CN105574902A - 基于分块策略和遗传进化的视频图像压缩感知重构方法 - Google Patents

基于分块策略和遗传进化的视频图像压缩感知重构方法 Download PDF

Info

Publication number
CN105574902A
CN105574902A CN201510939382.9A CN201510939382A CN105574902A CN 105574902 A CN105574902 A CN 105574902A CN 201510939382 A CN201510939382 A CN 201510939382A CN 105574902 A CN105574902 A CN 105574902A
Authority
CN
China
Prior art keywords
observation
dictionary
observation vector
sub
block
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
CN201510939382.9A
Other languages
English (en)
Inventor
刘芳
李婷婷
程晓东
郝红侠
焦李成
尚荣华
马文萍
马晶晶
杨淑媛
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN201510939382.9A priority Critical patent/CN105574902A/zh
Publication of CN105574902A publication Critical patent/CN105574902A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/14—Picture signal circuitry for video frequency region
    • H04N5/144—Movement detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于分块策略和遗传进化的视频图像压缩感知重构方法。主要解决现有技术对视频前后帧变化部分重构效果模糊的问题。其实现方案为：1.获取观测向量。以8帧为一组，对视频图像每组中每帧图像进行分块；2.根据相邻帧同一位置差值二范数将图像块划分为变化块和非变化块，对所有变化块高斯观测，对非变化块中每组第一帧图像块高斯观测；3.对发送方的观测向量进行图像块结构判别；4.提取具有相同图像块结构的观测向量进行AP聚类；5.基于冗余字典，根据每一类图像块类别进行种群初始化，通过交叉、基于方向统计的变异、选择算子对数据进行遗传优化重构。本发明可以较好的重构视频前后帧变化部分，可用于自然图像视频的重构。

Description

基于分块策略和遗传进化的视频图像压缩感知重构方法
技术领域
本发明属于图像视频处理技术领域，更进一步涉及一种视频压缩感知重构方法，可用于对自然图像视频序列进行重构。
背景技术
近几年，在信号处理领域出现了一种新的数据理论压缩感知CS，该理论在数据采集的同时实现压缩，突破了传统奈奎采集斯特采样定理的限制，为数据采集技术带来了革命性的变化，使得该理论在压缩成像系统、军事密码学、无线传感等领域有着广阔的应用前景。压缩感知理论主要包括信号的稀疏表示、信号的观测和信号的重构等三个方面。其中设计快速有效的重构算法是将CS理论成功推广并应用于实际数据模型和采集系统的重要环节。
从科学到体育多种应用领域中，高速摄像机在捕捉快动作中发挥着重要的作用，但是测量高速视频对摄像机的设计来说是一种挑战。压缩感知通过低帧率的压缩测量，能够捕捉高帧率视频信息，因此压缩感知被用于高速视频信息的捕捉，从而减轻高速摄像机设计的困难。
JianboYang等人在论文“VideoCompressiveSensingUsingGaussianMixtureModels”(《IEEETransactionsonImageProcessingAPublicationoftheIEEESignalProcessingSociety》,2014,23)中提出一种基于高斯混合模型的方法。该方法通过对时空视频块建立高斯混合模型，对时间压缩的视频序列进行重构，获得了较好的重构效果，但是该方法仍然存在的不足是，该重构方法对视频帧序列的前后帧变化的部分重构效果不是很理想，在运动的边缘部分比较模糊。
发明内容
本发明的目的在于针对现有技术领域中的时空视频压缩感知重构技术的不足，提出一种基于分块策略和遗传进化的视频图像压缩感知重构方法，以提高重构图像的质量。
本发明的技术思路是：在发送方进行观测向量的构造，对视频图像进行分组，对视频图像的每一组的每一帧图像进行分块，根据同一位置相邻帧图像块差值的二范数将图像块划分为变化块和非变化块。对非变化块对数据组的第一帧的图像块进行高斯观测，对非变化块的所有图像块进行高斯观测。对获得的观测向量进行分类，利用视频帧间的相关性，对观测数据进行聚类。根据相似性，采用遗传优化算法对每一类图像块进行重构，实现高质量的视频压缩感知重构。其实现步骤包括如下：
1.一种基于分块策略和遗传进化的视频图像压缩感知重构方法，包括：
(1)发送方以8帧为一个数据组，对视频图像的每一帧图像进行8×8的分块，根据相邻帧同一位置图像块差值的二范数将图像块划分为非变化块和变化块，并对非变化块和变化块进行随机高斯观测，得到观测向量；
(2)接收方将获取的所有观测向量进行图像块结构判别，即将每一个观测向量标记为光滑或单方向或多方向；
(3)提取具有相同图像块结构的观测向量，对同一个图像块结构的观测向量进行AP聚类；
(4)用已有的脊波过完备字典对产生的每一类观测向量进行种群初始化；
(5)分别利用遗传进化算法对步骤(4)的每一个遗传种群进行遗传交叉、基于方向统计的遗传变异、遗传选择操作，获得每一类观测向量在过完备字典上的最优原子组合；
(6)根据步骤(5)获得的最优原子组合，对每一类观测向量进行重构，将它们组合成视频数据；
本发明与现有技术相比具有以下优点：
第一，本发明利用视频图像相邻帧同一位置的相似性，根据观测向量的差值二范数的统计特性，进一步降低了视频数据的采样率；
第二，本发明利用视频帧间和帧内的相关性，通过遗传优化算法，使得本发明对视频前后帧运动边缘的部分具有很好的重构效果。
附图说明
图1是本发明的实现流程图。
图2是本发明的仿真结果图。
图3是实验参数对比图。
具体实施方式
下面结合附图，对本发明做进一步的描述。
参照附图1，本发明的具体步骤如下：
步骤1.观测向量的获取。
输入一个256×256×96大小的视频。以8帧为一组，对视频图像的每一帧图像进行8×8的分块。根据相邻帧同一位置图像块差值的二范数将图像块划分为非变化块和变化块。对非变化块，只对每组视频的第一帧的非变化图像块进行随机高斯观测，其它视频帧的非变化图像块不需要观测；对每组视频的所有变化块都进行相应的高斯随机观测；非变化块和变化块的观测率不同或相同；
步骤2.对从发送方获得的观测数据进行图像块结构判别。
2a)计算每个观测向量的方差，并设置光滑阈值为0.45σ，其中，σ是所有观测向量的方差的平均值；
2b)对每个观测向量，判断其方差是否小于等于光滑阈值，若是，则将该观测向量对应的图像块标记为光滑块，否则，不做标记；
2c)对每个尚未标记的图像块的观测向量，进行以下判定：
2c1)根据脊波函数生成脊波过完备冗余字典，该字典共有6176个原子，36个方向和16个尺度，每个尺度下大约有20个左右的位移；
2c2)将脊波过完备冗余字典按方向分为36个子字典ψ1，ψ2，...，ψi,...,ψ36，对每一个图像块，根据其观测向量y和这些子字典，计算得到一个观测残差序列r1，r2，...，ri,...,r36，找到序列中的最小值在序列中的位置i，i＝1,2,...,36；
2c3)按如下公式计算序列中的子字典ψi的观测残差ri：
式中，y是待判定图像块的观测向量，Φ是用于观测的高斯矩阵，Dr是子字典ψi中与y相关性最大的10个原子组合，(·)+表示计算矩阵的伪逆矩阵，是向量二范数的平方；
2c4)利用观测残差序列中位置i-2，i-1，i，i+1和i+2上的五个残差值ri-2，ri-1，ri，ri+1和ri+2，对观测向量y对应的图像块进行标记：若ri-2大于ri-1，ri-1大于1.2ri，ri+1大于1.2ri，且ri+2大于ri+1，则将观测向量y对应的图像块标记为单方向，并记录该单方向块的方向为第i个方向，否则，不做标记；
其中，在判断条件中，若i为1，ri-1和ri-2分别用r36和r35代替，若i为2，ri-2用r36代替，若i为36，ri+1和ri+2分别用r1和r2代替，若i为35，ri+2用r1代替；
2c5)将其它尚未标记的图像块标记为多方向，且将所有的观测残差进行排序，选取残差最小的3个方向作为多方向类的最优相关方向。
步骤3.提取具有相同图像块结构的观测向量，并对其进行AP聚类。
聚类方法有多种，K-means聚类，分层聚类、两步聚类等；
3a)对于光滑块的所有观测向量，进行AP聚类得到光滑块的聚类结果；
3b)对于单方向块的所有观测向量，进行AP聚类得到单方向块的聚类结果；
3c)对于多方向块的所有观测向量，进行AP聚类得到多方向块的聚类结果；
步骤4.对每一类观测向量进行种群初始化。
(4a)对于标记为光滑块的观测向量，我们将ridgelet冗余字典按照尺度进行划分，选取前7个尺度作为光滑块的子字典，在子字典下随机生成该类的遗传初始种群；
(4b)对于标记为单方向的观测向量，将ridgelet冗余字典按方向划分为36个子字典，根据该类观测向量的标记判别方向i，选取前后相邻共5个方向(i-2,i-1,i,i+1,i+2)的子字典进行种群初始化，对i＝35,i+2＝1；对于i＝36，i+1＝1；i+2＝2；对于i＝1，i-1＝36；i-2＝35；对于i＝2，i-2＝36；对方向i，根据方向i的子字典随机初始化12个个体，对方向i-1,i+1，根据方向i-1，i+1对应的子字典，分别随机初始化8个个体，对于标定的方向i-2,i+2,根据方向i-2,i+2所对应的子字典，分别随机初始化4个个体；将上述5个方向生成的所有个体组合作为该类单方向的初始种群；
(4c)对于标记为多方向的观测向量，将ridgelet冗余字典按方向划为36个子字典，然后对类中的每个观测，根据步骤(2)的标记，统计他们标记的最优的三个方向，选出这一类中最优方向最多的三个方向j,k,l，作为该类多方向块的最优3个方向方向，对(j,k,l)每一个方向(例如j),分别选取前后相邻的5个方向(j-2,j-1,j,j+1,j+2),对j＝35,j+2＝1；对于j＝36，j+1＝1；j+2＝2；对于j＝1，j-1＝36；j-2＝35；对于j＝2，j-2＝36；对于方向j，根据方向j的子字典随机初始化4个个体，对于标定方向j-1,j+1，根据方向j-1，j+1对应的子字典，分别随机初始化2个个体，对于标定的方向j-2,j+2,根据方向j-2,j+2所对应的子字典，分别随机初始化2个个体；对j,k,l分别按照上述操作生成个体，将所有的个体组合成多方向下该类的遗传初始种群；
步骤5.利用遗传优化算法获得每一类观测向量在过完备字典上的最优原子组合。
(5a)根据步骤(5)对每一类观测设定初始种群B0，设定迭代次数t＝0；
(5b)计算遗传变异种群Bt中的个体适应度；
(5c)设定交叉概率Pc，对种群中的每个个体随机生成一个概率，然后遍历个体，对于概率小于Pc的个体，在剩余个体中随机选择一个个体，和它进行交叉，采用单点交叉，即：选取一个随机交叉点j，将配对的两个个体的j后面部分相互交换，组合成新的个体，对于产生的两个新的个体分别计算它们的适应度，选出适应度值较大的那一个，和父代进行比较，如果大于父代的适应度值，则将父代替换，否则不处理；
(5d)设定变异概率Pm，对种群中的每个个体的所有基因位随机生成一个概率，然后遍历每一个个体，对个体中概率小于变异概率的基因位进行变异，变异操作为先统计整个个体中所有基因位的方向，选取最少的一个方向，然后在冗余字典中该方向对应的子字典中随机生成一个值对它进行替换，对整个个体进行完变异操作之后，计算它的适应度值，如果适应度大于父代的适应度，则用子代替换父代，否则，不处理；
(5e)判断t是否大于遗传算法的迭代终止次数T,若条件满足，则对种群中所有的个体计算适应度，按适应度从大到小进行排序，选出适应度最大的个体作为该类的最优个体；否则t值增1，返回步骤(6c)；
步骤6.求解出该类对应的图像块的估计值，将它们组合成视频数据。
根据步骤(5)求得的最优原子,对每一类的每个观测向量重构估计向量其中αm＝[Φ·Dm]+ym；ym为观测向量，Φ为高斯观测矩阵，Dm是该类观测向量对应的子字典；A+＝(ATA)-1AT；将重构出的估计信号重新组合成视频数据。
将本发明的效果可以通过以下仿真实验进一步说明：
1.仿真条件：
本发明仿真实验的运行系统为CPUIntel(R)Core(TM)i5-34703.20GHz，32位windows7操作系统，仿真软件采用MatlabR2014b，仿真选用的是256×256的96帧交通车辆图片。
2.仿真内容与结果与对比
用本发明和混合高斯模型方法，对交通车辆视频进行重构，重构的前8帧效果比较如图2所示。从图2可见，对于视频中变动的车辆的边缘部分，本方法重构的效果较好。从图3看出本方法具有较高的psnr参数。

Claims (6)

1.一种基于分块策略和遗传进化的视频图像压缩感知重构方法，包括：
(1)发送方以8帧为一个数据组，对视频图像的每一帧图像进行8×8的分块，根据相邻帧同一位置图像块差值的二范数将图像块划分为非变化块和变化块，并对非变化块和变化块进行随机高斯观测，得到观测向量；
(2)接收方将获取的所有观测向量进行图像块结构判别，即将每一个观测向量标记为光滑或单方向或多方向；
(3)提取具有相同图像块结构的观测向量，对同一个图像块结构的观测向量进行AP聚类；
(4)用已有的脊波过完备字典对产生的每一类观测向量进行种群初始化；
(5)分别利用遗传优化算法对步骤(4)的每一个遗传种群进行遗传交叉、基于方向统计的遗传变异、遗传选择操作，获得每一类观测向量在过完备字典上的最优原子组合；
(6)根据步骤(5)获得的最优原子组合，对每一类观测向量进行重构，将它们组合成视频数据。
2.根据权利要求1所述的方法，其中步骤(1)中对非变化块和变化块进行随机高斯观测，是指对非变化块，只对每组视频的第一帧的非变化图像块进行随机高斯观测，其它视频帧的非变化图像块不需要观测；对变化块其每组视频的所有帧都要进行相应的高斯随机观测；非变化块与变化块的观测率不同或相同。
3.根据权利要求1所述的方法，其中步骤(1)中高斯随机观测，是将图像块，拉成列xi,再采用高斯矩阵Φ进行观测，得到各个图像块的观测向量：yi＝Φ·xi，其中Φ的大小视采样率而定。
4.根据权利要求书1所述的方法，其中步骤(3)中对每一类观测向量进行种群初始化，按如下步骤进行：
(3a)对于标记为光滑块的观测向量，我们将ridgelet冗余字典按照尺度进行划分，选取前7个尺度作为光滑块的子字典，在子字典下随机生成该类的遗传初始种群；
(3b)对于标记为单方向的观测向量，将ridgelet冗余字典按方向划分为36个子字典，根据该类观测向量的标记判别方向i，选取前后相邻共5个方向(i-2,i-1,i,i+1,i+2)的子字典进行种群初始化，对i＝35,i+2＝1；对于i＝36，i+1＝1；i+2＝2；对于i＝1，i-1＝36；i-2＝35；对于i＝2，i-2＝36；对方向i，根据方向i的子字典随机初始化12个个体，对方向i-1,i+1，根据方向i-1，i+1对应的子字典，分别随机初始化8个个体，对于标定的方向i-2,i+2,根据方向i-2,i+2所对应的子字典，分别随机初始化4个个体；将上述5个方向生成的所有个体组合作为该类单方向的初始种群；
(3c)对于标记为多方向的观测向量，将ridgelet冗余字典按方向划为36个子字典，然后对类中的每个观测，根据步骤(2)的标记，统计他们标记的最优的三个方向，选出这一类中最优方向最多的三个方向j,k,l，作为该类多方向块的最优3个方向方向，对(j,k,l)每一个方向(例如j),分别选取前后相邻的5个方向(j-2,j-1,j,j+1,j+2),对j＝35,j+2＝1；对于j＝36，j+1＝1；j+2＝2；对于j＝1，j-1＝36；j-2＝35；对于j＝2，j-2＝36；对于方向j，根据方向j的子字典随机初始化4个个体，对于标定方向j-1,j+1，根据方向j-1，j+1对应的子字典，分别随机初始化2个个体，对于标定的方向j-2,j+2,根据方向j-2,j+2所对应的子字典，分别随机初始化2个个体；对j,k,l分别按照上述操作生成个体，将所有的个体组合成多方向下该类的遗传初始种群。
5.根据权利要求书1所述的方法，其中步骤(5)中利用遗传进化算法对步骤(4)的每一个遗传种群进行遗传交叉、基于方向统计的遗传变异、遗传选择操作，获得每一类观测向量在过完备字典上的最优原子组合，按如下步骤进行：
(5a)根据步骤(4)对每一类观测设定初始种群B0，设定迭代次数t＝0；
(5b)计算遗传变异种群Bt中的个体适应度；
(5c)设定交叉概率Pc，对种群中的每个个体随机生成一个概率，然后遍历个体，对于概率小于Pc的个体，在剩余个体中随机选择一个个体，和它进行交叉，采用单点交叉。即：选取一个随机交叉点n，将配对的两个个体的n后面部分相互交换，组合成新的个体。对于产生的两个新的个体分别计算它们的适应度，选出适应度值较大的那一个，和父代进行比较，如果大于父代的适应度值，则将父代替换，否则不处理；
(5d)设定变异概率Pm，对种群中的每个个体的所有基因位随机生成一个概率。然后遍历每一个个体，对个体中概率小于变异概率的基因位进行变异，变异操作为先统计整个个体中所有基因位的方向，选取最少的一个方向，然后在冗余字典中该方向对应的子字典中随机生成一个值对它进行替换，对整个个体进行完变异操作之后，计算它的适应度值。如果适应度大于父代的适应度，则用子代替换父代，否则，不处理；
(5e)判断t是否大于遗传算法的迭代终止次数T。若条件满足，则对种群中所有的个体计算适应度，按适应度从大到小进行排序，选出适应度最大的个体作为该类的最优个体；否则t值增1，返回步骤(5c)。
6.根据权利要求书1所述的方法，其中步骤(6)中根据步骤(5)获得的最优原子，对每一类观测向量进行重构，并求解出该类对应的图像块的估计值，按如下步骤进行：
根据步骤(5)求得的最优原子组合,对每一类的每个观测向量重构估计向量其中αm＝[Φ·Dm]+ym；ym为观测向量，Φ为高斯观测矩阵，Dm是该类观测向量对应的子字典，A+＝(ATA)-1AT。
CN201510939382.9A 2015-12-15 2015-12-15 基于分块策略和遗传进化的视频图像压缩感知重构方法 Pending CN105574902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510939382.9A CN105574902A (zh) 2015-12-15 2015-12-15 基于分块策略和遗传进化的视频图像压缩感知重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510939382.9A CN105574902A (zh) 2015-12-15 2015-12-15 基于分块策略和遗传进化的视频图像压缩感知重构方法

Publications (1)

Publication Number Publication Date
CN105574902A true CN105574902A (zh) 2016-05-11

Family

ID=55884989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510939382.9A Pending CN105574902A (zh) 2015-12-15 2015-12-15 基于分块策略和遗传进化的视频图像压缩感知重构方法

Country Status (1)

Country Link
CN (1) CN105574902A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106791273A (zh) * 2016-12-07 2017-05-31 重庆大学 一种结合帧间信息的视频盲复原方法
CN107483058A (zh) * 2017-08-17 2017-12-15 西安电子科技大学 一种基于结构化观测和方向指导的匹配追踪重构方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102842124A (zh) * 2012-07-16 2012-12-26 西安电子科技大学 基于矩阵低秩分解的多光谱图像与全色图像融合方法
CN103198500A (zh) * 2013-04-03 2013-07-10 西安电子科技大学 基于pca冗余字典和方向信息的压缩感知图像重构方法
CN103295198A (zh) * 2013-05-13 2013-09-11 西安电子科技大学 基于冗余字典和结构稀疏的非凸压缩感知图像重构方法
CN103985145A (zh) * 2014-03-04 2014-08-13 西安电子科技大学 一种基于联合稀疏和先验约束的压缩感知图像重构方法
CN104103042A (zh) * 2014-02-12 2014-10-15 西安电子科技大学 一种基于局部相似性和局部选择的非凸压缩感知图像重构方法
CN104376585A (zh) * 2014-11-21 2015-02-25 西安电子科技大学 基于图像块结构属性策略的非凸压缩感知图像重构方法
CN104463802A (zh) * 2014-12-12 2015-03-25 西安电子科技大学 基于可变规模过完备字典的非凸压缩感知图像重构方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102842124A (zh) * 2012-07-16 2012-12-26 西安电子科技大学 基于矩阵低秩分解的多光谱图像与全色图像融合方法
CN103198500A (zh) * 2013-04-03 2013-07-10 西安电子科技大学 基于pca冗余字典和方向信息的压缩感知图像重构方法
CN103295198A (zh) * 2013-05-13 2013-09-11 西安电子科技大学 基于冗余字典和结构稀疏的非凸压缩感知图像重构方法
CN104103042A (zh) * 2014-02-12 2014-10-15 西安电子科技大学 一种基于局部相似性和局部选择的非凸压缩感知图像重构方法
CN103985145A (zh) * 2014-03-04 2014-08-13 西安电子科技大学 一种基于联合稀疏和先验约束的压缩感知图像重构方法
CN104376585A (zh) * 2014-11-21 2015-02-25 西安电子科技大学 基于图像块结构属性策略的非凸压缩感知图像重构方法
CN104463802A (zh) * 2014-12-12 2015-03-25 西安电子科技大学 基于可变规模过完备字典的非凸压缩感知图像重构方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FANG LIU等: "Nonconvex Compressed Sensing by Nature-Inspired Optimization Algorithms", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
崔白杨: "基于Ridgelet冗余字典的非凸压缩感知重构方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李如春等: "基于变采样率压缩感知的视频压缩研究", 《电子技术应用》 *
许敬缓: "脊波框架下稀疏冗余字典的设计及重构算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106791273A (zh) * 2016-12-07 2017-05-31 重庆大学 一种结合帧间信息的视频盲复原方法
CN106791273B (zh) * 2016-12-07 2019-08-20 重庆大学 一种结合帧间信息的视频盲复原方法
CN107483058A (zh) * 2017-08-17 2017-12-15 西安电子科技大学 一种基于结构化观测和方向指导的匹配追踪重构方法
CN107483058B (zh) * 2017-08-17 2019-10-22 西安电子科技大学 一种基于结构化观测和方向指导的匹配追踪重构方法

Similar Documents

Publication Publication Date Title
CN113362223B (zh) 基于注意力机制和双通道网络的图像超分辨率重建方法
CN109410307B (zh) 一种场景点云语义分割方法
Wang et al. Learning from synthetic data for crowd counting in the wild
CN102741884B (zh) 移动体检测装置及移动体检测方法
CN110852267B (zh) 基于光流融合型深度神经网络的人群密度估计方法及装置
CN105844635B (zh) 一种基于结构字典的稀疏表示深度图像重建方法
CN111540193A (zh) 一种基于图卷积时序生成对抗网络的交通数据修复方法
CN101877143B (zh) 一种二维图像组的三维场景重建方法
CN110097178A (zh) 一种基于熵注意的神经网络模型压缩与加速方法
CN106127804A (zh) 基于稀疏深度去噪自编码器的rgb‑d数据跨模式特征学习的目标跟踪方法
CN112288627A (zh) 一种面向识别的低分辨率人脸图像超分辨率方法
CN103824272A (zh) 基于k近邻重识别的人脸超分辨率重建方法
CN112580502B (zh) 基于sicnn的低质量视频人脸识别方法
CN104036296B (zh) 一种图像的表示和处理方法及装置
CN108509843A (zh) 一种基于加权的Huber约束稀疏编码的人脸识别方法
CN112491797B (zh) 一种基于非平衡工控数据集的入侵检测方法及系统
CN110097028A (zh) 基于三维金字塔图像生成网络的人群异常事件检测方法
CN109376787A (zh) 流形学习网络及基于其的计算机视觉图像集分类方法
CN110930500A (zh) 一种基于单视角视频的动态头发建模方法
CN112950480A (zh) 一种融合多感受野和密集残差注意的超分辨率重建方法
CN109949217A (zh) 基于残差学习和隐式运动补偿的视频超分辨率重建方法
CN105631469A (zh) 一种多层稀疏编码特征的鸟类图像识别方法
CN104103042A (zh) 一种基于局部相似性和局部选择的非凸压缩感知图像重构方法
CN105740917B (zh) 带有标签学习的遥感图像的半监督多视图特征选择方法
CN103679662A (zh) 基于类别先验非负稀疏编码字典对的超分辨率图像恢复方法

Legal Events

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

Application publication date: 20160511

WD01 Invention patent application deemed withdrawn after publication