CN105931179B - 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 - Google Patents
一种联合稀疏表示与深度学习的图像超分辨率方法及系统 Download PDFInfo
- Publication number
- CN105931179B CN105931179B CN201610216592.XA CN201610216592A CN105931179B CN 105931179 B CN105931179 B CN 105931179B CN 201610216592 A CN201610216592 A CN 201610216592A CN 105931179 B CN105931179 B CN 105931179B
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- resolution
- error
- dictionary
- 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
Classifications
-
- 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
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
- G06T3/4076—Super resolution, i.e. output image resolution higher than sensor resolution by iteratively correcting the provisional high resolution image using the original low-resolution image
-
- 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
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Abstract
一种联合稀疏表示与深度学习的图像超分辨率方法及系统,包括将原高分辨率图像降分辨率得到等大的低分辨率图像,并计算两者的差值部分;分别得到低分图像字典和差值图像字典及相应的稀疏表示系数;构建以均方根误差为代价函数的深度学习网络,迭代优化网络参数使得代价函数达到最小,得到训练好的深度学习网络;将作为测试部分的低分图像稀疏系数输入深度学习网络中,当误差小于给定阈值,根据待提高分辨率的低分图像重建出对应的高分辨率图像。本发明克服了现有方法利用联合字典训练方式使高低分辨率图像共享稀疏表示系数的不足,利用深度学习充分学习低分图像和差值图像稀疏表示系数间的映射关系,从而得到具有更高精度的高分辨率重建结果。
Description
技术领域
本发明属于遥感图像处理技术领域,涉及一种联合稀疏表示与深度学习的图像超分辨率方法及系统。
背景技术
图像超分辨率就是从一系列分辨率较低的图像来重建出包含更多细节的高分辨率图像,在遥感影像的目标识别与定位、环境监测、医学成像等诸多领域都具有重要的应用价值。图像超分辨率突破了传感器本身分辨率的限制,在现有图像获取技术的基础上得到具有更高质量、更高分辨率的图像,为进一步的图像分析提供了基础。
传统的图像超分辨率需要多幅同一场景的低分辨率图像作为信息源,基于对高分辨率图像到低分辨率图像映射的合理假设及先验信息,对低分辨图像进行融合来重建高分辨率图像,常用的先验模型有高斯先验模型、马尔科夫随机场等。但是,从数学的角度来看,因为低分辨率图像的数目不足,上述超分辨率重建问题实际上是一个病态的反问题,重建结果可能不唯一。
基于学习的超分辨率,是利用机器学习的方法去获得高低影响块间的某种对应关系。Freeman等利用马尔科夫随机场来建立高低图像块之间的对应关系,并用贝叶斯置信算法求解;Change等把流形学习中领域嵌入的思想运用到图像超分辨率中,假设LR图像块和HR图像块的局部流形是相似的,通过求解测试图像块在低分辨率图像块所形成流形中的k邻域表示系数,最后再使用这些系数对HR图像块的k邻域进行线性组合得到对应的HR图像块,但是这种方法也容易产生欠拟合或过拟合的现象;Yang等把压缩感知的部分思想引入到超分辨率算法中,并通过与HR图像块的线性组合得到高分辨率图像。
上述图像超分辨率均是直接将低分辨率图像稀疏分解系数用于高分辨率图像的合成,或者是在求解过程中强迫高低分辨率稀疏表示系数间存在线性关系而进行求解。实际上,同一幅图像在不同空间尺度的稀疏表示系数是不同的。因此,这种简单的处理方式往往是制约图像超分辨率效果的一个重要因素。本发明提供一种基于深度学习的方法,利用深度学习网络去学习高低分辨率稀疏表示系数间的对应关系,从而将低分辨率稀疏表示系数映射到高分辨率稀疏表示系数。
发明内容
针对现有图像超分辨率重建技术存在的不足,本发明的目的是,提供一种新的利用深度学习网络去学习高低分辨率图像稀疏表示系数间映射关系的技术方案。
本发明的技术方案为1、一种联合稀疏表示与深度学习的图像超分辨率方法,其特征在于,包括以下步骤:
步骤a,将原高分辨率图像降分辨率得到等大的低分辨率图像,并分别表示为矩阵形式yh和yl,计算两者的差值部分yhl=yh-yl;
步骤b,将yl和yhl分别进行字典训练,得到低分图像字典Dl和差值图像字典Dhl,以及相应的稀疏表示系数αl和αhl;
步骤c,将稀疏表示系数αl和αhl分为训练样本αl_train、αhl_train和测试样本αl_test、αhl_test;
步骤d,构建以均方根误差为代价函数的L层深度学习网络;
步骤e,以低分图像稀疏系数αl_train作为深度学习网络的输入,以对应的差值图像稀疏系数αhl_train作为目标输出,为网络预测的差值图像稀疏系数,迭代优化网络参数使得代价函数达到最小,直到得到训练好的深度学习网络;
步骤f,将作为测试部分的低分图像稀疏系数αl_test输入步骤e中训练好的深度学习网络中,输出得到预测的差值图像稀疏系数计算与对应真实差值图像稀疏系数αhl_test的误差,当误差小于给定阈值,则验证了步骤e中训练得到的深度学习网络是低分图像和差值图像稀疏系数间的一个映射;
步骤g,将待提高分辨率的低分图像表示成矩阵形式zl,用字典Dl来表示zl并记相应稀疏系数为βl,将βl输入训练好的深度学习网络中,得到预测的差值图像稀疏系数βhl;再利用字典Dhl重建出差值部分最后将还原为图像形式,重建出对应的高分辨率图像zh。
而且,步骤a中,首先将训练样本库中的高分辨率图像裁剪成N个d×d的图像块,降低每个图像块的分辨率得到N个对应的低分辨率图像块,然后将高分辨率图像块拉伸成的列向量组成矩阵将低分辨率图像块拉伸成的列向量组成矩阵计算得到两者之间的差值部分yhl=yh-yl。
而且,步骤b中,将yl和yhl分别进行字典训练,得到对应的低分图像字典Dl和差值图像字典Dhl,以及相应的稀疏表示系数αl和αhl,等价于求解优化问题如下,
其中,ε为重构误差阈值。
而且,步骤d中,所构建的深度学习网络共包含L层。将每层的输出记为xl,l=0,1,2,…,L,其中x0为网络输入,则第l层的输出为:
xl=fl(Wlxl-1+bl),l=1,2,…,L (3)
其中,Wl和bl分别表示第l层的权值和偏置项,fl(·)为第l层的激活函数,第L层的输出即为网络预测。
而且,步骤e中,利用深度学习网络训练低分图像和差值图像稀疏系数αl_train、αhl_train的隐含关系,以低分图像稀疏系数αl_train作为深度学习网络的输入,以差值图像稀疏系数αhl_train作为监督,记网络预测的差值图像稀疏系数为
取代价函数为的均方根误差
其中,m和n分别为字典元素个数和训练样本个数,通过迭代优化网络参数,使损失函数MSRE达到最小,完成网络训练。
本发明还提供一种联合稀疏表示与深度学习的图像超分辨率系统,包括以下模块:
第一模块,用于将原高分辨率图像降分辨率得到等大的低分辨率图像,并分别表示为矩阵形式yh和yl,计算两者的差值部分yhl=yh-yl;
第二模块,用于将yl和yhl分别进行字典训练,得到低分图像字典Dl和差值图像字典Dhl,以及相应的稀疏表示系数αl和αhl;
第三模块,用于将稀疏表示系数αl和αhl分为训练样本αl_train、αhl_train和测试样本αl_test、αhl_test;
第四模块,用于构建以均方根误差为代价函数的L层深度学习网络;
第五模块,用于以低分图像稀疏系数αl_train作为深度学习网络的输入,以对应的差值图像稀疏系数αhl_train作为目标输出,为网络预测的差值图像稀疏系数,迭代优化网络参数使得代价函数达到最小,直到得到训练好的深度学习网络;
第六模块,用于将作为测试部分的低分图像稀疏系数αl_test输入第五模块中训练好的深度学习网络中,输出得到预测的差值图像稀疏系数计算与对应真实差值图像稀疏系数αhl_test的误差,当误差小于给定阈值,则验证了第五模块中训练得到的深度学习网络是低分图像和差值图像稀疏系数间的一个映射;
第七模块,用于将待提高分辨率的低分图像表示成矩阵形式zl,用字典Dl来表示zl并记相应稀疏系数为βl,将βl输入训练好的深度学习网络中,得到预测的差值图像稀疏系数βhl;再利用字典Dhl重建出差值部分最后将还原为图像形式,重建出对应的高分辨率图像zh。
而且,第一模块中,首先将训练样本库中的高分辨率图像裁剪成N个d×d的图像块,降低每个图像块的分辨率得到N个对应的低分辨率图像块,然后将高分辨率图像块拉伸成的列向量组成矩阵将低分辨率图像块拉伸成的列向量组成矩阵计算得到两者之间的差值部分yhl=yh-yl。
而且,第二模块中,将yl和yhl分别进行字典训练,得到对应的低分图像字典Dl和差值图像字典Dhl,以及相应的稀疏表示系数αl和αhl,等价于求解优化问题如下,
其中,ε为重构误差阈值。
而且,第四模块中,所构建的深度学习网络共包含L层。将每层的输出记为xl,l=0,1,2,…,L,其中x0为网络输入,则第l层的输出为:
xl=fl(Wlxl-1+bl),l=1,2,…,L (8)
其中,Wl和bl分别表示第l层的权值和偏置项,fl(·)为第l层的激活函数,第L层的输出即为网络预测。
而且,第五模块中,利用深度学习网络训练低分图像和差值图像稀疏系数αl_train、αhl_train的隐含关系,以低分图像稀疏系数αl_train作为深度学习网络的输入,以差值图像稀疏系数αhl_train作为监督,记网络预测的差值图像稀疏系数为
取代价函数为的均方根误差
其中,m和n分别为字典元素个数和训练样本个数,通过迭代优化网络参数,使损失函数MSRE达到最小,完成网络训练。
本发明克服了现有方法利用联合字典训练方式使高低分辨率图像共享稀疏表示系数的不足,利用深度学习充分学习低分图像和差值图像稀疏表示系数间的映射关系,从而得到具有更高精度的高分辨率重建结果。
相比于现有方法,本发明的优势和积极效果:基于稀疏表示的图像超分辨率重建中,现有方法一般利用联合字典训练方式使高低分辨率图像共享稀疏表示系数,或是在训练字典的过程中将高低分辨率的图像简单地线性组合起来进行训练,但是同一幅图像在不同空间尺度的稀疏表示系数往往并不是简单的线性映射关系。本发明的优势在于用深度学习网络从大量样本中学习高低分辨率稀疏表示系数间的隐含关系,从而使得图像的超分辨率重建精度更高。
附图说明
图1为本发明实施例的图像超分辨率流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本发明的实施例是遥感图像的超分辨率重建,参照图1,本发明实施例的具体步骤如下:
步骤a:数据生成
本发明首先将训练样本库中的高分辨率图像裁剪成N个d×d的图像块,降低每个图像块的分辨率得到N个对应的低分辨率图像块。然后将高分辨率图像块按列拉伸成的列向量组成矩阵(表示yh为d2×N的实矩阵),同样方式得到低分辨图像对应矩阵计算得到两者之间的差值部分yhl=yh-yl。
步骤b:训练字典及相应稀疏表示系数
将yl和yhl分别进行字典训练,得到对应的低分图像字典Dl和差值图像字典Dhl,以及相应的稀疏表示系数αl和αhl,即求解优化问题:
其中,||·||F为F-范数,ε为重构误差阈值,一般为较小的值,具体实施时可根据具体要求进行设置。
但是由于上述l0范数约束问题是一个NP-hard问题,需要用贪婪算法等进行求解。Tao,Candes和Donoho等人已经证明在信号满足一定的稀疏条件时,可以将l0范数转化为l1范数进行求解。这样,上述优化问题可以转化为
其中,λ为稀疏约束的权值(参考值为λ=0.15,具体实施时,本领域技术人员可根据对稀疏项的需求进行调整)。上述优化问题为凸优化问题,可以用最优化算法来求解。
步骤c:将稀疏表示系数划分为训练样本和测试样本
具体实施时,本领域技术人员可自行预设划分比例。在实施例中,训练样本与测试样本之比约为2:1,即将样本总数的三分之二作为训练样本,并用αl_traih、αhl_train分别表示用来训练的低分图像和差值图像稀疏系数;将剩余的三分之一作为测试样本,并用αl_test、αhl_test分别表示用来测试的低分图像和差值图像稀疏系数。
步骤d:构建深度学习网络
实施例所构建的深度学习网络设共包含L层(建议以L=3为宜,即网络包含两个隐含层和一个输出层,层数过多时会增加计算量)。将每层的输出记为xl,l=0,1,2,…,L,其中x0为网络输入,则第l层的输出为:
xl=fl(Wlxl-1+bl),l=1,2,…,L (15)
其中,Wl和bl分别表示第l层的权值及偏置,fl(·)为第l层的激活函数。第l=1,2,…,L-1可看作是网络输入x0的特征,第L层的输出即为网络预测。
步骤e:利用深度学习网络训练低分图像和差值图像稀疏系数间的映射关系
以低分图像稀疏系数αl_train作为深度学习网络的输入,以差值图像稀疏系数αhl_train作为监督,逐层进行特征提取并进行预测,得到网络预测的差值图像稀疏系数为
其中,W1和b1分别为第一层的权值和偏置项。
取代价函数为的均方根误差
其中,m和n分别为字典元素个数和训练样本个数。通过迭代优化网络参数,使损失函数MSRE达到最小,从而完成网络训练。本实施例采用梯度下降法迭代调整网络参数,直至损失函数MSRE小于给定误差阈值δ或迭代次数达到给定上限时,结束训练并得到训练好的深度学习网络。具体实施时,本领域技术人员可以预先设置误差阈值或迭代次数的取值。
步骤f:测试深度学习网络
将低分图像稀疏系数测试集αl_test输入步骤e中训练好的深度神经网络中,输出得到预测的差值图像稀疏系数计算与对应真实差值图像稀疏系数αhl_test的误差,若误差小于给定误差阈值,则验证了步骤e中训练得到的深度学习网络是低分图像和差值图像稀疏系数间的一个映射。否则需要按步骤e中方法进一步对网络进行训练。具体实施时,本领域技术人员可以预先设置误差阈值。
步骤g:高分辨率图像重建
将待提高分辨率的低分图像按步骤a同样方式表示成矩阵形式zl,用字典Dl来线性表示zl并记相应稀疏表示系数为βl,即求解下式中的βl
zl=Dlβl (18)
将βl输入训练好的深度学习网络中,得到预测的差值图像稀疏表示系数βhl。再结合差值图像字典Dhl,利用式
重建出差值部分最后重建出的高分辨率图像矩阵形式为
将还原为图像形式,即得到最终重建的高分辨率图像zh。
其中,上述步骤中,步骤a∽c为数据准备部分,步骤d∽e为网络训练部分,步骤f为网络测试部分,步骤g为图像超分辨率重建部分。
具体实施时,以上流程可采用软件技术实现自动运行,还可以采用模块化方式提供相应系统。本发明实施例还提供一种联合稀疏表示与深度学习的图像超分辨率系统,包括以下模块:
第一模块,用于将原高分辨率图像降分辨率得到等大的低分辨率图像,并分别表示为矩阵形式yh和yl,计算两者的差值部分yhl=yh-yl;
第二模块,用于将yl和yhl分别进行字典训练,得到低分图像字典Dl和差值图像字典Dhl,以及相应的稀疏表示系数αl和αhl;
第三模块,用于将稀疏表示系数αl和αhl分为训练样本αl_train、αhl_train和测试样本αl_test、αhl_test;
第四模块,用于构建以均方根误差为代价函数的L层深度学习网络;
第五模块,用于以低分图像稀疏系数αl_train作为深度学习网络的输入,以对应的差值图像稀疏系数αhl_train作为目标输出,为网络预测的差值图像稀疏系数,迭代优化网络参数使得代价函数达到最小,直到得到训练好的深度学习网络;
第六模块,用于将作为测试部分的低分图像稀疏系数αl_test输入第五模块中训练好的深度学习网络中,输出得到预测的差值图像稀疏系数计算与对应真实差值图像稀疏系数αhl_test的误差,当误差小于给定阈值,则验证了第五模块中训练得到的深度学习网络是低分图像和差值图像稀疏系数间的一个映射;
第七模块,用于将待提高分辨率的低分图像表示成矩阵形式zl,用字典Dl来表示zl并记相应稀疏系数为βl,将βl输入训练好的深度学习网络中,得到预测的差值图像稀疏系数βhl;再利用字典Dhl重建出差值部分最后将还原为图像形式,重建出对应的高分辨率图像zh。
各模块具体实现参见相应步骤,本发明不予赘述。
Claims (10)
1.一种联合稀疏表示与深度学习的图像超分辨率方法,其特征在于,包括以下步骤:
步骤a,将原高分辨率图像降分辨率得到等大的低分辨率图像,并分别表示为矩阵形式yh和yl,计算两者的差值部分yhl=yh-yl;
步骤b,将yl和yhl分别进行字典训练,得到低分图像字典Dl和差值图像字典Dhl,以及相应的稀疏表示系数αl和αhl;
步骤c,将稀疏表示系数αl和αhl分为训练样本αl_train、αhl_rain和测试样本αl_test、αhl_test;
步骤d,构建以均方根误差为代价函数的L层深度学习网络;
步骤e,以低分图像稀疏系数αl_train作为深度学习网络的输入,以对应的差值图像稀疏系数αhl_train作为目标输出,为网络预测的差值图像稀疏系数,迭代优化网络参数使得代价函数达到最小,直到得到训练好的深度学习网络;
步骤f,将作为测试部分的低分图像稀疏系数αl_test输入步骤e中训练好的深度学习网络中,输出得到预测的差值图像稀疏系数计算与对应真实差值图像稀疏系数αhl_test的误差,当误差小于给定阈值,则验证了步骤e中训练得到的深度学习网络是低分图像和差值图像稀疏系数间的一个映射;
步骤g,将待提高分辨率的低分图像表示成矩阵形式zl,用字典Dl来表示zl并记相应稀疏系数为βl,将βl输入训练好的深度学习网络中,得到预测的差值图像稀疏系数βhl;再利用字典Dhl重建出差值部分最后将高分辨率图像矩阵还原为图像形式,重建出对应的高分辨率图像zh。
2.根据权利要求1所述一种联合稀疏表示与深度学习的图像超分辨率方法,其特征在于:步骤a中,首先将训练样本库中的高分辨率图像裁剪成N个d×d的图像块,降低每个图像块的分辨率得到N个对应的低分辨率图像块,然后将高分辨率图像块拉伸成的列向量组成矩阵表示yh为d2×N的实矩阵,将低分辨率图像块拉伸成的列向量组成矩阵计算得到两者之间的差值部分yhl=yh-yl。
3.根据权利要求1所述一种联合稀疏表示与深度学习的图像超分辨率方法,其特征在于:步骤b中,将yl和yhl分别进行字典训练,得到对应的低分图像字典Dl和差值图像字典Dhl,以及相应的稀疏表示系数αl和αhl,等价于求解优化问题如下,
其中,ε为重构误差阈值,||·||F为F-范数。
4.根据权利要求1所述一种联合稀疏表示与深度学习的图像超分辨率方法,其特征在于:步骤d中,所构建的深度学习网络共包含L层,将每层的输出记为xl,l=0,1,2,…,L,其中x0为网络输入,则第l层的输出为:
xl=fl_(Wlxl-1+bl),l=1,2,…,L
其中,Wl和bl分别表示第l层的权值和偏置项,fl_(·)为第l层的激活函数,第L层的输出即为网络预测。
5.根据权利要求1所述一种联合稀疏表示与深度学习的图像超分辨率方法,其特征在于:步骤e中,利用深度学习网络训练低分图像和差值图像稀疏系数αl_train、αhl_train的隐含关系,以低分图像稀疏系数αl_train作为深度学习网络的输入,以差值图像稀疏系数αhl_train作为监督,记网络预测的差值图像稀疏系数为
取代价函数为的均方根误差
其中,fl(·)为第l层的激活函数,l=1,2,…,L-1,fL(…f1(W1αl_train+b1))表示从第1层到第L层逐层进行特征提取并进行预测,||·||F为F-范数,m和n分别为字典元素个数和训练样本个数,通过迭代优化网络参数,使损失函数MSRE达到最小,完成网络训练。
6.一种联合稀疏表示与深度学习的图像超分辨率系统,其特征在于,包括以下模块:
第一模块,用于将原高分辨率图像降分辨率得到等大的低分辨率图像,并分别表示为矩阵形式yh和yl,计算两者的差值部分yhl=yh-yl;
第二模块,用于将yl和yhl分别进行字典训练,得到低分图像字典Dl和差值图像字典Dhl,以及相应的稀疏表示系数αl和αhl;
第三模块,用于将稀疏表示系数αl和αhl分为训练样本αl_train、αhl_train和测试样本αl_test、αhl_test;
第四模块,用于构建以均方根误差为代价函数的L层深度学习网络;
第五模块,用于以低分图像稀疏系数αl_train作为深度学习网络的输入,以对应的差值图像稀疏系数αhl_train作为目标输出,为网络预测的差值图像稀疏系数,迭代优化网络参数使得代价函数达到最小,直到得到训练好的深度学习网络;
第六模块,用于将作为测试部分的低分图像稀疏系数αl_test输入第五模块中训练好的深度学习网络中,输出得到预测的差值图像稀疏系数计算与对应真实差值图像稀疏系数αhl_test的误差,当误差小于给定阈值,则验证了第五模块中训练得到的深度学习网络是低分图像和差值图像稀疏系数间的一个映射;
第七模块,用于将待提高分辨率的低分图像表示成矩阵形式zl,用字典Dl来表示zl并记相应稀疏系数为βl,将βl输入训练好的深度学习网络中,得到预测的差值图像稀疏系数βhl;再利用字典Dhl重建出差值部分最后将高分辨率图像矩阵还原为图像形式,重建出对应的高分辨率图像zh。
7.根据权利要求6所述一种联合稀疏表示与深度学习的图像超分辨率系统,其特征在于:第一模块中,首先将训练样本库中的高分辨率图像裁剪成N个d×d的图像块,降低每个图像块的分辨率得到N个对应的低分辨率图像块,然后将高分辨率图像块拉伸成的列向量组成矩阵表示yh为d2×N的实矩阵,将低分辨率图像块拉伸成的列向量组成矩阵计算得到两者之间的差值部分yhl=yh-yl。
8.根据权利要求6所述一种联合稀疏表示与深度学习的图像超分辨率系统,其特征在于:第二模块中,将yl和yhl分别进行字典训练,得到对应的低分图像字典Dl和差值图像字典Dhl,以及相应的稀疏表示系数αl和αhl,等价于求解优化问题如下,
其中,ε为重构误差阈值,||·||F为F-范数。
9.根据权利要求6所述一种联合稀疏表示与深度学习的图像超分辨率系统,其特征在于:第四模块中,所构建的深度学习网络共包含L层,将每层的输出记为xl,l=0,1,2,…,L,其中x0为网络输入,则第l层的输出为:
xl=fl_(Wlxl-1+bl),l=1,2,…,L
其中,fl(·)为第l层的激活函数,l=1,2,…,L-1,fL(…f1(W1αl_train+b1))表示从第1层到第L层逐层进行特征提取并进行预测,||·||F为F-范数,Wl和bl分别表示第l层的权值和偏置项,fl_(·)为第l层的激活函数,第L层的输出即为网络预测。
10.根据权利要求6所述一种联合稀疏表示与深度学习的图像超分辨率系统,其特征在于:第五模块中,利用深度学习网络训练低分图像和差值图像稀疏系数αl_train、αhl_train的隐含关系,以低分图像稀疏系数αl_train作为深度学习网络的输入,以差值图像稀疏系数αhl_train作为监督,记网络预测的差值图像稀疏系数为
取代价函数为的均方根误差
其中,m和n分别为字典元素个数和训练样本个数,通过迭代优化网络参数,使损失函数MSRE达到最小,完成网络训练。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610216592.XA CN105931179B (zh) | 2016-04-08 | 2016-04-08 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
US15/481,430 US10181092B2 (en) | 2016-04-08 | 2017-04-06 | Method and system for reconstructing super-resolution image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610216592.XA CN105931179B (zh) | 2016-04-08 | 2016-04-08 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105931179A CN105931179A (zh) | 2016-09-07 |
CN105931179B true CN105931179B (zh) | 2018-10-26 |
Family
ID=56840321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610216592.XA Active CN105931179B (zh) | 2016-04-08 | 2016-04-08 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10181092B2 (zh) |
CN (1) | CN105931179B (zh) |
Families Citing this family (71)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016132152A1 (en) | 2015-02-19 | 2016-08-25 | Magic Pony Technology Limited | Interpolating visual data |
US10410398B2 (en) * | 2015-02-20 | 2019-09-10 | Qualcomm Incorporated | Systems and methods for reducing memory bandwidth using low quality tiles |
GB201604672D0 (en) * | 2016-03-18 | 2016-05-04 | Magic Pony Technology Ltd | Generative methods of super resolution |
EP3278559B1 (en) | 2015-03-31 | 2021-05-05 | Magic Pony Technology Limited | Training end-to-end video processes |
US10453200B2 (en) * | 2016-11-02 | 2019-10-22 | General Electric Company | Automated segmentation using deep learned priors |
CN106485661A (zh) * | 2016-11-15 | 2017-03-08 | 杭州当虹科技有限公司 | 一种高质量的图像放大方法 |
CN107194872B (zh) * | 2017-05-02 | 2019-08-20 | 武汉大学 | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 |
CN107203969B (zh) * | 2017-06-13 | 2019-06-25 | 武汉大学 | 一种中间尺度约束的高倍率图像超分辨率重建方法 |
CN107481189B (zh) * | 2017-06-28 | 2020-04-28 | 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 |
US10929993B2 (en) | 2017-09-29 | 2021-02-23 | L'oreal | Automated imaging system for evaluating the curl of a keratinous substrate |
CN108122197B (zh) * | 2017-10-27 | 2021-05-04 | 江西高创保安服务技术有限公司 | 一种基于深度学习的图像超分辨率重建方法 |
CN107977932B (zh) * | 2017-12-28 | 2021-04-23 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
US10489943B2 (en) | 2018-02-28 | 2019-11-26 | General Electric Company | System and method for sparse image reconstruction |
CN110298211B (zh) * | 2018-03-21 | 2021-03-23 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
CN108765293A (zh) * | 2018-05-31 | 2018-11-06 | 成都信息工程大学 | 一种基于稀疏表示的磁共振图像重建方法及系统 |
CN108960408B (zh) * | 2018-06-12 | 2021-07-13 | 杭州米绘科技有限公司 | 一种面向超高清分辨率图案的风格化系统及方法 |
CN109615576B (zh) * | 2018-06-28 | 2023-07-21 | 北京元点未来科技有限公司 | 基于级联回归基学习的单帧图像超分辨重建方法 |
CN109272447A (zh) * | 2018-08-03 | 2019-01-25 | 天津大学 | 一种深度图超分辨率方法 |
US10764246B2 (en) * | 2018-08-14 | 2020-09-01 | Didi Research America, Llc | System and method for detecting generated domain |
CN109272452B (zh) * | 2018-08-30 | 2020-12-22 | 北京大学 | 小波域中基于集团结构子带共同学习超分辨率网络的方法 |
CN110930304B (zh) * | 2018-09-20 | 2023-06-02 | 东华大学 | 基于全尺度质量总和的图像集超分辨率自适应阈值选取方法 |
CN109741256B (zh) * | 2018-12-13 | 2023-01-06 | 西安电子科技大学 | 基于稀疏表示和深度学习的图像超分辨率重建方法 |
CN109697740B (zh) * | 2018-12-26 | 2020-09-22 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置和计算机设备 |
CN109712077B (zh) * | 2018-12-29 | 2020-07-17 | 成都信息工程大学 | 一种基于深度字典学习的hardi压缩感知超分辨率重建方法 |
CN109800710B (zh) * | 2019-01-18 | 2021-04-06 | 北京交通大学 | 行人重识别系统及方法 |
US10835196B2 (en) * | 2019-01-24 | 2020-11-17 | General Electric Company | Method and systems for camera-aided x-ray imaging |
WO2020157754A1 (en) * | 2019-01-30 | 2020-08-06 | Technology Innovation Momentum Fund (Israel) Limited Partnership | System and method for reconstruction of compressed signal data using artificial neural networking |
CN110021052B (zh) * | 2019-04-11 | 2023-05-30 | 北京百度网讯科技有限公司 | 用于生成眼底图像生成模型的方法和装置 |
CN111986069A (zh) | 2019-05-22 | 2020-11-24 | 三星电子株式会社 | 图像处理装置及其图像处理方法 |
CN112017267B (zh) * | 2019-05-28 | 2023-07-25 | 上海科技大学 | 基于机器学习的流体快速合成方法、装置、系统和介质 |
CN110490797A (zh) * | 2019-07-05 | 2019-11-22 | 苏州江奥光电科技有限公司 | 一种基于双流深层卷积网络的深度图像超分辨率重建方法 |
CN110570351B (zh) * | 2019-08-01 | 2021-05-25 | 武汉大学 | 一种基于卷积稀疏编码的图像超分辨率重建方法 |
CN110766608B (zh) * | 2019-08-28 | 2023-09-15 | 西安理工大学 | 一种纹理分类的图像超分辨率重建的方法 |
CN110648392B (zh) * | 2019-09-10 | 2022-11-22 | 中国人民解放军国防科技大学 | 一种基于学习和稀疏表示的迭代初始图像生成方法 |
CN112508828A (zh) * | 2019-09-16 | 2021-03-16 | 四川大学 | 一种基于稀疏表示和引导滤波的多聚焦图像融合方法 |
CN110827198B (zh) * | 2019-10-14 | 2023-11-21 | 唐山学院 | 基于压缩感知和超分辨率重构的多相机全景图像构建方法 |
CN110766139A (zh) * | 2019-10-21 | 2020-02-07 | 哈尔滨工业大学 | 一种复合神经网络模型及其建模方法 |
CN110852950B (zh) * | 2019-11-08 | 2023-04-07 | 中国科学院微小卫星创新研究院 | 基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 |
CN111369433B (zh) * | 2019-11-12 | 2024-02-13 | 天津大学 | 基于可分离卷积和注意力的三维图像超分辨率重建方法 |
CN111080516B (zh) * | 2019-11-26 | 2023-04-28 | 广东石油化工学院 | 基于自样例增强的超分辨率图像重建方法 |
CN111028174B (zh) * | 2019-12-10 | 2023-08-04 | 深圳先进技术研究院 | 一种基于残差连接的多维图像复原方法和设备 |
CN110942495A (zh) * | 2019-12-12 | 2020-03-31 | 重庆大学 | 一种基于分析字典学习的cs-mri图像重构方法 |
CN111445388A (zh) * | 2019-12-27 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 一种图像超分辨重建模型训练方法、船只跟踪方法及装置 |
CN111275620B (zh) * | 2020-01-17 | 2023-08-01 | 金华青鸟计算机信息技术有限公司 | 一种基于Stacking集成学习的图像超分辨方法 |
CN111402128A (zh) * | 2020-02-21 | 2020-07-10 | 华南理工大学 | 一种基于多尺度金字塔网络的图像超分辨率重建方法 |
CN111445390B (zh) * | 2020-02-28 | 2022-03-25 | 天津大学 | 基于宽残差注意力的三维医学图像超分辨率重建方法 |
CN110991430B (zh) * | 2020-03-02 | 2020-06-23 | 中科星图股份有限公司 | 基于遥感图像的地物识别及覆盖率计算方法及系统 |
CN111489404B (zh) * | 2020-03-20 | 2023-09-05 | 深圳先进技术研究院 | 一种图像重建方法、图像处理装置及具有存储功能的装置 |
CN111429350B (zh) * | 2020-03-24 | 2023-02-24 | 安徽工业大学 | 一种手机拍照快速超分辨处理方法 |
CN111783631B (zh) * | 2020-06-29 | 2023-10-24 | 厦门大学 | 一种基于稀疏表示的深度学习磁共振波谱重建方法 |
CN112183300B (zh) * | 2020-09-23 | 2024-03-22 | 厦门大学 | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 |
CN112734645B (zh) * | 2021-01-19 | 2023-11-03 | 青岛大学 | 一种基于特征蒸馏复用的轻量化图像超分辨率重建方法 |
CN112907444B (zh) * | 2021-02-07 | 2024-03-22 | 中国科学院沈阳自动化研究所 | 一种基于复数域零样本学习的太赫兹图像超分辨重建方法 |
CN112949636B (zh) * | 2021-03-31 | 2023-05-30 | 上海电机学院 | 一种车牌超分辨率识别方法、系统及计算机可读介质 |
CN113191949B (zh) * | 2021-04-28 | 2023-06-20 | 中南大学 | 多尺度超分辨率病理图像数字化方法、系统及存储介质 |
CN113327196B (zh) * | 2021-04-30 | 2023-04-07 | 哈尔滨工业大学 | 一种面向mr图像超分辨的联合字典训练优化方法 |
CN113256772B (zh) * | 2021-05-10 | 2023-08-01 | 华中科技大学 | 一种基于视角转换的双角度光场高分辨重构系统及方法 |
CN113267757B (zh) * | 2021-05-17 | 2022-03-08 | 电子科技大学 | 一种基于k次奇异值分解字典学习的未知目标判别方法 |
CN113436067B (zh) * | 2021-05-22 | 2023-05-09 | 西北工业大学深圳研究院 | 一种自学习的超分辨率三维光声血管图像重建方法及系统 |
CN113297547B (zh) * | 2021-05-24 | 2022-07-08 | 上海大学 | 数据集的后门水印添加方法、验证方法及系统 |
WO2023272491A1 (zh) * | 2021-06-29 | 2023-01-05 | 深圳高性能医疗器械国家研究院有限公司 | 基于联合字典学习和深度网络的pet图像重建方法 |
CN113450427B (zh) * | 2021-06-29 | 2023-09-01 | 深圳高性能医疗器械国家研究院有限公司 | 基于联合字典学习和深度网络的pet图像重建方法 |
CN113902826B (zh) * | 2021-10-21 | 2024-04-19 | 天津科技大学 | FCU-Net深度肺部电阻抗图像重建方法 |
CN114331842B (zh) * | 2021-12-28 | 2024-04-05 | 武汉大学 | 结合地形特征的dem超分辨率重建方法 |
CN114519384B (zh) * | 2022-01-07 | 2024-04-30 | 南京航空航天大学 | 一种基于稀疏sar幅度-相位图像数据集的目标分类方法 |
CN114612453B (zh) * | 2022-03-18 | 2024-03-26 | 西北工业大学 | 基于深度学习和稀疏表示模型的基建表面缺陷检测方法 |
CN114820326A (zh) * | 2022-05-25 | 2022-07-29 | 厦门大学 | 基于可调节核稀疏化的高效单帧图像超分方法 |
CN114841901B (zh) * | 2022-07-01 | 2022-10-25 | 北京大学深圳研究生院 | 一种基于通用化深度展开网络的图像重建方法 |
CN115810139B (zh) * | 2022-12-16 | 2023-09-01 | 西北民族大学 | 一种spect图像的目标区域识别方法及系统 |
CN116664409B (zh) * | 2023-08-01 | 2023-10-31 | 北京智芯微电子科技有限公司 | 图像超分辨率重建方法、装置、计算机设备及存储介质 |
CN117420209B (zh) * | 2023-12-18 | 2024-05-07 | 中国机械总院集团沈阳铸造研究所有限公司 | 基于深度学习的全聚焦相控阵超声快速高分辨率成像方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN102722876A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于残差的图像超分辨率重建方法 |
CN104063855A (zh) * | 2014-05-28 | 2014-09-24 | 北京大学深圳研究生院 | 一种基于分类字典库的超分辨率图像重构方法及装置 |
US8849059B2 (en) * | 2008-07-25 | 2014-09-30 | Eads Deutschland Gmbh | Method and device for generating images having a reduced error rate, high resolution and improved contrast |
CN104299193A (zh) * | 2014-09-29 | 2015-01-21 | 杭州电子科技大学 | 一种基于高频和中频信息的图像超分辨率重建方法 |
CN104574336A (zh) * | 2015-01-19 | 2015-04-29 | 上海交通大学 | 基于自适应亚模字典选择的超分辨率图像重建系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140072242A1 (en) * | 2012-09-10 | 2014-03-13 | Hao Wei | Method for increasing image resolution |
-
2016
- 2016-04-08 CN CN201610216592.XA patent/CN105931179B/zh active Active
-
2017
- 2017-04-06 US US15/481,430 patent/US10181092B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8849059B2 (en) * | 2008-07-25 | 2014-09-30 | Eads Deutschland Gmbh | Method and device for generating images having a reduced error rate, high resolution and improved contrast |
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 |
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 |
CN102722876A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于残差的图像超分辨率重建方法 |
CN104063855A (zh) * | 2014-05-28 | 2014-09-24 | 北京大学深圳研究生院 | 一种基于分类字典库的超分辨率图像重构方法及装置 |
CN104299193A (zh) * | 2014-09-29 | 2015-01-21 | 杭州电子科技大学 | 一种基于高频和中频信息的图像超分辨率重建方法 |
CN104574336A (zh) * | 2015-01-19 | 2015-04-29 | 上海交通大学 | 基于自适应亚模字典选择的超分辨率图像重建系统 |
Non-Patent Citations (1)
Title |
---|
基于IBP改进和稀疏表示的图像超分辨率重建;首照宇等;《计算机工程与设计》;20140331;第35卷(第3期);第934-938页 * |
Also Published As
Publication number | Publication date |
---|---|
US10181092B2 (en) | 2019-01-15 |
US20170293825A1 (en) | 2017-10-12 |
CN105931179A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105931179B (zh) | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 | |
CN111210435B (zh) | 一种基于局部和全局特征增强模块的图像语义分割方法 | |
CN109711413A (zh) | 基于深度学习的图像语义分割方法 | |
CN113850825A (zh) | 基于上下文信息和多尺度特征融合的遥感图像道路分割方法 | |
CN107609638A (zh) | 一种基于线性解码器和插值采样优化卷积神经网络的方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN103020935A (zh) | 一种自适应在线字典学习的图像超分辨率方法 | |
CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
CN111161200A (zh) | 基于注意力机制的人体姿态迁移方法 | |
CN109215380B (zh) | 一种有效停车泊位的预测方法 | |
CN105139395A (zh) | 基于小波池化卷积神经网络的sar图像分割方法 | |
CN112070078A (zh) | 基于深度学习的土地利用分类方法及系统 | |
CN110599502B (zh) | 一种基于深度学习的皮肤病变分割方法 | |
CN106529570B (zh) | 基于深度脊波神经网络的图像分类方法 | |
CN114820655B (zh) | 可靠区域作为注意力机制监督的弱监督建筑物分割方法 | |
CN110349087A (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
CN104091364B (zh) | 单幅图像超分辨重建方法 | |
CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN111401156A (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN116188509A (zh) | 一种高效率三维图像分割方法 | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
CN109615005A (zh) | 基于流形深度学习和极限学习机的图像集分类系统及方法 | |
CN116993639A (zh) | 基于结构重参数化的可见光与红外图像融合方法 | |
CN103793720A (zh) | 一种眼睛定位方法和系统 |
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 |