A1 (en) * 2012-10-04 2014-04-10 Honeywell International Inc. Detecting motion in a high resolution video
CN103077505A (zh) * 2013-01-25 2013-05-01 西安电子科技大学 基于字典学习和结构聚类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
CN103714534A (zh) * 2013-12-12 2014-04-09 河海大学 一种基于压缩感知的材料表面缺陷检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225215A (zh) * 2015-10-23 2016-01-06 广州高清视信数码科技股份有限公司 一种基于组稀疏表示的单帧图像超分辨率重建方法
CN105374020A (zh) * 2015-12-17 2016-03-02 深圳职业技术学院 一种快速高分辨率的超声成像检测方法
CN105374020B (zh) * 2015-12-17 2018-04-17 深圳职业技术学院 一种快速高分辨率的超声成像检测方法
CN105469360A (zh) * 2015-12-25 2016-04-06 西北工业大学 基于非局部联合稀疏表示的高光谱图像超分辨率重建方法
CN105469360B (zh) * 2015-12-25 2018-11-30 西北工业大学 基于非局部联合稀疏表示的高光谱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
CN108156656A (zh) * 2016-12-02 2018-06-12 中国科学院沈阳自动化研究所 面向工业射频环境的无线电层析成像定位方法
CN107229774A (zh) * 2017-04-26 2017-10-03 江苏大学 一种基于广义正交匹配追踪的电能质量信号重构方法

Similar Documents

Publication Publication Date Title
CN104715460A (zh) 一种基于稀疏表示的快速图像超分辨率重建方法
Johnson et al. Conditional generative adversarial network for 3D rigid‐body motion correction in MRI
CN107730451B (zh) 一种基于深度残差网络的压缩感知重建方法和系统
Shi et al. Image compressed sensing using convolutional neural network
Zhan et al. Fast multiclass dictionaries learning with geometrical directions in MRI reconstruction
CN110415172B (zh) 一种面向混合分辨率码流中人脸区域的超分辨率重建方法
Wang et al. Progressive image coding based on an adaptive block compressed sensing
CN112001856A (zh) 去噪模型的训练方法及去除图像噪声方法、相关装置
US20170201756A1 (en) Video decoding method
CN103164850A (zh) 一种基于压缩感知的多聚焦图像融合方法及装置
CN110874855B (zh) 一种协同成像方法、装置、存储介质和协同成像设备
CN115514976A (zh) 图像编码方法、解码方法、装置、可读介质及电子设备
Baig et al. Compressed sensing-based distributed image compression
CN114496064A (zh) Ccs预测模型构建方法、装置、设备及可读存储介质
CN103390266A (zh) 一种图像超分辨率方法和装置
JP2021122123A (ja) 画像コーディング装置、画像デコーディング装置、及び画像処理機器
CN117097853A (zh) 一种基于深度学习的实时抠像方法及系统
JP2015019364A (ja) 画像圧縮装置及び方法
Xiao et al. Towards real-time service from remote sensing: Compression of earth observatory video data via long-term background referencing
CN114841870A (zh) 图像处理方法、相关装置和系统
CN113592972B (zh) 一种基于多模态聚合的磁共振图像重建方法及装置
Ketsoi et al. SREFBN: Enhanced feature block network for single‐image super‐resolution
CN115641316A (zh) 基于背景混合数据扩展技术的弱监督变化检测方法及装置
EP2903288A1 (en) Method and apparatus for constructing an epitome from an image
Ke et al. Cascaded residual dense networks for dynamic MR imaging with edge-enhanced loss constraint

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150617