CN106204449B - 一种基于对称深度网络的单幅图像超分辨率重建方法 - Google Patents
一种基于对称深度网络的单幅图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN106204449B CN106204449B CN201610528420.6A CN201610528420A CN106204449B CN 106204449 B CN106204449 B CN 106204449B CN 201610528420 A CN201610528420 A CN 201610528420A CN 106204449 B CN106204449 B CN 106204449B
- Authority
- CN
- China
- Prior art keywords
- network
- image
- resolution
- layer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000003475 lamination Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 230000004913 activation Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000011248 coating agent Substances 0.000 claims description 7
- 238000000576 coating method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 18
- 238000002059 diagnostic imaging Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 62
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005070 sampling 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 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
-
- G06T5/70—
Abstract
本发明公开了一种基于对称深度网络的单幅图像超分辨率重建方法,属于图像处理技术领域。本发明主要包括以下步骤:1、制作高分辨率图像块与低分辨率图像块训练集;2、构建一个对称的卷积‑反卷积深度网络用于模型训练;3、基于构建的深度网络和制作的数据集,进行网络模型的训练;4、依据学习的模型参数,输入一幅低分辨率图像,得到的输出即为重建的高分辨率图像。本发明通过结合卷积层和反卷积层,同时增加网络深度,利用网络深度提升网络性能,加强了图像细节部分的重建能力,获得了更好的图像超分辨率重建效果,在图像高清显示、医学成像、遥感图像等领域中有着广泛的应用前景。
Description
技术领域
本发明属于图像处理技术领域,更具体地说,涉及一种基于对称深度网络的单幅图像超分辨率重建方法。
背景技术
随着高清显示设备的快速发展,人们对高分辨率图像和视频的需求日益增长。传统的获取高分辨率图像的方法通常是基于硬件的方法,即改进图像传感器制造工艺,包括减小像素尺寸和增加传感器尺寸。由于硬件方法的高成本以及硬件的固有限制,使得人们不得不寻求其他方法。
图像超分辨率重建是由一幅或多幅低分辨率图像重建得到一幅高分辨率图像的过程。相比于硬件方法,超分辨率重建技术具有较低的成本,而且重建得到的高分辨率图像质量更高。近年来,图像超分辨率重建逐渐成为计算机视觉和图像处理领域的研究热点。
依据不同的划分标准,图像超分辨率重建技术可以被划分成不同的类型。根据技术原理的不同,超分辨率重建技术被划分为以下三种类型:基于插值的方法、基于重建的方法、基于学习的方法。在这些方法中,基于学习的方法通常从一个外部数据集中学习高分辨率图像与低分辨率图像之间的映射关系,然后利用学习的映射关系来重建高分辨率图像,是目前最热门的方法。
较为经典的单幅图像超分辨率重建方法有以下几种:Yang等人首先将压缩感知理论引入超分辨率重建领域,提出一种基于稀疏表示和字典学习的图像超分辨率重建方法,该方法在训练阶段,给定一组低分辨率和高分辨率块的数据集,假设高分辨率图像与低分辨率图像具有相同的稀疏表示系数,通过学习一组耦合的高分辨率和低分辨率字典来重建高分辨率图像。但Yang等人的重建方法是一种基于图像块的方法,最终的重建结果需要对每个重叠块的像素取平均值,可能出现重叠块的不一致性问题,同时该方法在图像测试的时候耗时严重。
近年来,深度学习在计算机视觉中取得了巨大成功,包括图像分类和人脸识别等。Dong等人首次将卷积神经网络应用到图像超分辨率重建任务中,他们通过构建一个三层的卷积神经网络来生成高分辨率图像。该方法等同于执行一个稀疏编码的流程,三个卷积层分别实现块的提取与表示、非线性映射以及图像重建等功能。由于卷积神经网络强大的学习能力和端到端的训练方式,该方法的重建效果得到了显著提高。但由于该网络仅仅针对最小化均方误差来进行训练,没有引入任何图像先验信息,因此对于细节部分没有很好的保留。
经检索,中国专利申请号201510178956.5,申请日为2015年4月15日,发明创造名称为:基于深度学习的单帧图像超分辨率重建方法,该申请案包括以下步骤:1、首先通过训练两个自动编码器用于获得低分辨率和对应高分辨率图像块的特征;2、基于己获得高分辨率和低分辨率图像块的特征,再训练一个单层神经网路学习两个特征的非线性映射关系;3、基于两个自动编码器和单层神经网络,构建三层的深度网络,以低分辨率图像块作为输入,高分辨率图像块作为输出,微调三层深度网络的参数;步骤4、依据得到的三层深度网络做单帧图像超分辨率重建,以低分辨率图像块的灰度值为输入,得到输出即为对应高分辨率图像块的灰度值。该申请案不仅提高了超分辨率重建图像的质量,而且缩短了超分辨率重建时间。但该申请案存在以下缺陷:1)该申请案仅由卷积层组成,而卷积操作是用于提取图像抽象特征,可能会丢失图像的细节信息,故该申请案在图像边缘、纹理等部分不能得到更好的重建效果;2)该申请案中提出的网络仅有三层,不足以提取更多有用的信息,故该申请案不能得到更好的重建效果。
基于以上分析,现有技术需要一种能够获得更好的重建效果的图像超分辨率重建方法。
发明内容
1.发明要解决的技术问题
为了克服上述现有技术存在的重建图像细节部分易丢失的问题,本发明提出了一种基于对称深度网络的单幅图像超分辨率重建方法;本发明通过结合卷积层和反卷积层,同时增加网络深度,利用网络深度提升网络性能,加强了图像细节部分的重建能力,获得了更好的图像超分辨率重建效果。
2.技术方案
为达到上述目的,本发明提供的技术方案为:
本发明的一种基于对称深度网络的单幅图像超分辨率重建方法,其步骤为:
步骤1、利用常用图像处理数据集,制作高分辨率图像块与低分辨率图像块训练集;
步骤2、构建一个对称的卷积-反卷积深度网络用于模型训练;
步骤3、依据步骤1获得的训练集和步骤2构建的网络,进行网络训练,调整网络参数;
步骤4、将一幅低分辨率图像作为网络输入,利用步骤3学习的参数重建出一幅高分辨率图像作为输出。
更进一步地,步骤1制作高分辨率图像块与低分辨率图像块训练集的过程为:
将常用图像处理数据集中每张彩色图像,首先转换到YCbCr空间,然后提取高分辨率训练图像的Y分量,接着对高分辨率图像进行两次双三次插值,得到与高分辨率图像对应的相同尺寸低分辨率图像;将每张高分辨率图像和低分辨率图像裁剪成多个图像块,由此得到用于深度网络训练的高分辨率图像块与低分辨率图像块的集合。
更进一步地,步骤2中构建一个10层的对称深度网络模型,前面5层为卷积层,后面5层为反卷积层;每个卷积层和反卷积层之后接一个ReLU激活层;网络输入为低分辨率图像块,输出为高分辨率图像块,该网络将学习低分辨率图像块和高分辨率图像块之间的映射关系,如公式(1)所示:
x=F(y,φ) (1)
其中,x,y分别表示高分辨率图像块和低分辨率图像块,φ为学习到的模型参数,用于之后的高分辨率图像重建。
更进一步地,步骤2中网络训练的损失函数采用均方误差表示,如公式(2)所示:
其中,N为步骤1所得训练集中样本数量,xi,yi为第i个高分辨率图像块和对应的低分辨率图像块。
更进一步地,步骤2中ReLU激活层的激活函数用公式(3)表示如下:
f(x)=max(0,x) (3)
其中,x为激活函数的输入,f(x)为激活函数的输出。
更进一步地,步骤2中构建的深度网络的所有卷积核大小均设为3*3,前5个卷积层对应的特征图的数量分别设为32、64、64、128、128,后5个反卷积层对应的特征图的数量分别设为128、128、64、64、1,每个卷积层和反卷积层得到的输出用公式(4)表示:
yi=f(Wixi+bi),i=1,2,...,10 (4)
其中,Wi表示第i层的权重,bi表示第i层的偏置,xi表示第i层的输入,yi表示第i层的输出;
经过激活函数,结果如公式(5)所示:
zi=max(yi,0) (5)
其中,yi为上一层输出,zi表示激活函数的输出。
更进一步地,步骤3利用Caffe深度学习平台进行网络的训练,首先对步骤2构建的对称深度网络的权重和偏置进行初始化;具体过程为:
1)采用Xavier方式初始化权重W后,W满足以下均匀分布;
其中,nj表示该层网络输入单元数目,即卷积层输入特征图数量,nj+1表示该层网络输出单元数目,即卷积层输出特征图数量;
2)偏置全部初始化为0,即bi=0。
更进一步地,步骤3采用梯度下降法来更新网络参数,用公式(7)表示如下:
其中,L是公式(2)计算得到的损失函数值,△i和△i+1分别表示第i次和第i+1次权重变化量,l是层的索引,i是迭代次数,η是学习率,是梯度;
在训练过程中,通过指定迭代次数来进行网络参数更新。
3.有益效果
采用本发明提供的技术方案,与已有的公知技术相比,具有如下显著效果:
(1)本发明的一种基于对称深度网络的单幅图像超分辨率重建方法,考虑到卷积层可以提取图像的抽象特征,但随着卷积层数的加深,图像的细节可能会随之丢失;与卷积操作相对应,反卷积层可用来恢复图像细节内容,但反卷积层过多,也将导致引入虚假细节;建立卷积和反卷积层对称网络,既可以去除噪声提取图像主体特征,又可以利用反卷积层在网络中充当图像细节恢复的作用,使得重建后的图像质量得到了显著提高;
(2)本发明的一种基于对称深度网络的单幅图像超分辨率重建方法,在建立卷积和反卷积层对称网络的同时,将三层卷积扩展到五层卷积,再跟随五层反卷积,以充分的深度提高网络超分辨率重建映射的能力,实现单幅图像超分辨率重建,获得了更好的图像超分辨率重建效果;
(3)本发明的一种基于对称深度网络的单幅图像超分辨率重建方法,相比传统的超分辨率重建方法,为端到端的映射方式,在重建时间上大大缩短,在图像高清显示、医学成像、遥感图像等领域中有着广泛的应用前景。
附图说明
图1是本发明的基于对称深度网络的单幅图像超分辨率重建方法流程图;
图2是本发明中数据集的制作流程图;
图3是本发明构建的网络模型示意图,图3中未画出卷积层和反卷积层之后的ReLU激活层;
图4是不同超分辨率重建方法的重建效果图;其中,图4中的(a)为原图;图4中的(b)为Bicubic法处理后的效果图,图像信噪比为29.49dB;图4中的(c)为SRCNN法处理后的效果图,图像信噪比为32.51dB;图4中的(d)为本发明处理后的效果图,图像信噪比为32.85dB。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
结合图1,本实施例的一种基于对称深度网络的单幅图像超分辨率重建方法,具体包括以下步骤:
步骤1、利用常用的数据集,如ImageNet以及Yang等人采用的91-images等数据集,制作高分辨率图像块训练集与低分辨率图像块训练集,具体步骤如图2所示,即:
针对常用数据集(如91-images)中每张彩色图像,首先转换到YCbCr空间,然后提取高分辨率训练图像的Y分量IH,接着对高分辨率图像进行两次双三次插值(第一次进行双三次下采样插值,第二次进行双三次上采样插值),得到对应的低分辨率图像。
将每张高分辨率图像和低分辨率图像裁剪成多个50*50的图像块,(裁剪成50*50的图像块包含更多相邻像素间的信息,有利于图像超分辨),裁剪间隔为14个像素,由此得到用于深度网络训练的高分辨率块与低分辨率块集合。
步骤2、构建一个对称的卷积-反卷积深度网络用于模型训练。
2-1、构建一个10层的对称深度网络模型,前面5层为卷积层,后面5层为反卷积层。每个卷积层和反卷积层之后接一个ReLU(Rectified Linear Unit)激活层。网络输入为低分辨率图像块(i=1,2,...,N),输出为高分辨率图像块(i=1,2,...,N),该网络将学习低分辨率图像块和高分辨率图像块之间的映射关系,如公式(1)所示:
x=F(y,φ) (1)
其中,x,y分别表示高分辨率图像块和低分辨率图像块,φ为学习到的模型参数,用于之后的高分辨率图像的重建。
网络训练的损失函数采用均方误差表示,如公式(2)所示:
其中,N为步骤1所得数据集中样本数量,xi,yi为第i个高分辨率块和对应的低分辨率块,φ为学习到的模型参数。
ReLU激活层的激活函数用公式(3)表示如下:
f(x)=max(0,x) (3)
其中,x为激活函数的输入,f(x)为激活函数的输出。
2-2、构建的深度网络的所有卷积核大小均设为3*3,前5个卷积层对应的特征图的数量分别设为32、64、64、128、128,后5个反卷积层对应的特征图的数量分别设为128、128、64、64、1。具体的网络配置参见图3和表1,表1中conv3-32表示卷积层对应的卷积核大小为3*3,特征图的数量为32,deconv3-64表示反卷积层对应的卷积核大小为3*3,特征图的数量为64。
表1本发明的网络模型配置
深度网络模型 |
输入层 |
conv3-32 |
conv3-64 |
conv3-64 |
conv3-128 |
deconv3-128 |
deconv3-128 |
deconv3-64 |
deconv3-64 |
输出层:deconv3-1 |
每个卷积层和反卷积层得到的输出用公式(4)表示:
yi=f(Wixi+bi),i=1,2,...,10 (4)
其中,Wi表示第i层的权重,bi表示第i层的偏置,xi表示第i层的输入,yi表示第i层的输出。
然后经过激活函数,结果如公式(5)所示:
zi=max(yi,0) (5)
其中,yi为上一层输出,zi表示激活函数的输出。
值得说明的是,发明人在设计本方案时,对背景技术中提到的方案(Dong等人提出的构建三层卷积神经网络来生成高分辨率图像,以及专利申请号为201510178956.5,发明创造名称为:基于深度学习的单帧图像超分辨率重建方法)以及现有卷积神经网络模型均进行了深入的研究,其总结:在卷积神经网络模型中,卷积层可以提取图像的抽象特征,但随着卷积层数的加深,图像的细节可能会随之丢失。与卷积操作相对应,反卷积层可用来恢复图像细节内容,但反卷积层过多,也将导致引入虚假细节。基于此,发明人考虑建立卷积和反卷积层对称网络,既可以去除噪声提取图像主体特征,又可以恢复细节;同时通过将三层卷积扩展到五层卷积,再跟随五层反卷积,以充分的深度提高网络超分辨率重建映射的能力,实现单幅图像超分辨率重建。由于训练反卷积网络使其作为独立的细节恢复层比正常卷积层难度大很多,不易实现;同时将反卷积网络和卷积网络对称深层结合来满足去除图像噪声并保留和增强图像细节的思路,与传统基于稀疏表示学习细节映射函数及简单卷积神经网络来实现图像细节重建的思路完全不一致,因此,本发明这种深层对称卷积和反卷积网络超分辨技术是独特而有价值的。
步骤3、依据步骤1获得的训练集和步骤2构建的对称深度网络模型,进行网络训练,调整网络参数,具体如下:
3-1、利用Caffe深度学习平台进行网络的训练,对步骤2构建的对称深度网络,首先采用Xavier方式来初始化所有的卷积层和反卷积层的权重,偏置全部初始化为0。具体过程为:
(1)采用Xavier方式初始化权重W后,W满足以下均匀分布;
其中,nj表示该层网络输入单元数目,即卷积层输入特征图数量,nj+1表示该层网络输出单元数目,即卷积层输出特征图数量。
(2)偏置b初始化为0,即b=0。
3-2、采用梯度下降法来更新网络参数,用公式(7)表示如下:
其中,L是公式(2)计算得到的损失函数值,△i和△i+1分别表示第i次和第i+1次权重变化量,l是层的索引,i是迭代次数,η是学习率,在本实施例中设定学习率为10-6,是梯度。
3-3、在训练过程中,通过指定迭代次数来进行网络参数更新。
步骤4、训练结束后,将一幅低分辨率图像作为网络输入,利用步骤3学习的参数来重建出一幅高分辨率图像作为输出,得到的输出就是超分辨率重建后的高分辨率图像。
图4是不同超分辨率重建方法的重建效果图,其中图4中的(a)为原图,图4中的(b)为Bicubic法处理后的效果图,图4中的(c)为SRCNN法处理后的效果图,图4中的(d)为本实施处理后的效果图,从图4中的(b)、(c)、(d)可以看出采用我们的算法重建出的图像在边缘等细节方面具有更好的效果。实施例1所述的一种基于对称深度网络的单幅图像超分辨率重建方法,通过结合卷积层和反卷积层,利用反卷积层在网络中充当图像细节恢复的作用,使得重建后的图像质量得到了提高。且该方法相比以前的超分辨率重建方法,为端到端的映射方式,在重建时间上大大缩短,在图像高清显示、医学成像、遥感图像等领域中有着广泛的应用前景。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (1)
1.一种基于对称深度网络的单幅图像超分辨率重建方法,其步骤为:
步骤1、利用常用图像处理数据集,制作高分辨率图像块与低分辨率图像块训练集;过程为:
将常用图像处理数据集中每张彩色图像,首先转换到YCbCr空间,然后提取高分辨率训练图像的Y分量,接着对高分辨率图像进行两次双三次插值,得到与高分辨率图像对应的相同尺寸低分辨率图像;将每张高分辨率图像和低分辨率图像裁剪成多个图像块,由此得到用于深度网络训练的高分辨率图像块与低分辨率图像块的集合;
步骤2、构建一个10层的对称的卷积-反卷积深度网络用于模型训练;其中,前面5层为卷积层,后面5层为反卷积层;每个卷积层和反卷积层之后接一个ReLU激活层;网络输入为低分辨率图像块,输出为高分辨率图像块,该网络将学习低分辨率图像块和高分辨率图像块之间的映射关系,如公式(1)所示:
x=F(y,φ) (1)
其中,x,y分别表示高分辨率图像块和低分辨率图像块,φ为学习到的模型参数,用于之后的高分辨率图像重建;网络训练的损失函数采用均方误差表示,如公式(2)所示:
其中,N为步骤1所得训练集中样本数量,xi,yi为第i个高分辨率图像块和对应的低分辨率图像块;ReLU激活层的激活函数用公式(3)表示如下:
f(x)=max(0,x) (3)
其中,x为激活函数的输入,f(x)为激活函数的输出;构建的深度网络的所有卷积核大小均设为3*3,前5个卷积层对应的特征图的数量分别设为32、64、64、128、128,后5个反卷积层对应的特征图的数量分别设为128、128、64、64、1,每个卷积层和反卷积层得到的输出用公式(4)表示:
yi=f(Wixi+bi),i=1,2,...,10 (4)
其中,Wi表示第i层的权重,bi表示第i层的偏置,xi表示第i层的输入,yi表示第i层的输出;
经过激活函数,结果如公式(5)所示:
zi=max(yi,0) (5)
其中,yi为上一层输出,zi表示激活函数的输出;
步骤3、依据步骤1获得的训练集和步骤2构建的网络,利用Caffe深度学习平台进行网络训练,调整网络参数;首先对步骤2构建的对称深度网络的权重和偏置进行初始化;具体过程为:
1)采用Xavier方式初始化权重W后,W满足以下均匀分布;
其中,nj表示该层网络输入单元数目,即卷积层输入特征图数量,nj+1表示该层网络输出单元数目,即卷积层输出特征图数量;
2)偏置全部初始化为0,即bi=0;
采用梯度下降法来更新网络参数,用公式(7)表示如下:
其中,L是公式(2)计算得到的损失函数值,Δi和Δi+1分别表示第i次和第i+1次权重变化量,l是层的索引,i是迭代次数,η是学习率,是梯度;
在训练过程中,通过指定迭代次数来进行网络参数更新;
步骤4、将一幅低分辨率图像作为网络输入,利用步骤3学习的参数重建出一幅高分辨率图像作为输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610528420.6A CN106204449B (zh) | 2016-07-06 | 2016-07-06 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610528420.6A CN106204449B (zh) | 2016-07-06 | 2016-07-06 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204449A CN106204449A (zh) | 2016-12-07 |
CN106204449B true CN106204449B (zh) | 2019-09-10 |
Family
ID=57466181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610528420.6A Active CN106204449B (zh) | 2016-07-06 | 2016-07-06 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204449B (zh) |
Families Citing this family (70)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600538A (zh) * | 2016-12-15 | 2017-04-26 | 武汉工程大学 | 一种基于区域深度卷积神经网络的人脸超分辨率算法 |
CN106650806B (zh) * | 2016-12-16 | 2019-07-26 | 北京大学深圳研究生院 | 一种用于行人检测的协同式深度网络模型方法 |
CN106791927A (zh) * | 2016-12-23 | 2017-05-31 | 福建帝视信息科技有限公司 | 一种基于深度学习的视频增强与传输方法 |
CN106651774B (zh) * | 2016-12-27 | 2020-12-04 | 深圳市捷顺科技实业股份有限公司 | 一种车牌超分辨率模型重建方法及装置 |
CN106683067B (zh) * | 2017-01-20 | 2020-06-23 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
CN106952229A (zh) * | 2017-03-15 | 2017-07-14 | 桂林电子科技大学 | 基于数据增强的改进型卷积网络的图像超分辨率重建方法 |
CN108629402A (zh) * | 2017-03-20 | 2018-10-09 | 上海荆虹电子科技有限公司 | 用于图像处理的方法和装置 |
CN106991646B (zh) * | 2017-03-28 | 2020-05-26 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
US10489887B2 (en) * | 2017-04-10 | 2019-11-26 | Samsung Electronics Co., Ltd. | System and method for deep learning image super resolution |
CN107123089B (zh) * | 2017-04-24 | 2023-12-12 | 中国科学院遥感与数字地球研究所 | 基于深度卷积网络的遥感图像超分辨重建方法及系统 |
WO2018200493A1 (en) * | 2017-04-25 | 2018-11-01 | The Board Of Trustees Of The Leland Stanford Junior University | Dose reduction for medical imaging using deep convolutional neural networks |
CN107123091B (zh) * | 2017-04-26 | 2020-02-14 | 福建帝视信息科技有限公司 | 一种基于深度学习的近红外人脸图像超分辨率重建方法 |
CN107103585B (zh) * | 2017-04-28 | 2020-09-11 | 广东工业大学 | 一种图像超分辨率系统 |
CN107302657B (zh) * | 2017-05-16 | 2019-07-23 | 苏州大学 | 适用于物联网的图像采集系统 |
CN107194893A (zh) * | 2017-05-22 | 2017-09-22 | 西安电子科技大学 | 基于卷积神经网络的深度图像超分辨方法 |
CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
CN107358576A (zh) * | 2017-06-24 | 2017-11-17 | 天津大学 | 基于卷积神经网络的深度图超分辨率重建方法 |
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 |
CN107610194B (zh) * | 2017-08-14 | 2020-08-04 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
CN107578375B (zh) * | 2017-08-21 | 2020-10-02 | 北京陌上花科技有限公司 | 图像处理方法及装置 |
CN107657585B (zh) * | 2017-08-30 | 2021-02-05 | 天津大学 | 基于双变换域的高倍率超分辨率方法 |
CN107527044B (zh) * | 2017-09-18 | 2021-04-30 | 北京邮电大学 | 一种基于搜索的多张车牌清晰化方法及装置 |
CN107507153B (zh) * | 2017-09-21 | 2021-03-09 | 百度在线网络技术(北京)有限公司 | 图像去噪方法和装置 |
KR102491546B1 (ko) * | 2017-09-22 | 2023-01-26 | 삼성전자주식회사 | 객체를 인식하는 방법 및 장치 |
CN107871124B (zh) * | 2017-11-15 | 2018-08-10 | 陕西师范大学 | 一种基于深度神经网络的遥感图像目标检测方法 |
CN108022212B (zh) | 2017-11-24 | 2022-07-01 | 腾讯科技(深圳)有限公司 | 高分辨率图片生成方法、生成装置及存储介质 |
CN109833061B (zh) * | 2017-11-24 | 2020-08-04 | 无锡祥生医疗科技股份有限公司 | 基于深度学习的优化超声成像系统参数的方法 |
CN108012157B (zh) * | 2017-11-27 | 2020-02-04 | 上海交通大学 | 用于视频编码分数像素插值的卷积神经网络的构建方法 |
CN107833183B (zh) * | 2017-11-29 | 2021-05-25 | 安徽工业大学 | 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法 |
CN109862370A (zh) * | 2017-11-30 | 2019-06-07 | 北京大学 | 视频超分辨率处理方法及装置 |
CN108022222A (zh) * | 2017-12-15 | 2018-05-11 | 西北工业大学 | 一种基于卷积-反卷积网络的遥感图像薄云去除方法 |
CN109934062A (zh) * | 2017-12-18 | 2019-06-25 | 比亚迪股份有限公司 | 眼镜摘除模型的训练方法、人脸识别方法、装置和设备 |
CN109961396B (zh) * | 2017-12-25 | 2020-12-22 | 中国科学院沈阳自动化研究所 | 一种基于卷积神经网络的图像超分辨率重建方法 |
CN109978809B (zh) * | 2017-12-26 | 2022-02-22 | 同方威视技术股份有限公司 | 图像处理方法、装置及计算机可读存储介质 |
CN108537731B (zh) * | 2017-12-29 | 2020-04-14 | 西安电子科技大学 | 基于压缩多尺度特征融合网络的图像超分辨率重建方法 |
CN108182669A (zh) * | 2018-01-02 | 2018-06-19 | 华南理工大学 | 一种基于多个图片尺寸的生成对抗网络的超分辨率复原方法 |
US10489943B2 (en) | 2018-02-28 | 2019-11-26 | General Electric Company | System and method for sparse image reconstruction |
CN108416821B (zh) * | 2018-03-08 | 2019-08-02 | 山东财经大学 | 一种深度神经网络的ct图像超分辨重建方法 |
CN108537747A (zh) * | 2018-03-22 | 2018-09-14 | 南京大学 | 一种基于带对称跨层连接的卷积神经网络的图像修复方法 |
CN108564166A (zh) * | 2018-03-22 | 2018-09-21 | 南京大学 | 基于带对称跨层连接的卷积神经网络半监督特征学习方法 |
CN108596833A (zh) * | 2018-04-26 | 2018-09-28 | 广东工业大学 | 超分辨率图像重构方法、装置、设备及可读存储介质 |
CN108629737B (zh) * | 2018-05-09 | 2022-11-18 | 复旦大学 | 一种提高jpeg格式图像空间分辨率的方法 |
CN108961161B (zh) * | 2018-05-24 | 2023-09-22 | 上海商汤智能科技有限公司 | 一种图像数据处理方法、装置和计算机存储介质 |
CN108737750A (zh) * | 2018-06-07 | 2018-11-02 | 北京旷视科技有限公司 | 图像处理方法、装置及电子设备 |
CN108765297B (zh) * | 2018-06-14 | 2020-07-17 | 厦门大学 | 基于循环训练的超分辨率重建方法 |
CN109146777B (zh) * | 2018-06-15 | 2020-10-27 | 国网浙江省电力有限公司 | 利用预训练网络的感知相似性进行混合图像超分辨方法 |
CN108921791A (zh) * | 2018-07-03 | 2018-11-30 | 苏州中科启慧软件技术有限公司 | 基于自适应重要性学习的轻量级图像超分辨率改进方法 |
CN109146788B (zh) * | 2018-08-16 | 2023-04-18 | 广州视源电子科技股份有限公司 | 基于深度学习的超分辨率图像重建方法和装置 |
CN109272450B (zh) * | 2018-08-22 | 2023-01-06 | 复旦大学 | 一种基于卷积神经网络的图像超分方法 |
CN109360148B (zh) * | 2018-09-05 | 2023-11-07 | 北京悦图遥感科技发展有限公司 | 基于混合随机降采样的遥感影像超分辨率重构方法和装置 |
CN110956582B (zh) * | 2018-09-26 | 2024-02-02 | Tcl科技集团股份有限公司 | 一种图像处理方法、装置及设备 |
CN109171792B (zh) * | 2018-09-29 | 2022-06-07 | 江苏一影医疗设备有限公司 | 成像方法及使用该成像方法的ct成像系统 |
EP3637099B1 (en) * | 2018-10-08 | 2021-06-23 | Ecole Polytechnique Federale De Lausanne (Epfl) | Image reconstruction method based on a trained non-linear mapping |
CN109658346B (zh) * | 2018-11-13 | 2021-07-02 | 达闼科技(北京)有限公司 | 图像修复方法、装置、计算机可读存储介质及电子设备 |
CN109903225A (zh) * | 2019-01-29 | 2019-06-18 | 中南大学 | 一种基于深度学习的医疗图像增强方法 |
CN109819256B (zh) * | 2019-03-06 | 2022-07-26 | 西安电子科技大学 | 基于特征感知的视频压缩感知方法 |
CN109993072B (zh) * | 2019-03-14 | 2021-05-25 | 中山大学 | 基于超分辨图像生成的低分辨率行人重识别系统和方法 |
CN109961436B (zh) * | 2019-04-04 | 2021-05-18 | 北京大学口腔医学院 | 一种基于人工神经网络模型的正中矢状平面构建方法 |
CN110136060B (zh) * | 2019-04-24 | 2023-03-24 | 西安电子科技大学 | 基于浅层密集连接网络的图像超分辨率重建方法 |
CN110020989B (zh) * | 2019-05-23 | 2022-06-28 | 西华大学 | 一种基于深度学习的深度图像超分辨率重建方法 |
WO2021081759A1 (zh) * | 2019-10-29 | 2021-05-06 | 中国科学院深圳先进技术研究院 | 一种协同成像方法、装置、存储介质和协同成像设备 |
US11010871B1 (en) * | 2019-11-05 | 2021-05-18 | Moxa Inc. | Device and method of handling image super-resolution |
CN111062872B (zh) * | 2019-12-17 | 2021-02-05 | 暨南大学 | 一种基于边缘检测的图像超分辨率重建方法及系统 |
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 |
CN111583115B (zh) * | 2020-04-30 | 2023-09-05 | 西安交通大学 | 基于深度注意力网络的单幅图像超分辨率重建方法及系统 |
CN111696034B (zh) * | 2020-05-11 | 2023-10-27 | 青岛小鸟看看科技有限公司 | 图像处理方法、装置及电子设备 |
CN112435162B (zh) * | 2020-11-13 | 2024-03-05 | 中国科学院沈阳自动化研究所 | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 |
CN113011366A (zh) * | 2021-03-31 | 2021-06-22 | 北京京东乾石科技有限公司 | 用于提高人脸识别精度的方法、装置、电子设备和介质 |
CN114792115B (zh) * | 2022-05-17 | 2023-04-07 | 哈尔滨工业大学 | 基于反卷积重建网络的遥测信号野值去除方法、装置及介质 |
CN114937199B (zh) * | 2022-07-22 | 2022-10-25 | 山东省凯麟环保设备股份有限公司 | 一种基于判别性特征增强的垃圾分类方法与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839238A (zh) * | 2014-02-28 | 2014-06-04 | 西安电子科技大学 | 一种基于边缘信息和反卷积的sar图像超分辨率方法 |
CN104778659A (zh) * | 2015-04-15 | 2015-07-15 | 杭州电子科技大学 | 基于深度学习的单帧图像超分辨率重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5462305B2 (ja) * | 2012-03-12 | 2014-04-02 | 株式会社東芝 | 画像処理装置、画像処理方法およびそのプログラム |
-
2016
- 2016-07-06 CN CN201610528420.6A patent/CN106204449B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839238A (zh) * | 2014-02-28 | 2014-06-04 | 西安电子科技大学 | 一种基于边缘信息和反卷积的sar图像超分辨率方法 |
CN104778659A (zh) * | 2015-04-15 | 2015-07-15 | 杭州电子科技大学 | 基于深度学习的单帧图像超分辨率重建方法 |
Non-Patent Citations (3)
Title |
---|
Image Denoising Using Very Deep Fully Convolutional Encoder-Decoder Networks with Symmetric Skip Connections;Xiao-Jiao Mao 等,;《Cornell University Library》;20160330;第1-15页 |
Learning a Deep Convolutional Network for Image Super-Resolution;Chao Dong 等;《Computer Vision-ECCV 2014》;20141230;第184-199页 |
基于多层卷积神经网络学习的单帧图像超分辨率重建方法;刘娜 等;《中国科技论文》;20150123;第10卷(第2期);第201-206页 |
Also Published As
Publication number | Publication date |
---|---|
CN106204449A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204449B (zh) | 一种基于对称深度网络的单幅图像超分辨率重建方法 | |
Suryanarayana et al. | Accurate magnetic resonance image super-resolution using deep networks and Gaussian filtering in the stationary wavelet domain | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN109741256A (zh) | 基于稀疏表示和深度学习的图像超分辨率重建方法 | |
CN104574336B (zh) | 基于自适应亚模字典选择的超分辨率图像重建系统 | |
CN106920214A (zh) | 空间目标图像超分辨率重建方法 | |
CN112734646B (zh) | 一种基于特征通道划分的图像超分辨率重建方法 | |
CN103093444B (zh) | 基于自相似性和结构信息约束的图像超分辨重建方法 | |
CN102842115B (zh) | 基于双重字典学习的压缩感知图像超分辨率重建方法 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN107240066A (zh) | 基于浅层和深层卷积神经网络的图像超分辨率重建算法 | |
Huang et al. | Deep hyperspectral image fusion network with iterative spatio-spectral regularization | |
CN103871041B (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
CN105844590A (zh) | 基于稀疏表示的图像超分辨率重建方法及系统 | |
CN107993194A (zh) | 一种基于平稳小波变换的超分辨率重建方法 | |
CN110675462A (zh) | 一种基于卷积神经网络的灰度图像彩色化方法 | |
CN103279933A (zh) | 一种基于双层模型的单幅图像超分辨率重建方法 | |
CN107169928A (zh) | 一种基于深层线性映射学习的人脸超分辨率重建算法 | |
CN113516601A (zh) | 基于深度卷积神经网络与压缩感知的图像恢复技术 | |
CN104299193B (zh) | 一种基于高频和中频信息的图像超分辨率重建方法 | |
CN104408697B (zh) | 基于遗传算法和正则先验模型的图像超分辨重建方法 | |
Pan et al. | FDPPGAN: remote sensing image fusion based on deep perceptual patchGAN | |
CN108492252A (zh) | 基于二次重建的人脸图像超分辨率重建方法 | |
Liu et al. | Single image super-resolution using a deep encoder–decoder symmetrical network with iterative back projection | |
Hu et al. | An efficient fusion algorithm based on hybrid multiscale decomposition for infrared-visible and multi-type images |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201229 Address after: 236701 north of Yongxing Road East of Shiji Avenue, Chengguan Town, Lixin County, Bozhou City, Anhui Province Patentee after: Anhui Hefeng animal husbandry Co.,Ltd. Address before: 243002 No. 59 East Lake Road, Anhui, Ma'anshan Patentee before: ANHUI University OF TECHNOLOGY |