CN104899830B - 一种图像超分辨方法 - Google Patents
一种图像超分辨方法 Download PDFInfo
- Publication number
- CN104899830B CN104899830B CN201510290639.2A CN201510290639A CN104899830B CN 104899830 B CN104899830 B CN 104899830B CN 201510290639 A CN201510290639 A CN 201510290639A CN 104899830 B CN104899830 B CN 104899830B
- Authority
- CN
- China
- Prior art keywords
- resolution
- mrow
- low
- msub
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种图像超分辨方法，包括：训练出低分辨率字典DL，计算高、低分辨率近邻集合和计算出从低分辨率特征到高分辨率特征的映射矩阵集合{Fi}，对于输入的低分辨率图像IL，提取低分辨率图像块集合与低分辨率特征集合对于每一个低分辨率特征从低分辨率字典DL中选择与其最接近的字典基dk，使用相应的映射矩阵Fk恢复出对应的高分辨率特征再将所有重构的高分辨特征加上对应的低分辨率图像块得到相应的高分辨率图像块并将所有的高分辨图像块融合成一张高分辨图像IH。该方法处理速度快，并能得到质量高的高分辨率图像。
Description
技术领域
本发明涉及计算机视觉和图像处理领域，特别是涉及一种图像超分辨方法。
背景技术
图像超分辨属于计算机视觉和图像处理领域，是一个经典的图像处理问题，有着重要的学术和工业研究价值。图像超分辨的目标就是，由给定的低分辨率图像，重构出它相应的高分辨率图像，使得在重构误差尽可能小的情况下，视觉效果尽可能的好。目前主流的图像超分辨方法可以分为三大类：基于插值的方法；基于重构的方法；基于学习的方法。
基于插值的方法，是一类基本的超分辨方法，其处理过程通常会使用局部协方差系数，固定功能核或者自适应结构核，因其简单快速的特点而被广泛使用。但是，很多情况下，这类方法产生的结果会随着放大倍数的增大而产生视觉伪影，比如：锯齿效应和模糊效应。基于重构的方法，假设低分辨图像是由高分辨率图像经过几种退化因素得到的，比如：降采样和模糊化。这类方法在超分辨过程中强调重构约束的重要性，因而，其得到的高分辨率图像往往有着过于平滑和不自然的边缘以及在图像边缘附近产生振铃效应。基于学习的方法，因为利用机器学习技术从训练集中学习到了大量先验知识，因而获得了更好的结果。但是，这类方法通常需要求解基于范数或者范数的最优化问题，其处理速度是很慢的。
发明内容
本发明的主要目的在于针对现有技术的不足，提供一种处理速度快、质量高的图像超分辨方法。
为实现上述目的，本发明采用以下技术方案：
一种图像超分辨方法，包括以下步骤：
A1：从预设图像公共数据集中得到高分辨率图像将其下采样得到低分辨率图像从高分辨率与低分辨率的图像对中提取高、低分辨率特征集合和并利用低分辨率特征集合来训练出低分辨率字典DL；
A2：利用高、低分辨率特征集合和以及低分辨率字典DL，计算高、低分辨率近邻集合和
A3：由高、低分辨率近邻集合和计算出从低分辨率特征到高分辨率特征的映射矩阵集合{Fi}；
A4：对于输入的低分辨率图像IL，提取低分辨率图像块集合与低分辨率特征集合对于每一个低分辨率特征从低分辨率字典DL中选择与其最接近的字典基dk，使用相应的映射矩阵Fk恢复出对应的高分辨率特征再将所有重构的高分辨特征加上对应的低分辨率图像块得到相应的高分辨率图像块并将所有的高分辨图像块融合成一张高分辨图像IH。
进一步地：
步骤A1包括：
a)先使用插值算法，对高分辨率图像集合下采样而得到低分辨率图像集合再利用插值算法将所得低分辨率图像集合进行上采样处理，其中下采样过程的缩小倍数和上采样过程的放大倍数相同；
b)从高分辨率图像集合中提取高分辨率图像块集合与高分辨率特征集合从低分辨率图像集合中的相应位置提取出低分辨率图像块集合与低分辨率特征集合其中，高分辨率特征yH,s为：
yH,s＝pH,s-pL,s， (1)
低分辨率特征yL,s为：
yL,s＝[f1*pL,s；f2*pL,s；f3*pL,s；f4*pL,s]， (2)
其中，f1和f2是水平与垂直方向的梯度高通滤波器，f3和f4是水平与垂直方向拉普拉斯高通滤波器，符号*表示卷积操作。
步骤b)中，利用低分辨率特征集合来优化下列目标函数以得到低分辨率的字典，
其中DL＝{di}，X＝{xi}分别为低分辨率特征集合、字典以及系数，是重构误差项，是字典基之间的互相关性，λ1是大于0的常数，L是系数限制参数。
步骤A2包括：利用高、低分辨率特征集合对和对于任意低分辨率字典的字典基di，在中寻找其近邻，组成低分辨率近邻集合并以高分辨率特征集合中相应位置的特征来组成高分辨率近邻集合
通过评价字典基与低分辨率特征之间的相似性，找到与输入的低分辨率特征最接近的字典基，优选可以采用内积的绝对值作为相似性的度量，即：或以欧氏距离作为度量。
步骤A3包括：对于得到的低分辨率字典和高、低分辨率近邻集合，假定一个低分辨特征yL，与其最近的低分辨率字典基和近邻集合分别是dk和NL,k，为得到重构高分辨率特征yH所需要的系数x，先求解下列最优化目标函数：
其中λ2是大于零的常数，
其解析解为：
相应的高分辨率特征由下列式子求得：
离线计算出映射矩阵：
从而对于每个低分辨率字典基，求得其相应的映射矩阵。
步骤A4包括：
对于任意输入的低分辨率图像，从中至少提取一部分相互重叠的低分辨率图像块集合和相互重叠的低分辨率特征集合，所谓重叠，是指：一张图像中，相邻的图像块或者特征之间有部分区域是重叠的。
本发明的有益效果：
本发明提出了一种新的基于非相关字典学习和近邻回归的图像超分辨方法，利用本发明可获得基于范数的最优化模型而加快速度，扩大了字典基之间的非相关性，从而更准确地恢复高分辨率图像的高频信息，得到更高质量的高分辨率图像，且处理速度快。
附图说明
图1为本发明图像超分辨方法一种实施例的流程图。
具体实施方式
以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
参阅图1，在本发明的实施例中，针对单张低分辨率的图像，提出一种基于非相关字典学习和近邻回归的图像超分辨方法。根据该方法，从已有的高质量图像中提取训练样本集合，在训练样本上训练出低分辨率字典。由低分辨率字典的基，以及高、低分辨率样本，得到每个字典基对应的高、低分辨率近邻集合，再计算出从低分辨率特征到高分辨率特征的映射矩阵，此为训练阶段；对于输入的低分辨率图像，提取低分辨率图像块与特征集合，求与低分辨率特征最近的字典基，从而得到其相应的映射矩阵，映射矩阵与低分辨率特征相乘就可重构出高分辨特征，高分辨图像特征加上低分辨率图像块，就得到高分辨率图像块。最后，将重构后的图像块融合到一起，得到高分辨率深度图，此为超分辨率阶段。该方法在字典学习的过程强调字典基之间的非相关性，同时在组成近邻集合与超分辨的过程中都使用同一种相关性度量标准，得到统一的超分辨框架，从而更准确地恢复高分辨率图像的高频信息，得到更高质量的高分辨率图像。
在本发明的实施例中，基于非相关字典学习和近邻回归的图像超分辨方法包括以下步骤：
步骤A1：从自然图像公共数据集(如Image Net数据集)中得到高分辨率图像将其下采样得低分辨率图像缩小倍数为s，从高分辨率与低分辨率的图像对中提取高、低分辨率特征对和利用低分辨率特征来训练出低分辨率字典DL；
步骤A2：利用高、低分辨率特征对和以及低分辨率字典DL，计算高、低分辨率近邻集合和
步骤A3：由高、低分辨率近邻集合和计算出从低分辨率特征到高分辨率特征的映射矩阵集合{Fi}；
步骤A4：利用输入的低分辨率图像IL，提取低分辨率特征集合对于每一个低分辨率特征选择低分辨率字典DL中与其最接近的字典基dk，再用相应的映射矩阵Fk恢复出高分辨率特征将所有重构的高分辨特征加上包含低频信息的图像块得到相应的高分辨率图像块将所有高分辨图像块融合成一张高分辨图像IH。
在更具体的实施例中，可按下面方式处理。
步骤A1：训练阶段低分辨率字典学习。具体包括：
a)先使用插值算法，从高分辨率图像集合中得到低分辨率图像集合再将这些低分辨率图像集合利用插值算法进行。上述下采样的缩小倍数和上采样的放大倍数都是s倍；
b)从高分辨率图像集合中提取高分辨率图像块集合与特征集合在低分辨率图像集合中的相应位置提取出低分辨率图像块集合与特征集合其中，高分辨率特征yH,s为：
yH,s＝pH,s-pL,s， (1)
低分辨率特征yL为：
yL,s＝[f1*pL,s；f2*pL,s；f3*pL,s；f4*pL,s]， (2)
其中，f1和f2是水平与垂直方向的梯度高通滤波器，f3和f4是水平与垂直方向拉普拉斯高通滤波器，符号*表示卷积操作。为了得到低分辨率的字典，可以利用低分辨率特征集合来优化下列目标函数：
其中，DL＝{di}，X＝{xi}分别低分辨率特征集合，字典以及系数，，是重构误差项，是字典基之间的互相关性，λ1是大于0的常数，用来平衡重构误差与互相关性，L用于限制稀疏系数中非零元素的个数。具体求解b)中最优化问题的算法可采用MI-KSVD算法等。本发明涵盖的范围不限于所例举的方法。
步骤A2：训练阶段中高、低分辨率近邻集合的计算。利用高、低分辨率特征对和对于任意低分辨率字典的基di，在中寻找其N近邻，组成低分辨率近邻集合将高分辨率特征集合中相应位置的特征用来组成高分辨率近邻集合评价字典基与低分辨率特征之间的相似性。评价相似性的作用在于，找到与输入的低分辨特征最接近的字典基。可以采用内积的绝对值作为度量，即：当然，也可以是其他形式的度量准则，如：欧氏距离等，本发明涵盖的范围不限于所例举的方法。
步骤A3：训练阶段中从低分辨率特征到高分辨率特征的映射矩阵计算。对于得到的低分辨率字典和高、低分辨率近邻集合，假定一个低分辨特征yL，与其最近的低分辨率字典基和近邻集合分别是dk和NL,k，为了得到重构高分辨率特征yH所需要的系数x，先求解下列最优化目标函数：
其中λ2是大于零的常数，用于平衡重构误差和系数的稀疏度，
该问题存在解析解，具体形式为：
那么相应的高分辨率特征可由下列式子求得：
上述式子的大部分是与输入的yL无关的，因而可以离线计算出来，即为映射矩阵：
因此对于每一个低分辨率字典基，都能求得其相应的映射矩阵。具体求解上述最优化问题可采用协同表示方法等，本发明涵盖的范围不限于所例举的方法。
步骤A4：超分辨率阶段。对于任意输入的低分辨率图像IL，从中至少提取一部分相互重叠的低分辨率特征集合所谓重叠，是指：一张图像中，相邻的图像块或者特征之间有部分区域是重叠的。使用重叠策略的好处在于：同一个像素点的值由多个覆盖它的图像块取均值得到，能够更精确的重构出图像细节，减少恢复的高分辨图像中的块效应。对每一个低分辨率特征找到其最近邻的低分辨率字典基dk和映射矩阵Fk，来恢复相应的高分辨率特征即，将所有重构的高分辨特征加上包含低频信息的图像块得到相应的高分辨率图像块将所有高分辨图像块融合成一张高分辨图像IH。
利用本发明能够在字典学习时更扩大字典基之间的非相关性，统一了距离度量标准，利用协同表示加快超分辨速度，从而更准确地恢复高分辨率图像的高频信息，得到更高质量的高分辨率图像。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。
Claims (7)
1.一种图像超分辨方法，其特征在于，包括以下步骤：
A1：从预设图像公共数据集中得到高分辨率图像集合将其下采样得到低分辨率图像集合从高分辨率与低分辨率的图像对中提取高、低分辨率特征集合和并利用低分辨率特征集合来训练出低分辨率字典DL；
A2：利用高、低分辨率特征集合和以及低分辨率字典DL，计算高、低分辨率近邻集合和
A3：由高、低分辨率近邻集合和计算出从低分辨率特征到高分辨率特征的映射矩阵集合{Fi}；
A4：对于输入的低分辨率图像IL，提取低分辨率图像块集合与低分辨率特征集合对于每一个低分辨率特征从低分辨率字典DL中选择与其最接近的字典基dk，使用相应的映射矩阵Fk恢复出对应的高分辨率特征再将所有重构的高分辨特征集合加上对应的低分辨率图像块集合得到相应的高分辨率图像块集合并将所有的高分辨图像块融合成一张高分辨图像IH。
2.如权利要求1所述的图像超分辨方法，其特征在于，步骤A1包括：
a)先使用插值算法，对高分辨率图像集合下采样而得到低分辨率图像集合再利用插值算法将所得低分辨率图像集合进行上采样处理，其中下采样过程的缩小倍数和上采样过程的放大倍数相同；
b)从高分辨率图像集合中提取高分辨率图像块集合与高分辨率特征集合从低分辨率图像集合中的相应位置提取出低分辨率图像块集合与低分辨率特征集合其中，高分辨率特征yH,s为：
yH,s＝pH,s-pL,s， (1)
低分辨率特征yL,s为：
yL,s＝[f1*pL,s；f2*pL,s；f3*pL,s；f4*pL,s]， (2)
其中，f1和f2是水平与垂直方向的梯度高通滤波器，f3和f4是水平与垂直方向拉普拉斯高通滤波器，符号*表示卷积操作。
3.如权利要求2所述的图像超分辨方法，其特征在于，步骤b)中，利用低分辨率特征集合来优化下列目标函数以得到低分辨率的字典，
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>D</mi>
<mi>L</mi>
</msub>
<mo>,</mo>
<mi>X</mi>
</mrow>
</munder>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>Y</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>L</mi>
</msub>
<mi>X</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
</munder>
<mrow>
<mo>|</mo>
<mrow>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mi>m</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mo>,</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>0</mn>
</msub>
<mo>&le;</mo>
<mi>L</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中DL＝{di}，X＝{xi}分别为低分辨率特征集合、字典以及系数，是重构误差项，是字典基之间的互相关性，λ1是大于0的常数，L是系数限制参数。
4.如权利要求1或2所述的图像超分辨方法，其特征在于，步骤A2包括：利用高、低分辨率特征集合对和对于任意低分辨率字典的字典基di，在中寻找其近邻，组成低分辨率近邻集合并以高分辨率特征集合中相应位置的特征来组成高分辨率近邻集合
5.如权利要求4所述的图像超分辨方法，其特征在于，通过评价字典基与低分辨率特征之间的相似性，找到与输入的低分辨率特征最接近的字典基，优选可以采用内积的绝对值作为相似性的度量，即：或以欧氏距离作为度量。
6.如权利要求1或2所述的图像超分辨方法，其特征在于，步骤A3包括：对于得到的低分辨率字典和高、低分辨率近邻集合，假定一个低分辨特征yL，与其最近的低分辨率字典基和近邻集合分别是dk和NL,k，为得到重构高分辨率特征yH所需要的系数x，先求解下列最优化目标函数：
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>x</mi>
</munder>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>L</mi>
</msub>
<mo>-</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mi>x</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中λ2是大于零的常数，
其解析解为：
<mrow>
<mi>x</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>N</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>T</mi>
</msubsup>
<msub>
<mi>N</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msubsup>
<mi>N</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>T</mi>
</msubsup>
<msub>
<mi>y</mi>
<mi>L</mi>
</msub>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
相应的高分辨率特征由下列式子求得：
<mrow>
<msub>
<mi>y</mi>
<mi>H</mi>
</msub>
<mo>=</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>H</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mi>x</mi>
<mo>=</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>H</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>N</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>T</mi>
</msubsup>
<msub>
<mi>N</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msubsup>
<mi>N</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>T</mi>
</msubsup>
<msub>
<mi>y</mi>
<mi>L</mi>
</msub>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
离线计算出映射矩阵：
<mrow>
<msub>
<mi>F</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>H</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>N</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>T</mi>
</msubsup>
<msub>
<mi>N</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msubsup>
<mi>N</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>T</mi>
</msubsup>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
从而对于每个低分辨率字典基，求得其相应的映射矩阵。
7.如权利要求1或2所述的图像超分辨方法，其特征在于，步骤A4包括：
对于任意输入的低分辨率图像，从中至少提取一部分相互重叠的低分辨率图像块集合和相互重叠的低分辨率特征集合，所谓重叠，是指一张图像中，相邻的图像块或者特征之间有部分区域是重叠的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510290639.2A CN104899830B (zh) | 2015-05-29 | 2015-05-29 | 一种图像超分辨方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510290639.2A CN104899830B (zh) | 2015-05-29 | 2015-05-29 | 一种图像超分辨方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104899830A CN104899830A (zh) | 2015-09-09 |
| CN104899830B true CN104899830B (zh) | 2017-09-29 |
Family
ID=54032478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510290639.2A Active CN104899830B (zh) | 2015-05-29 | 2015-05-29 | 一种图像超分辨方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104899830B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017070841A1 (zh) * | 2015-10-27 | 2017-05-04 | 华为技术有限公司 | 图像处理方法和装置 |
| CN105631807B (zh) * | 2015-12-21 | 2018-11-16 | 西安电子科技大学 | 基于稀疏域选取的单帧图像超分辨重建方法 |
| CN106408512B (zh) * | 2015-12-25 | 2019-08-16 | 北京工业大学 | 一种基于矩阵变量rbm的图像重构方法 |
| CN105678728A (zh) * | 2016-01-19 | 2016-06-15 | 西安电子科技大学 | 分区域管理的高效超分辨率成像装置及方法 |
| CN105787899A (zh) * | 2016-03-03 | 2016-07-20 | 河海大学 | 一种基于自适应回归的快速图像超分辨方法 |
| CN105847968B (zh) | 2016-03-21 | 2018-12-21 | 京东方科技集团股份有限公司 | 基于深度学习的解像方法和系统 |
| CN106327428B (zh) * | 2016-08-31 | 2019-12-10 | 深圳大学 | 一种基于迁移学习的图像超分辨率方法及系统 |
| CN107871323A (zh) * | 2016-09-23 | 2018-04-03 | 国家海洋环境监测中心 | 一种基于全固态雷达的海冰运动信息获取方法 |
| CN106780333B (zh) * | 2016-12-14 | 2020-10-02 | 深圳市华星光电技术有限公司 | 一种图像超分辨率重建方法 |
| CN107705249A (zh) * | 2017-07-19 | 2018-02-16 | 苏州闻捷传感技术有限公司 | 基于深度度量学习的图像超分辨方法 |
| CN107610048A (zh) * | 2017-08-10 | 2018-01-19 | 河海大学 | 一种基于投影字典学习和近邻回归的图像超分辨方法 |
| CN113128467B (zh) * | 2021-05-11 | 2022-03-29 | 临沂大学 | 基于面部先验知识的低分辨率人脸超分辨与识别的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750686A (zh) * | 2012-06-12 | 2012-10-24 | 华东师范大学 | 一种基于学习的超分辨文档图像复原处理方法 |
| CN103118224A (zh) * | 2011-07-14 | 2013-05-22 | 索尼公司 | 图像处理设备、图像处理方法、程序和记录介质 |
| CN103426148A (zh) * | 2012-05-10 | 2013-12-04 | 汤姆逊许可公司 | 生成低分辨率输入数据结构的超分辨率版本的方法和设备 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4600209B2 (ja) * | 2005-08-18 | 2010-12-15 | ソニー株式会社 | 画像処理方法、画像処理装置、プログラムおよび記録媒体 |
-
2015
- 2015-05-29 CN CN201510290639.2A patent/CN104899830B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103118224A (zh) * | 2011-07-14 | 2013-05-22 | 索尼公司 | 图像处理设备、图像处理方法、程序和记录介质 |
| CN103426148A (zh) * | 2012-05-10 | 2013-12-04 | 汤姆逊许可公司 | 生成低分辨率输入数据结构的超分辨率版本的方法和设备 |
| CN102750686A (zh) * | 2012-06-12 | 2012-10-24 | 华东师范大学 | 一种基于学习的超分辨文档图像复原处理方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 基于自适应多字典学习的单幅图像超分辨率算法;潘宗序 等;《电子学报》;20150228;第43卷(第2期);第209-216页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104899830A (zh) | 2015-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104899830B (zh) | 一种图像超分辨方法 | |
| CN106709924B (zh) | 基于深度卷积神经网络和超像素的图像语义分割方法 | |
| US10339633B2 (en) | Method and device for super-resolution image reconstruction based on dictionary matching | |
| CN106204447A (zh) | 基于总变差分和卷积神经网络的超分辨率重建方法 | |
| CN112734646B (zh) | 一种基于特征通道划分的图像超分辨率重建方法 | |
| CN103714526B (zh) | 基于稀疏多流形嵌入的超分辨率图像重构方法 | |
| US9865036B1 (en) | Image super resolution via spare representation of multi-class sequential and joint dictionaries | |
| CN106127688B (zh) | 一种超分辨率图像重建方法及其系统 | |
| CN105976318A (zh) | 一种图像超分辨率重建方法 | |
| CN105488776B (zh) | 超分辨率图像重建方法和装置 | |
| CN102930518B (zh) | 基于改进的稀疏表示的图像超分辨率方法 | |
| CN105844590A (zh) | 基于稀疏表示的图像超分辨率重建方法及系统 | |
| CN102354394B (zh) | 图像超分辨方法及系统 | |
| CN104992407B (zh) | 一种图像超分辨方法 | |
| CN105741252A (zh) | 基于稀疏表示与字典学习的视频图像分级重建方法 | |
| CN103366347B (zh) | 基于稀疏表示的图像超分辨率重建方法 | |
| CN103824272A (zh) | 基于k近邻重识别的人脸超分辨率重建方法 | |
| CN102792335A (zh) | 图像处理装置、图像处理程序、及生成图像的方法 | |
| CN111340080B (zh) | 一种基于互补卷积特征的高分辨率遥感影像融合方法及系统 | |
| CN103020898A (zh) | 序列虹膜图像超分辨率重建方法 | |
| CN110349087A (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
| CN109801248A (zh) | 一个基于非下采样剪切变换的新型图像融合方法 | |
| CN104299193B (zh) | 一种基于高频和中频信息的图像超分辨率重建方法 | |
| CN106169174A (zh) | 一种图像放大方法 | |
| CN104504672A (zh) | 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |