CN105787895A - 基于分层高斯混合模型的统计压缩感知图像重构方法 - Google Patents
基于分层高斯混合模型的统计压缩感知图像重构方法 Download PDFInfo
- Publication number
- CN105787895A CN105787895A CN201610110804.6A CN201610110804A CN105787895A CN 105787895 A CN105787895 A CN 105787895A CN 201610110804 A CN201610110804 A CN 201610110804A CN 105787895 A CN105787895 A CN 105787895A
- Authority
- CN
- China
- Prior art keywords
- subimage block
- image
- individual
- model
- statistical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013179 statistical model Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明公开了一种基于分层高斯混合模型的统计压缩感知图像重构方法,具体涉及一种基于图像块数据的统计模型学习和信号重构算法,主要解决现有统计压缩感知图像重构方法中使用的单高斯先验模型不能灵活准确地刻画子图像块的非高斯统计性质,从而导致重构图像质量不高的缺点。本发明在模型第一层学习全局高斯混合模型对子图像块进行硬聚类,从全局上充分利用图像块之间的相似性结构,在模型第二层分类学习子图像块的局部高斯混合模型,从局部上对子图像块之间的差异性进行区分和建模。与现有传统压缩感知和统计压缩感知重构技术相比,能够以更少的测量获得更高的重构精度,适合对自然图像的重构。
Description
技术领域
本发明属于图像处理技术领域,具体涉及图像的统计压缩感知重构方法,可用于对自然图像进行重构。
背景技术
压缩感知(CompressedSensing,CS)是由Candès和Donoho等人于2006年正式提出的一种新的信号采样理论,如:DonohoDL.Compressedsensing.IEEETransactionsonInformationTheory,2006,52(4):1289-1306;CandèsE.Nearoptimalsignalrecoveryfromrandomprojections:Universalencodingstrategies?IEEETransactionsonInformationTheory,2006,52(12):5406-525。与传统采样理论不同,CS将采样与压缩过程同步进行,直接以压缩形式感知信号,获得的测量的数量远低于被感知信号的维数。CS理论在稀疏信号模型的假设下,利用非线性优化方法可以从少量测量获得信号的精确或近似重构。
统计压缩感知(StatisticalCompressedSensing,SCS)作为CS理论的新分支由Yu等人于2011年提出,如:YuG.StatisticalcompressedsensingofGaussianmixturemodels.IEEETransactionsonSignalProcessing2011,59(12):5842-5858。在处理自然图像的压缩感知问题中,提出的SCS重构算法将原始图像分成若干大小相同的子图像块,在子图像块的高斯模型假设下,利用贝叶斯统计方法对子图像块进行重构。该方法首先以具有不同方向的边缘图像生成的方向高斯分布作为初始模型,并假设子图像块由其中之一的高斯模型生成,在给定子图像块压缩测量下,通过最大化子图像块的后验概率对子图像块进行模型选择和重构,并使用重构的子图像块更新方向高斯模型。该方法的优点是:在全局上形成刻画子图像块统计性质的高斯混合模型,提供子图像块的块稀疏表示;存在的缺点是:在局部上实际使用单高斯模型刻画子图像块,然而自然图像通常都呈现出显著的非高斯性质,单高斯模型不能灵活、准确地表示子图像块中存在的不同特征,如边缘、纹理等,从而导致重构图像的质量不高。
发明内容
本发明目的在于解决已有技术存在的问题,提出一种基于分层高斯混合模型的统计压缩感知图像重构方法。
实现本发明目的的技术方案是:以由表示不同方向的边缘图像生成的方向高斯分布作为刻画子图像块统计性质的初始模型;构造子图像的2-分层高斯混合模型,提出从压缩测量对子图像块同步聚类和重构的MAP-EM算法,在混合模型的第一层利用MAP估计对子图像块进行硬聚类和初始重构,在第二层的每个聚类中,以第一层得到的子图像块的MAP估计作为初始估计,利用EM算法从测量学习子图像块的高斯混合模型,同步实现子图像块的软聚类和重构;利用每个聚类中重构的子图像块对各方向高斯模型进行更新。具体步骤如下:
(1)把一幅图像分成若干个子图像块,对每个子图像块进行压缩采样,得到测量:
,其中是第个子图像块像素值,是高斯随机矩阵;
(2)由表示0~180度之间的个方向的黑白边缘图像生成个零均值高斯分布,利用DCT变换生成第个方向的高斯分布;
(3)在混合模型第一层,由测量计算子图像块在个高斯模型下的MAP估计和对数后验概率,比较对数后验概率将子图像块聚成类;
(4)在混合模型第二层的每个聚类中,以子图像块的MAP估计作为初始估计,选择具有最大对数后验概率的个高斯分布的混合模型作为先验分布,利用提出的EM算法从压缩测量迭代地学习高斯混合模型,并重构属于每个聚类的子图像块;
(5)使用重构的子图像块对个高斯分布的参数进行更新;
(6)如果未达到指定的迭代重构次数,返回步骤(3);否则,将重构的子图像块拼接在一起,得到原始图像的重构图像。
本发明与现有技术相比具有如下优点:
对自然图像的重构效果好。
本发明通过2-分层高斯混合模型对子图像块进行聚类重构,第一层对子图像块的硬聚类使算法从全局上充分利用子图像块之间的相似性结构;第二层学习子图像块的高斯混合模型使算法在局部上对子图像块之间的差异性进行区分和建模;对大规模图像数据重构问题,使用局部高斯混合模型易于实现并行计算;重构子图像块和学习2-分层高斯混合模型的MAP-EM算法具有简单的迭代形式和较低的计算复杂度;对方向高斯模型的迭代更新形成一种自学习模式;与现有的基于DCT字典、KSVD字典的传统CS方法、基于局部单高斯模型的SCS方法和基于全局高斯混合模型的MMLE-GMM方法相比,本发明能够以更少的测量获得图像更优的重构性能。
附图说明
图1是本发明的流程图;
图2是本发明中2-分层高斯混合模型示意图;
图3是本发明与现有的基于DCT字典和KSVD字典的OMP算法、基于局部单高斯模型的SCS算法和基于全局高斯混合模型的MMLE-GMM算法在高斯随机采样下对Lena图像的重构结果图及局部放大图;
图4是本发明与现有的基于DCT字典和KSVD字典的OMP算法、基于局部单高斯模型的SCS算法和基于全局高斯混合模型的MMLE-GMM算法在高斯随机采样下对Boat图像的重构结果图及局部放大图;
图5是本发明与现有的基于DCT字典和KSVD字典的OMP算法、基于局部单高斯模型的SCS算法和基于全局高斯混合模型的MMLE-GMM算法在高斯随机采样下对Lena图像在不同测量率下3次实验的平均PSNR值的曲线图;
图6是本发明与现有的基于DCT字典和KSVD字典的OMP算法、基于局部单高斯模型的SCS算法和基于全局高斯混合模型的MMLE-GMM算法在高斯随机采样下对Boat图像在不同测量率下3次实验的平均PSNR值的曲线图。
具体实施方式
下面结合附图对本发明作进一步说明。
参照图1,本发明的具体实施过程如下:
步骤一,把一幅图像分成个无重叠的子图像块,本实例子图像块大小为;
步骤二,对每个子图像块以的采样率进行压缩采样,得到测量:
,其中是第个子图像块像素值,是高斯随机矩阵,,是压缩测量的个数;
步骤三,生成表示0~180度之间的个方向的黑白边缘图像,计算边缘图像的所有子图像块的协方差矩阵,生成个零均值方向高斯分布,利用DCT变换生成第个方向高斯分布;
步骤四,在混合模型第一层,由测量计算子图像块在个高斯模型下的MAP估计:
,
其中,是噪声方差。计算对数后验概率,比较将子图像块聚成类:
,第个子图像块被分到第类,其中;
记为第个聚类中子图像块的标识集,;
步骤五,在混合模型第二层,对每个聚类中的子图像块分别执行混合分量选择和EM迭代算法,得到子图像块的重构;
(5a)计算参数矩阵:
,
,;
(5b)对第个聚类,计算
,
以降序排列
,
选择与前个最大值对应的高斯分布作为混合分量,构成的混合先验分布;
(5c)初始化EM算法的迭代次数,初始化残差,初始化参数,,,,,,;
(5c-1)E-步计算后验期望:
,;
(5c-2)M-步更新混合模型参数:
,;
(5c-3)更新子图像块的重构:,;
(5c-4)更新残差:,;
(5c-5)将连续两次平均残差平方的差的绝对值与迭代终止误差进行比较,若,或者迭代次数达到最大值,则停止迭代,输出子图像块的重构 ;否则,给迭代次数加1,转至步骤(5c-1);
步骤六,更新K个聚类相应的方向高斯分布的均值向量和协方差矩阵:
,;
步骤七,如果未达到指定的迭代重构次数,返回步骤四;否则,将重构的子图像块拼在一起,得到原始图像的重构图像。
本发明的优点由以下仿真的数据和图像进一步说明。
1.仿真条件
1)选取三幅标准测试自然图像:Lena和Boat,将本发明与现有的基于DCT字典和KSVD字典的OMP算法、基于局部单高斯模型的SCS算法和基于全局高斯混合模型的MMLE算法在高斯随机采样下的重构性能进行对比;
2)仿真实验中方向高斯分布的个数设定为19,方向高斯分布的均值向量的初始值设定为;
3)算法中噪声方差,迭代重构最大次数为次;
4)混合模型第二层每个聚类中的混合高斯分量的个数;
5)EM算法的最大迭代次数,迭代终止误差;
6)方向高斯分布的协方差矩阵更新中的正则化参数;
2.仿真内容与结果
本实验的内容:本发明与现有的基于DCT字典的OMP(DCT-OMP)算法、基于KSVD字典的OMP(KSVD-OMP)算法、基于局部单高斯模型的SCS算法、基于全局高斯混合模型的MMLE(MMLE-GMM)算法对自然图像在高斯随机采样下的重构结果对比。
本实验的目的:展示在采样率25%的高斯随机采样情况下,本发明与现有的DCT-OMP算法、KSVD-OMP算法、SCS算法、MMLE-GMM算法对自然图像的重构结果;在不同的采样率下,本发明与现有的DCT-OMP算法、KSVD-OMP算法、SCS算法、MMLE-GMM算法对自然图像的重构的PSNR值的变化趋势。
在25%、37.5%和50%的采样率下,本发明与现有的DCT-OMP算法、KSVD-OMP算法、SCS算法、MMLE-GMM算法对二幅大小为的标准测试自然图像Lena和Boat的一次重构结果的图像评价指标PSNR值如表1所示;图像Lena的重构视觉效果如图3所示,其中图3(a)为原图,图3(b)是图3(a)的局部放大图,图3(c)、图3(e)、图3(g)、图3(i)和图3(k)分别是DCT-OMP、KSVD-OMP、SCS、MMLE-GMM算法和本发明的重构图像,图3(d)、图3(f)、图3(h)、图3(j)和图3(l)分别是图3(c)、图3(e)、图3(g)、图3(i)和图3(k)的局部放大图;图像Boat的重构视觉效果如图4所示,其中图4(a)为原图,图4(b)是图4(a)的局部放大图,图4(c)、图4(e)、图4(g)和图4(i)分别是DCT-OMP、KSVD-OMP、SCS、MMLE-GMM算法和本发明的重构图像,图4(d)、图4(f)、图4(h)、图4(j)和图4(l)分别是图4(c)、图4(e)、图4(g)、图4(i)和图4(k)的局部放大图.
从表1可以看出,本发明重构图像的PSNR值比DCT-OMP、KSVD-OMP、SCS和MMLE-GMM算法均高,表明重构图像的质量好。
从图3和图4可以看出,本发明的重构图像的边缘、纹理和平滑部分都显著地优于DCT-OMP、KSVD-OMP、SCS和MMLE-GMM算法的重构图像,没有明显地块效应。
本发明与现有的DCT-OMP算法、KSVD-OMP算法、SCS算法和MMLE-GMM算法分别在测量率12.5%、18.75%、25%、31.25%、37.5%、43.75%和50%的情况下,对大小为的自然图像Lena和Boat的3次重构结果的图像评价指标PSNR的平均值趋势分别如图4和图5所示。从图4和图5可以看出,当采样率高于12.5%时,本发明重构图像的PSNR均高于DCT-OMP、KSVD-OMP、SCS和MMLE-GMM算法。
综上所述,本发明能够显著地提高自然图像的压缩感知重构质量。
表1:自然图像大小
Claims (2)
1.基于分层高斯混合模型的统计压缩感知图像重构方法,包括如下步骤:
(1)将图像分成的无重叠的子图像块,对每个子图像块以的采样率进行压缩采样,得到测量:
,其中是第个子图像块像素值,是维高斯随机矩阵,;
(2)由黑白边缘图像生成个初始的方向高斯分布,利用DCT变换生成第个方向高斯分布,的初始值设定为,设定为19;
(3)在混合模型第一层,由测量计算子图像块在个高斯模型下的MAP估计和对数后验概率:
,
,
比较将子图像块聚成类:
,第个子图像块被分到第类,;
(4)在混合模型第二层,对每个聚类中的子图像块,选择具有最大对数后验概率的个高斯分布的混合模型作为先验分布,利用EM算法从压缩测量迭代地学习高斯混合模型,并重构属于每个聚类的子图像块,其中是第个聚类中子图像块的标识集,;
(5)使用重构的子图像块更新个方向高斯分布的均值向量和协方差矩阵:
,
,
其中是正则化参数,设定为;
(6)如果未达到指定的迭代重构次数,返回步骤(3);否则,将重构的子图像块拼在一起,得到原始图像的重构图像。
2.根据权利要求1所述的基于分层高斯混合模型的统计压缩感知图像重构方法,其中步骤(4)中所述的对每个聚类中的子图像块进行混合分量选择和使用EM迭代算法进行重构,按照如下步骤进行:
(1)计算参数矩阵:
,
,
其中是噪声方差,设定为;
(2)对第个聚类,计算
,
以降序排列
,;
选择与前个最大值对应的高斯分布作为混合分量,构成的混合先验分布,设定为12;
(3)初始化:初始化EM算法的迭代次数,初始残差,初始参数,,,,, ,最大迭代次数,迭代终止误差;
(3.1)E-步计算后验期望:
,;
(3.2)M-步更新混合模型参数:
,;
(3.3)更新子图像块的重构:;
(3.3)更新残差:;
(3.4)将连续两次残差矩阵的2-范数的差的绝对值与迭代终止误差进行比较,若,或者迭代次数达到最大值,则停止迭代,输出子图像块的重构 ;否则,给迭代次数加1,转至步骤(3.1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610110804.6A CN105787895B (zh) | 2016-02-29 | 2016-02-29 | 基于分层高斯混合模型的统计压缩感知图像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610110804.6A CN105787895B (zh) | 2016-02-29 | 2016-02-29 | 基于分层高斯混合模型的统计压缩感知图像重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787895A true CN105787895A (zh) | 2016-07-20 |
CN105787895B CN105787895B (zh) | 2018-08-28 |
Family
ID=56403903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610110804.6A Active CN105787895B (zh) | 2016-02-29 | 2016-02-29 | 基于分层高斯混合模型的统计压缩感知图像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787895B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107360416A (zh) * | 2017-07-12 | 2017-11-17 | 天津大学 | 基于局部多元高斯描述子的立体图像质量评价方法 |
CN109492190A (zh) * | 2018-08-12 | 2019-03-19 | 中国科学院大学 | 一种基于分部式高斯混合模型的冰下层位检测方法 |
CN110288525A (zh) * | 2019-05-21 | 2019-09-27 | 西北大学 | 一种多字典超分辨率图像重建方法 |
CN112381746A (zh) * | 2020-11-16 | 2021-02-19 | 中南民族大学 | 学习采样与分组的图像压缩感知重构系统及其方法 |
CN112509025A (zh) * | 2020-12-03 | 2021-03-16 | 山东省科学院海洋仪器仪表研究所 | 一种基于三维欧氏距离的岩石空间结构距离图的计算方法 |
CN113313205A (zh) * | 2021-06-23 | 2021-08-27 | 南昌航空大学 | 一种深度图像分层方法及系统 |
WO2022095302A1 (zh) * | 2020-11-05 | 2022-05-12 | 湖南大学 | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592269A (zh) * | 2012-01-11 | 2012-07-18 | 西安电子科技大学 | 基于压缩感知的目标重构方法 |
CN103077510A (zh) * | 2013-01-21 | 2013-05-01 | 中国计量学院 | 基于小波hmt模型的多变量压缩感知重构方法 |
EP2637108A1 (en) * | 2012-03-09 | 2013-09-11 | BlackBerry Limited | Signature representation of data with aliasing across synonyms |
US20140023253A1 (en) * | 2012-07-20 | 2014-01-23 | Jan S. Hesthaven | Image Reconstruction from Incomplete Fourier Measurements and Prior Edge Information |
CN104036519A (zh) * | 2014-07-03 | 2014-09-10 | 中国计量学院 | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 |
-
2016
- 2016-02-29 CN CN201610110804.6A patent/CN105787895B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592269A (zh) * | 2012-01-11 | 2012-07-18 | 西安电子科技大学 | 基于压缩感知的目标重构方法 |
EP2637108A1 (en) * | 2012-03-09 | 2013-09-11 | BlackBerry Limited | Signature representation of data with aliasing across synonyms |
US20140023253A1 (en) * | 2012-07-20 | 2014-01-23 | Jan S. Hesthaven | Image Reconstruction from Incomplete Fourier Measurements and Prior Edge Information |
CN103077510A (zh) * | 2013-01-21 | 2013-05-01 | 中国计量学院 | 基于小波hmt模型的多变量压缩感知重构方法 |
CN104036519A (zh) * | 2014-07-03 | 2014-09-10 | 中国计量学院 | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 |
Non-Patent Citations (2)
Title |
---|
GUOSHEN YU 等: "statistical compressed sensing of Gaussian mixture models", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
贾楠: "基于流形及高斯混合模型的压缩感知算法研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107360416A (zh) * | 2017-07-12 | 2017-11-17 | 天津大学 | 基于局部多元高斯描述子的立体图像质量评价方法 |
CN109492190A (zh) * | 2018-08-12 | 2019-03-19 | 中国科学院大学 | 一种基于分部式高斯混合模型的冰下层位检测方法 |
CN110288525A (zh) * | 2019-05-21 | 2019-09-27 | 西北大学 | 一种多字典超分辨率图像重建方法 |
CN110288525B (zh) * | 2019-05-21 | 2022-12-02 | 西北大学 | 一种多字典超分辨率图像重建方法 |
WO2022095302A1 (zh) * | 2020-11-05 | 2022-05-12 | 湖南大学 | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 |
CN112381746A (zh) * | 2020-11-16 | 2021-02-19 | 中南民族大学 | 学习采样与分组的图像压缩感知重构系统及其方法 |
CN112381746B (zh) * | 2020-11-16 | 2022-08-05 | 中南民族大学 | 学习采样与分组的图像压缩感知重构系统及其方法 |
CN112509025A (zh) * | 2020-12-03 | 2021-03-16 | 山东省科学院海洋仪器仪表研究所 | 一种基于三维欧氏距离的岩石空间结构距离图的计算方法 |
CN112509025B (zh) * | 2020-12-03 | 2022-11-11 | 山东省科学院海洋仪器仪表研究所 | 一种基于三维欧氏距离的岩石空间结构距离图的计算方法 |
CN113313205A (zh) * | 2021-06-23 | 2021-08-27 | 南昌航空大学 | 一种深度图像分层方法及系统 |
CN113313205B (zh) * | 2021-06-23 | 2022-03-01 | 南昌航空大学 | 一种深度图像分层方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105787895B (zh) | 2018-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787895A (zh) | 基于分层高斯混合模型的统计压缩感知图像重构方法 | |
CN103279980B (zh) | 基于点云数据的树叶建模方法 | |
CN107516301A (zh) | 一种基于压缩感知在图像重建中测量矩阵的构造优化方法 | |
CN103840838B (zh) | 一种基于自适应观测矩阵的贝叶斯压缩感知信号恢复方法 | |
CN106663316A (zh) | 一种基于块稀疏压缩感知的红外图像重构方法及其系统 | |
CN102708576B (zh) | 基于结构字典的分块图像压缩感知重建方法 | |
CN103810755B (zh) | 基于结构聚类稀疏表示的压缩感知光谱图像重建方法 | |
CN103654789A (zh) | 磁共振快速参数成像方法和系统 | |
CN103077510B (zh) | 基于小波hmt模型的多变量压缩感知重构方法 | |
CN105844635B (zh) | 一种基于结构字典的稀疏表示深度图像重建方法 | |
CN105513026A (zh) | 一种基于图像非局部相似的压缩感知重构方法 | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
CN103440348A (zh) | 一种基于矢量量化的全局和局部颜色图像检索方法 | |
CN102722866B (zh) | 基于主成份分析的压缩感知方法 | |
CN104392243A (zh) | 基于核稀疏非负矩阵分解的高光谱图像非线性解混方法 | |
CN103279959B (zh) | 一种二维分析稀疏模型、其字典训练方法和图像去噪方法 | |
CN104036519B (zh) | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 | |
CN107038730A (zh) | 基于高斯尺度结构块分组的稀疏表示图像重建方法 | |
CN110532928A (zh) | 基于面部区域规范化和可变形沙漏网络的面部关键点检测方法 | |
CN103136728A (zh) | 基于字典学习和非局部总变差的图像超分辨方法 | |
CN103226825B (zh) | 基于低秩稀疏模型的遥感图像变化检测方法 | |
CN102609920B (zh) | 一种基于压缩感知的彩色数字图像修复方法 | |
CN104299201B (zh) | 基于遗传稀疏优化的图像重构方法 | |
CN104318552A (zh) | 基于凸包投影图匹配的模型配准方法 | |
CN113822825B (zh) | 基于3d-r2n2的光学建筑目标三维重建方法 |
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 |