CN105225215A - 一种基于组稀疏表示的单帧图像超分辨率重建方法 - Google Patents
一种基于组稀疏表示的单帧图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN105225215A CN105225215A CN201510703242.1A CN201510703242A CN105225215A CN 105225215 A CN105225215 A CN 105225215A CN 201510703242 A CN201510703242 A CN 201510703242A CN 105225215 A CN105225215 A CN 105225215A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- group
- super
- training sample
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于组稀疏表示的单帧图像超分辨率重建方法,包括:S1、构建高分辨图像的训练样本库,然后采用正交匹配追踪法求解训练样本的稀疏系数矩阵,进而得到训练样本的组稀疏字典,所述训练样本的稀疏系数矩阵对稀疏系数中非零值出现的位置进行了约束;S2、根据训练样本的组稀疏字典组对低分辨率图像进行超分辨率图像重建,得到超分辨率图像。本发明考虑了图像片的结构特征,利用组稀疏的特性对稀疏系数非零值出现的位置进行了约束,使非零系数出现的位置不再随机,有效抑制了噪声和边缘伪影的产生,提高了重建图像的质量。本发明可广泛应用于图像处理领域。
Description
技术领域
本发明涉及图像处理领域,尤其是一种基于组稀疏表示的单帧图像超分辨率重建方法。
背景技术
图像超分辨率重建的目标是根据输入的单帧低分辨率图像采用软件计算的方式来获取它的高分辨率估计。这种技术在高清显示、视频监控等领域都有广泛的应用。它的实现方法主要可分为基于插值的方法,基于重建的方法和基于学习的方法。近年来,随着机器学习技术的兴起,基于学习的方法逐渐为人们所重视。
目前,在基于学习的单帧图像超分辨率重建方法中,Chang等人把流形学习的思想引入到图像超分辨率重建技术中,假定低分辨率图像片和高分辨率图像片之间可以构成具有相似局部几何结构的流形,对每一个待放大的低分辨率图像片而言,在训练库中查找它的K个最近邻域,通过最小二乘法拟合出它的系数,然后将拟合系数传递到对应的训练库高分辨率片中,最终拟合得到对应的高分辨率片。由于这种方法所有图像片K值的选取是固定的,这在很大程度上影响了图像的重建质量。Yang等人基于图像的稀疏表示原理提出了一种单帧图像的超分辨率重建方法,该方法首先通过高/低分辨率图像片训练过完备字典,将所有待放大的低分辨率图像片均表示为低分辨率过完备字典的稀疏线性组合,而它所对应的高分辨率图像片则通过已有的高分辨率过完备字典和稀疏系数做矩阵乘法运算获得。这种方法克服了Chang等人方法中的“K值固定”问题,取得了较好的效果,然而这种方法并没有考虑图像片的结构特征,在稀疏系数中非零系数出现的位置近似随机,导致了这种方法在显著的边缘附近容易出现伪影,影响了图像质量。
发明内容
为了解决上述技术问题,本发明的目的是:提供一种能有效消除边缘伪影和图像质量高的,基于组稀疏表示的单帧图像超分辨率重建方法。
本发明解决其技术问题所采用的技术方案是:
一种基于组稀疏表示的单帧图像超分辨率重建方法,包括:
S1、构建高分辨图像的训练样本库,然后采用正交匹配追踪法求解训练样本的稀疏系数矩阵,进而得到训练样本的组稀疏字典,所述训练样本的稀疏系数矩阵对稀疏系数中非零值出现的位置进行了约束;
S2、根据训练样本的组稀疏字典组对低分辨率图像进行超分辨率图像重建,得到超分辨率图像。
进一步,所述步骤S1,其包括:
S11、构建高分辨率图像的高分辨样本库然后对高分辨率图像进行低通滤波处理,得到对应的低频近似图像集
S12、从高分辨样本库随机抽取第一图像片以及从低频近似图像集中抽取与第一图像片对应的第二图像片然后根据第一图像片和第二图像片构建训练样本矩阵Z,所述训练样本矩阵
S13、采用迭代法对训练样本矩阵Z以及待求的过完备字典D所需满足的最小值方程进行求解,从而得到训练样本的稀疏系数矩阵Λ及待求的过完备字典D,所述Z与D所需满足的最小值方程为:
其中,λ为约束项和保真项间的权重参数,τ为设定的第一正实数,Λ的第i列向量αi为Z中第i个样本的稀疏系数, 为过完备字典D中的第i组,dij为过完备字典D中第i组的第j个原子,L=C-W,W为拉普拉斯矩阵,W的第i行第j列元素ωi,j表示字典原子di和dj是否在同一组内,在同一组内ωi,j的值为1,否则ωi,j的值为0,C为对角矩阵,对角线元素值cii为Tr表示求对应矩阵的迹,且 #表示非零值元素的个数;
S14、将待求的过完备字典D拆分为低分辨过完备字典Dl和高分辨过完备字典Dh,从而得到训练样本的组稀疏字典。
进一步,所述步骤S13,其包括:
S131、固定待求的过完备字典D,采用组匹配追踪算法求解训练样本的稀疏系数矩阵Λ;
S132、固定训练样本的稀疏系数矩阵Λ,对待求的过完备字典D进行更新,更新后的过完备字典D的表达式为:D=ZΛT(ΛΛT+λ(L+LT))-1。
进一步,所述低分辨率图像为RGB彩色图像。
进一步,所述步骤S2,其包括:
S21、将低分辨率图像转换到Ycbcr空间,然后采用双三次采样法分别将Y通道、cb通道和cr通道放大至目标尺寸;
S22、根据低分辨过完备字典Dl和高分辨过完备字典Dh对Y通道的低分辨率图像进行超分辨图像重建,得到Y通道的超分辨图像;
S23、将Y通道的超分辨图像与cb通道双三次采样的结果以及cr通道双三次采样的结果进行合并,得到Ycbcr空间的超分辨图像;
S24、将Ycbcr空间的超分辨图像转换到RGB空间,得到最终的超分辨图像。
进一步,所述步骤S22,其包括:
S221、根据低分辨过完备字典Dl对Y通道的低分辨率图像所需满足的最小值方程进行求解,得到Y通道的低分辨率图像任一图像片xli的组稀疏系数αi,所述Y通道的低分辨率图像所需满足的最小值方程为:
其中,ε为设定的第二正实数;
S222、根据图像片xli的组稀疏系数αi计算图像片xli对应的Y通道的高分辨图像片xhi,所述Y通道的高分辨图像片xhi的表达式为:xhi=Dhαi;
S223、使图像片xli在低分辨率图像上滑动,然后返回步骤S221,最终得到由高分辨图像片xhi构成的Y通道的超分辨图像xh。
进一步,所述图像片xli在低分辨率图像上滑动时,Y通道的超分辨图像xh的重叠部分采用高分辨图像片xhi对应像素点的平均值代替。
本发明的有益效果是:采用正交匹配追踪法求解训练样本的稀疏系数矩阵,进而得到训练样本的组稀疏字典,最后根据组稀疏字典进行超分辨率图像重建,考虑了图像片的结构特征,利用组稀疏的特性对稀疏系数非零值出现的位置进行了约束,使非零系数出现的位置不再随机,有效抑制了噪声和边缘伪影的产生,提高了重建图像的质量。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明一种基于组稀疏表示的单帧图像超分辨率重建方法的整体流程图;
图2为训练组稀疏字典的步骤流程图;
图3为超分辨率图像重建的步骤流程图;
图4为原始输入图像;
图5为采用Chang等人的方法对原始输入图像进行超分辨率重建后得到的图像;
图6为采用Yang等人的方法对原始输入图像进行超分辨率重建后得到的图像;
图7为采用本发明的方法为对原始输入图像进行超分辨率重建后得到的图像。
具体实施方式
参照图1,一种基于组稀疏表示的单帧图像超分辨率重建方法,包括:
S1、构建高分辨图像的训练样本库,然后采用正交匹配追踪法求解训练样本的稀疏系数矩阵,进而得到训练样本的组稀疏字典,所述训练样本的稀疏系数矩阵对稀疏系数中非零值出现的位置进行了约束;
S2、根据训练样本的组稀疏字典组对低分辨率图像进行超分辨率图像重建,得到超分辨率图像。
参照图2,进一步作为优选的实施方式,所述步骤S1,其包括:
S11、构建高分辨率图像的高分辨样本库然后对高分辨率图像进行低通滤波处理,得到对应的低频近似图像集
S12、从高分辨样本库随机抽取第一图像片以及从低频近似图像集中抽取与第一图像片对应的第二图像片然后根据第一图像片和第二图像片构建训练样本矩阵Z,所述训练样本矩阵
S13、采用迭代法对训练样本矩阵Z以及待求的过完备字典D所需满足的最小值方程进行求解,从而得到训练样本的稀疏系数矩阵Λ及待求的过完备字典D,所述Z与D所需满足的最小值方程为:
其中,λ为约束项和保真项间的权重参数,τ为设定的第一正实数,Λ的第i列向量αi为Z中第i个样本的稀疏系数, 为过完备字典D中的第i组,dij为过完备字典D中第i组的第j个原子,L=C-W,W为拉普拉斯矩阵,W的第i行第j列元素ωi,j表示字典原子di和dj是否在同一组内,在同一组内ωi,j的值为1,否则ωi,j的值为0,C为对角矩阵,对角线元素值cii为Tr表示求对应矩阵的迹,且 #表示非零值元素的个数;
S14、将待求的过完备字典D拆分为低分辨过完备字典Dl和高分辨过完备字典Dh,从而得到训练样本的组稀疏字典。
其中,λ为约束项和保真项间的权重参数,本发明将λ设为0.5;τ为一个很小的正实数,本发明将τ设为10-5。
参照图2,进一步作为优选的实施方式,所述步骤S13,其包括:
S131、固定待求的过完备字典D,采用组匹配追踪算法求解训练样本的稀疏系数矩阵Λ;
S132、固定训练样本的稀疏系数矩阵Λ,对待求的过完备字典D进行更新,更新后的过完备字典D的表达式为:D=ZΛT(ΛΛT+λ(L+LT))-1。
进一步作为优选的实施方式,所述低分辨率图像为RGB彩色图像。
参照图3,进一步作为优选的实施方式,所述步骤S2,其包括:
S21、将低分辨率图像转换到Ycbcr空间,然后采用双三次采样法分别将Y通道、cb通道和cr通道放大至目标尺寸;
S22、根据低分辨过完备字典Dl和高分辨过完备字典Dh对Y通道的低分辨率图像进行超分辨图像重建,得到Y通道的超分辨图像;
S23、将Y通道的超分辨图像与cb通道双三次采样的结果以及cr通道双三次采样的结果进行合并,得到Ycbcr空间的超分辨图像;
S24、将Ycbcr空间的超分辨图像转换到RGB空间,得到最终的超分辨图像。
参照图3,进一步作为优选的实施方式,所述步骤S22,其包括:
S221、根据低分辨过完备字典Dl对Y通道的低分辨率图像所需满足的最小值方程进行求解,得到Y通道的低分辨率图像任一图像片xli的组稀疏系数αi,所述Y通道的低分辨率图像所需满足的最小值方程为:
其中,ε为设定的第二正实数;
S222、根据图像片xli的组稀疏系数αi计算图像片xli对应的Y通道的高分辨图像片xhi,所述Y通道的高分辨图像片xhi的表达式为:xhi=Dhαi;
S223、使图像片xli在低分辨率图像上滑动,然后返回步骤S221,最终得到由高分辨图像片xhi构成的Y通道的超分辨图像xh。
其中,ε为一个很小的正实数,本发明将ε设为10-5。
进一步作为优选的实施方式,所述图像片xli在低分辨率图像上滑动时,Y通道的超分辨图像xh的重叠部分采用高分辨图像片xhi对应像素点的平均值代替。
下面结合说明书附图和具体实施例对本发明作进一步详细说明。
实施例一
针对现有技术K值固定以及在显著的边缘附近容易出现伪影的问题,本发明提出了一种基于组稀疏表示的单帧图像超分辨率重建方法。本发明的组稀疏指的是待表示的信号能够被过完备字典中的一组与之结构最相似的基向量所表示。用数学表达式描述为:
arg是元素(变元)的英文缩写,argminf(x,t)函数就是使后面的f(x,t)这个式子达到最小值时的x,t的取值。
其中,x为待表示的信号,为过完备字典,为字典中的第i组,dij为第i组的第j个原子。
上述最小值方程可通过组正交匹配追踪(GroupOrthogonalMatchingPursuit,GOMP)算法进行求解。
本发明基于组稀疏表示的单帧图像超分辨率重建方法主要分为两个步骤:训练组稀疏字典和超分辨率图像重建,下面分别对这两个步骤进行详细说明。
(一)训练组稀疏字典
如图2所示,训练组稀疏字典的过程可进一步细分为:
(1)构建高分辨率图像的样本库,对每一幅图像做低通滤波处理得到其对应的低频近似图像集。
在高分辨率样本库中随机抽取105个7×7大小的图像片,所有图像片均以列向量的形式表示,记为直接抽取其对应的低频图像片的特征(本实施例抽取的特征为对应像素点的一阶导数和二阶导数),记为为保证和这两组数据在训练过程中的贡献相同,本实施例还需分别对这两组数据进行标准化处理。
(2)连结两组数据,以构建训练样本矩阵然后采用迭代法求以下解最小值方程:
其中,D∈Rn×m为待求的过完备字典,Tr表示求对应矩阵的迹。而约束项Tr(DLD)的推导过程为:
根据组稀疏的定义,一个信号可以由字典中有限的几组原子集所表示,故每组集合中的原子在结构上应该尽可能相似,写成数学推导式为:
而采用迭代法求解前述最小值方程的步骤则包括:
(a)固定字典D,采用组匹配追踪算法即GOMP算法求稀疏系数矩阵Λ;
(b)固定稀疏系数矩阵Λ,更新字典D,更新后的过完备字典D的表达式为:D=ZΛT(ΛΛT+λ(L+LT))-1。
(3)将过完备字典D拆分为低分辨过完备字典Dl和高分辨过完备字典Dh,以完成训练。
(二)超分辨率图像重建
如图3所示,超分辨率图像重建的过程包括:
(1)将RGB图像转换到Ycbcr空间,对Y通道,先采用双三次方法放大到目标尺寸,然后执行步骤(2)-(4)的组稀疏超分辨率重建算法。
(2)将Y通道的图像切分成有重叠的7×7大小的图像片,然后按照训练组稀疏字典步骤中的方式抽取图像片的特征以及进行标准化。
(3)对每一图像片执行下列操作:
(a)对每一个图像片求它的组稀疏系数,即解方程 其中,xli是抽取的第i个图像片。
(b)计算图像片xli对应的高分辨图像片xhi,xhi=Dhαi。
(4)使图像片xli在低分辨率图像上滑动,然后返回步骤S221,最终得到由高分辨图像片xhi构成的Y通道的超分辨图像xh,重叠部分采用高分辨图像片xhi对应像素点的平均值来代替。
(5)将cb、cr两个通道采用双三次上采样方法放大到目标尺寸,然后合并三个通道的结果,并结果转换到RGB空间,得到最终的高分辨结果。
由于采用了正交匹配追踪法,在训练样本数量相同的情况下,本发明训练字典的方法与经典的K-SVD算法相比有着更快的收敛速度。更为重要的是,本发明利用组稀疏的特性对稀疏系数非零值出现的位置进行约束,在很大程度上抑制了噪声和伪影的产生,提高了图像重建结果的质量。从图4-7可以看出,与Chang等人的方法或Yang等人的方法相比,本发明的图像重建方法得到的超分辨图像边缘伪影更少,图像质量更好。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于组稀疏表示的单帧图像超分辨率重建方法,其特征在于:包括:
S1、构建高分辨图像的训练样本库,然后采用正交匹配追踪法求解训练样本的稀疏系数矩阵,进而得到训练样本的组稀疏字典,所述训练样本的稀疏系数矩阵对稀疏系数中非零值出现的位置进行了约束;
S2、根据训练样本的组稀疏字典组对低分辨率图像进行超分辨率图像重建,得到超分辨率图像。
2.根据权利要求1所述的一种基于组稀疏表示的单帧图像超分辨率重建方法,其特征在于:所述步骤S1,其包括:
S11、构建高分辨率图像的高分辨样本库然后对高分辨率图像进行低通滤波处理,得到对应的低频近似图像集
S12、从高分辨样本库随机抽取第一图像片以及从低频近似图像集中抽取与第一图像片对应的第二图像片然后根据第一图像片和第二图像片构建训练样本矩阵Z,所述训练样本矩阵
S13、采用迭代法对训练样本矩阵Z以及待求的过完备字典D所需满足的最小值方程进行求解,从而得到训练样本的稀疏系数矩阵Λ及待求的过完备字典D,所述Z与D所需满足的最小值方程为:
其中,λ为约束项和保真项间的权重参数,τ为设定的第一正实数,Λ的第i列向量αi为Z中第i个样本的稀疏系数, 为过完备字典D中的第i组,dij为过完备字典D中第i组的第j个原子,L=C-W,W为拉普拉斯矩阵,W的第i行第j列元素ωi,j表示字典原子di和dj是否在同一组内,在同一组内ωi,j的值为1,否则ωi,j的值为0,C为对角矩阵,对角线元素值cii为Tr表示求对应矩阵的迹,且 #表示非零值元素的个数;
S14、将待求的过完备字典D拆分为低分辨过完备字典Dl和高分辨过完备字典Dh,从而得到训练样本的组稀疏字典。
3.根据权利要求2所述的一种基于组稀疏表示的单帧图像超分辨率重建方法,其特征在于:所述步骤S13,其包括:
S131、固定待求的过完备字典D,采用组匹配追踪算法求解训练样本的稀疏系数矩阵Λ;
S132、固定训练样本的稀疏系数矩阵Λ,对待求的过完备字典D进行更新,更新后的过完备字典D的表达式为:D=ZΛT(ΛΛT+λ(L+LT))-1。
4.根据权利要求2所述的一种基于组稀疏表示的单帧图像超分辨率重建方法,其特征在于:所述低分辨率图像为RGB彩色图像。
5.根据权利要求4所述的一种基于组稀疏表示的单帧图像超分辨率重建方法,其特征在于:所述步骤S2,其包括:
S21、将低分辨率图像转换到Ycbcr空间,然后采用双三次采样法分别将Y通道、cb通道和cr通道放大至目标尺寸;
S22、根据低分辨过完备字典Dl和高分辨过完备字典Dh对Y通道的低分辨率图像进行超分辨图像重建,得到Y通道的超分辨图像;
S23、将Y通道的超分辨图像与cb通道双三次采样的结果以及cr通道双三次采样的结果进行合并,得到Ycbcr空间的超分辨图像;
S24、将Ycbcr空间的超分辨图像转换到RGB空间,得到最终的超分辨图像。
6.根据权利要求5所述的一种基于组稀疏表示的单帧图像超分辨率重建方法,其特征在于:所述步骤S22,其包括:
S221、根据低分辨过完备字典Dl对Y通道的低分辨率图像所需满足的最小值方程进行求解,得到Y通道的低分辨率图像任一图像片xli的组稀疏系数αi,所述Y通道的低分辨率图像所需满足的最小值方程为:
其中,ε为设定的第二正实数;
S222、根据图像片xli的组稀疏系数αi计算图像片xli对应的Y通道的高分辨图像片xhi,所述Y通道的高分辨图像片xhi的表达式为:xhi=Dhαi;
S223、使图像片xli在低分辨率图像上滑动,然后返回步骤S221,最终得到由高分辨图像片xhi构成的Y通道的超分辨图像xh。
7.根据权利要求6所述的一种基于组稀疏表示的单帧图像超分辨率重建方法,其特征在于:所述图像片xli在低分辨率图像上滑动时,Y通道的超分辨图像xh的重叠部分采用高分辨图像片xhi对应像素点的平均值代替。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510703242.1A CN105225215B (zh) | 2015-10-23 | 2015-10-23 | 一种基于组稀疏表示的单帧图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510703242.1A CN105225215B (zh) | 2015-10-23 | 2015-10-23 | 一种基于组稀疏表示的单帧图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105225215A true CN105225215A (zh) | 2016-01-06 |
CN105225215B CN105225215B (zh) | 2018-03-09 |
Family
ID=54994166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510703242.1A Active CN105225215B (zh) | 2015-10-23 | 2015-10-23 | 一种基于组稀疏表示的单帧图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105225215B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097251A (zh) * | 2016-06-22 | 2016-11-09 | 深圳信息职业技术学院 | 非均匀稀疏采样视频超分辨率方法 |
CN106204667A (zh) * | 2016-07-01 | 2016-12-07 | 山东大学 | 一种解决图像超分辨率重建中的相似度保留问题的稀疏编码方法 |
CN107481189A (zh) * | 2017-06-28 | 2017-12-15 | 西安邮电大学 | 一种基于学习的稀疏表示的超分辨率图像重建方法 |
CN109727214A (zh) * | 2018-12-28 | 2019-05-07 | 北京工业大学 | 基于正交稀疏字典与分组稀疏模型的彩色图与深度图增强方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142137A (zh) * | 2011-03-10 | 2011-08-03 | 西安电子科技大学 | 基于高分辨率字典的稀疏表征图像超分辨重建方法 |
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 |
CN103530863A (zh) * | 2013-10-30 | 2014-01-22 | 广东威创视讯科技股份有限公司 | 一种多级重构的图像超分辨率方法 |
CN103646256A (zh) * | 2013-12-17 | 2014-03-19 | 上海电机学院 | 一种基于图像特征稀疏重构的图像分类方法 |
CN104715460A (zh) * | 2015-03-30 | 2015-06-17 | 江南大学 | 一种基于稀疏表示的快速图像超分辨率重建方法 |
-
2015
- 2015-10-23 CN CN201510703242.1A patent/CN105225215B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142137A (zh) * | 2011-03-10 | 2011-08-03 | 西安电子科技大学 | 基于高分辨率字典的稀疏表征图像超分辨重建方法 |
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 |
CN103530863A (zh) * | 2013-10-30 | 2014-01-22 | 广东威创视讯科技股份有限公司 | 一种多级重构的图像超分辨率方法 |
CN103646256A (zh) * | 2013-12-17 | 2014-03-19 | 上海电机学院 | 一种基于图像特征稀疏重构的图像分类方法 |
CN104715460A (zh) * | 2015-03-30 | 2015-06-17 | 江南大学 | 一种基于稀疏表示的快速图像超分辨率重建方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097251A (zh) * | 2016-06-22 | 2016-11-09 | 深圳信息职业技术学院 | 非均匀稀疏采样视频超分辨率方法 |
CN106097251B (zh) * | 2016-06-22 | 2019-03-19 | 深圳信息职业技术学院 | 非均匀稀疏采样视频超分辨率方法 |
CN106204667A (zh) * | 2016-07-01 | 2016-12-07 | 山东大学 | 一种解决图像超分辨率重建中的相似度保留问题的稀疏编码方法 |
CN106204667B (zh) * | 2016-07-01 | 2019-07-30 | 山东大学 | 一种解决图像超分辨率重建中的相似度保留问题的稀疏编码方法 |
CN107481189A (zh) * | 2017-06-28 | 2017-12-15 | 西安邮电大学 | 一种基于学习的稀疏表示的超分辨率图像重建方法 |
CN109727214A (zh) * | 2018-12-28 | 2019-05-07 | 北京工业大学 | 基于正交稀疏字典与分组稀疏模型的彩色图与深度图增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105225215B (zh) | 2018-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103077505B (zh) | 基于字典学习和结构聚类的图像超分辨率重建方法 | |
CN103871041B (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
CN103077511B (zh) | 基于字典学习和结构相似的图像超分辨率重建方法 | |
CN106127688B (zh) | 一种超分辨率图像重建方法及其系统 | |
CN104657962B (zh) | 基于级联线性回归的图像超分辨重建方法 | |
CN105225215A (zh) | 一种基于组稀疏表示的单帧图像超分辨率重建方法 | |
CN106952228A (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN106204449A (zh) | 一种基于对称深度网络的单幅图像超分辨率重建方法 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN110929748A (zh) | 一种基于深度学习的运动模糊图像特征匹配方法 | |
CN105631807A (zh) | 基于稀疏域选取的单帧图像超分辨重建方法 | |
CN103366347B (zh) | 基于稀疏表示的图像超分辨率重建方法 | |
CN103116880A (zh) | 一种基于稀疏表示和多残差的图像超分辨率重建方法 | |
CN106920214A (zh) | 空间目标图像超分辨率重建方法 | |
CN102722875A (zh) | 一种基于视觉注意和质量可变的图像超分辨率重建方法 | |
CN104867106A (zh) | 一种深度图超分辨率方法 | |
CN104091364B (zh) | 单幅图像超分辨重建方法 | |
Zheng et al. | Sunspot drawings handwritten character recognition method based on deep learning | |
CN106169174A (zh) | 一种图像放大方法 | |
CN116682120A (zh) | 基于深度学习的多语种马赛克图像文本识别方法 | |
Chen et al. | RBPNET: An asymptotic Residual Back-Projection Network for super-resolution of very low-resolution face image | |
CN106981046B (zh) | 基于多层梯度约束回归的单幅图像超分辨率重建方法 | |
CN103714534A (zh) | 一种基于压缩感知的材料表面缺陷检测方法 | |
CN103020936B (zh) | 一种人脸图像超分辨率重构方法 | |
Feng et al. | Image super-resolution via a densely connected recursive network |
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 |