CN106251292B - 一种图片分辨率提升方法 - Google Patents

一种图片分辨率提升方法 Download PDF

Info

Publication number
CN106251292B
CN106251292B CN201610648774.4A CN201610648774A CN106251292B CN 106251292 B CN106251292 B CN 106251292B CN 201610648774 A CN201610648774 A CN 201610648774A CN 106251292 B CN106251292 B CN 106251292B
Authority
CN
China
Prior art keywords
neuron
resolution
activation
training
state
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
Application number
CN201610648774.4A
Other languages
English (en)
Other versions
CN106251292A (zh
Inventor
张勇
朱立松
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.)
CCTV INTERNATIONAL NETWORKS WUXI Co Ltd
Original Assignee
CCTV INTERNATIONAL NETWORKS WUXI Co Ltd
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 CCTV INTERNATIONAL NETWORKS WUXI Co Ltd filed Critical CCTV INTERNATIONAL NETWORKS WUXI Co Ltd
Priority to CN201610648774.4A priority Critical patent/CN106251292B/zh
Publication of CN106251292A publication Critical patent/CN106251292A/zh
Application granted granted Critical
Publication of CN106251292B publication Critical patent/CN106251292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the 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

Landscapes

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

Abstract

本发明属于多媒体信息技术领域，公开了一种图片分辨率提升方法，包括如下步骤：S1创建约束玻尔兹曼机并对其进行训练；S2利用训练后的约束玻尔兹曼机，基于待提高分辨率图片得到高分辨率图片。其使用约束玻尔兹曼机作为提升装置，输入待提高分辨率图片的像素作为约束玻尔兹曼机显层神经元的一组输入量，对待提高分辨率图片进行扩展之后得到显层神经元的另一组输入量，利用约束玻尔兹曼机的联想功能，得到高分辨率图片，提高待提高分辨率图片分辨率的同时提高其清晰度。

Description

一种图片分辨率提升方法
技术领域
本发明属于多媒体信息技术领域，尤其涉及一种图片分辨率提升方法。
背景技术
在现有技术中，一般采用滤波器插值的方法来计算子像素点的值，以此提高图片的分辨率。例如，当前普遍使用的视频编码标准H.264中就使用6抽头的FIR(FiniteImpulse Response，有限长单位冲激响应)滤波器来计算子像素的值。如图1所示为H.264中进行1/2子像素内插的示意图，其中，没有标字母的方块和标注了A、B、C、D、E、F、G、H、I、J、K、L、M、N、P、 Q、R、S、T、U的方块为原像素点，其它位置是需要进行子像素内插的位置。
假设该6抽头FIR滤波器的权重为(1/32，-5/32，5/8，5/8，-5/32，1/32)，则图示中的b子像素的值由E、F、G、H、I、J经过滤波得到，即 b＝round[(E-5F+20G+20H-5I+J)/32]。同理，其它的1/2子像素点可以由垂直或水平方向的6个像素滤波得到。其中，比较特殊的是处于中心位置的 1/2子像素j使用cc、dd、h、m、ee、ff这6个1/2子像素的值再进行一次内插得到。
经过1/2子像素内插之后，图片的分辨率提升一倍。例如，原来 1000x1000分辨率的图片经过子像素内插之后变成了分辨率为2000x2000的图片。但是，采用这种子像素内插的方法得到的子像素值的精度不足，其只考虑了横向或者纵向的像素值对子像素值的影响，而没有同时考虑两个方向的像素的影响。例如，子像素b的值只和E、F、G、H、I、J的值相关，而实际上子像素b的值应该和b周围的若干像素的值都相关。另外，采用这种子像素内插的方法不改变原像素的值，虽然经过内插提高了分辨率，但是不一定能改善图片的清晰度。
发明内容
针对上述问题，本发明旨在提供一种图片分辨率提升方法，提高待提高分辨率图片分辨率的同时提高其清晰度。
本发明提供的技术方案如下：
一种图片分辨率提升方法，包括如下步骤：
S1创建约束玻尔兹曼机并对其进行训练；
S2利用训练后的约束玻尔兹曼机，基于待提高分辨率图片得到高分辨率图片。
进一步优选地，在步骤S1中具体包括：
S11选用训练图片，该训练图片包括同一图片的低分辨率图片和高分辨率图片；
S12将基于同一图片的低分辨率图片和高分辨率图片作为约束玻尔兹曼机中显层神经元的值，并将此时显层神经元的状态记为第一训练状态
S13基于第一训练状态中各显层神经元的值得到隐层神经元中各神经元的第一训练激活概率
S14对所述第一训练激活概率进行抽样得到隐层神经元的激活状态，并将其记为第一训练激活状态
S15基于第一训练激活状态中各隐层神经元的值得到显层神经元中各神经元的第二训练激活概率
S16对所述第二训练激活概率进行抽样得到显层神经元的激活状态，并记为第二训练激活状态
S17基于第二训练激活状态中各显层神经元的值得到隐层神经元中各神经元的第三训练激活概率
S18基于第一训练状态第一训练激活概率第二训练激活状态以及第三训练激活概率更新约束玻尔兹曼机的网络权值和偏置值；
S19循环步骤S11～S18，直到隐层神经元与显层神经元之间的误差满足要求或迭代次数达到最大，完成约束玻尔兹曼机的训练。
进一步优选地，在步骤S12中具体包括：
S121基于训练图片中低分辨率图片的两维矩阵得到N1*1维的向量，其中，N1为低分辨率图片的像素数量；
S122对所述N1*1维向量进行归一化处理，并将归一化的值作为约束玻尔兹曼机显层神经元第一部分状态值；
S123基于训练图片中高分辨率图片的两维矩阵得到N2*1维的向量，其中， N2为高分辨率图片的像素数量；
S124对所述N2*1维向量进行归一化处理，并将归一化的值作为约束玻尔兹曼机显层神经元第二部分状态值。
进一步优选地，在步骤S18中具体包括：
S181约束玻尔兹曼机的更新网络权值具体为：
S182隐层神经元的更新偏置值为：
S183显层神经元的更新偏置值为：
进一步优选地，在步骤S2中具体包括：
S21获取待提高分辨率图片中每个像素点的像素并将其转换为N1*1维的向量，且在其进行归一化后作为约束玻尔兹曼机显层神经元显层神经元第一部分状态值；
S22将待提高分辨率图片的N1*1维的向量按照预设规则扩展为N2*1维的向量，作为约束玻尔兹曼机显层神经元第二部分状态值，显层神经元第一部分状态值和显层神经元第二部分状态值记为显层神经元的第一状态
S23基于第一状态中各显层神经元的值得到隐层神经元中各神经元的第一激活概率
S24对所述第一激活概率进行抽样得到隐层神经元的激活状态，并将其记为第一激活状态
S25基于第一激活状态中各隐层神经元的值得到显层神经元中各神经元的第二激活概率
S26将所述第二激活概率中对应显层神经元第二部分中各神经元激活概率作为其激活状态；
S27基于所述显层神经元第二部分各神经元的激活概率得到高分辨率图片的像素值。
进一步优选地，在步骤S21中具体包括：
基于约束玻尔兹曼机将待提高分辨率图片进行切割，依次分块将所述提高分辨率图片输入约束玻尔兹曼机中进行处理。
进一步优选地，在步骤S27之后还包括：
S28将各分块的像素值进行合并得到高分辨率图片的像素值。
进一步优选地，在步骤S22中，具体包括：将待提高分辨率图片中每个像素点分别向右、向下以及向右下复制出新的像素点，获取各像素点的像素值并将其转换为N2*1维的向量。
本发明提供的图片分辨率提升方法，其有益效果在于：
在本发明提供的图片分辨率提升方法中，使用约束玻尔兹曼机作为提升装置，输入待提高分辨率图片的像素作为约束玻尔兹曼机显层神经元的一组输入量，对待提高分辨率图片进行扩展之后得到显层神经元的另一组输入量，利用约束玻尔兹曼机的联想功能，得到高分辨率图片，提高待提高分辨率图片分辨率的同时提高其清晰度。且在本发明中，使用约束玻尔兹曼机对待提高分辨率图片的分辨率进行扩展的过程中，根据显层神经元的状态对隐层神经元的状态进行后验概率采样，然后再根据隐层神经元的状态计算显层神经元的后验激活概率，最后，将扩展得到的第二组显层神经元的激活概率乘以G(G＝255或1024)恢复为8bit或10bit编码的灰度值。
另外，在本发明中，在使用约束玻尔兹曼机对待提高分辨率图片的分辨率进行提高之前，使用训练样本(包括同一图片的低分辨率图片和高分辨率图片，共同作为约束玻尔兹曼机对的显层神经元)对其进行训练，以得到约束玻尔兹曼机中最佳的网络权值矩阵，使得误差最小，最大程度的提高待提高分辨率图片的分辨率同时提高其清晰度。
附图说明
图1为现有技术H.264中进行1/2子像素内插的示意图；
图2为本发明中图片分辨率提升方法流程示意图；
图3为本发明中对约束玻尔兹曼机进行训练的流程示意图；
图4为本发明中基于待提高分辨率图片得到高分辨率图片的流程示意图；
图5为本发明中对待提高分辨率图片进行扩展结构示意图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步详细说明。需要说明的是，下面描述的本发明的特定细节仅为说明本发明用，并不构成对本发明的限制。根据所描述的本发明的教导做出的任何修改和变型也在本发明的范围内。
如图2所示为本发明提供的图片分辨率提升方法的流程示意图，从图中可以看出，在该图片分辨率提升方法中包括如下步骤：S1创建约束玻尔兹曼机并对其进行训练；S2利用训练后的约束玻尔兹曼机，基于待提高分辨率图片得到高分辨率图片。
具体来说，在步骤S1中，如图3所示，对约束玻尔兹曼机进行训练的过程具体包括：
S11选用训练图片，该训练图片包括同一图片的低分辨率图片和高分辨率图片。具体来说，这里选用的训练图片必须包括两幅配对的图片，其中一幅图片为低分辨率图片，如像素点组成的向量为32*32；另一幅为高分辨率图片，如像素点组成的向量为64*64。在选用的训练图片中包括多组类似配对的图片，以对该约束玻尔兹曼机进行充分训练。
S12将基于同一图片的低分辨率图片和高分辨率图片作为约束玻尔兹曼机中显层神经元的值，并将此时显层神经元的状态记为第一训练状态更具体来说，在该步骤中包括：S121基于训练图片中低分辨率图片的两维矩阵得到N1*1维的向量，其中，N1为低分辨率图片的像素数量；S122对所述N1*1维向量进行归一化处理，并将归一化的值作为约束玻尔兹曼机显层神经元第一部分状态值；S123基于训练图片中高分辨率图片的两维矩阵得到N2*1维的向量，其中，N2为高分辨率图片的像素数量；S124对所述N2*1维向量进行归一化处理，并将归一化的值作为约束玻尔兹曼机显层神经元第二部分状态值。在一个具体实施例中，假定所有的训练图片均为灰度图片，且共有256个灰度级，低分辨率图片像素点组成的向量为32*32，则将其转化为 1024*1维的向量之后，除以255将向量中每个元素的值归一化至[0～1]之间，将其作为约束玻尔兹曼机中显层神经元第一部分状态值。类似的，高分辨率图片像素点组成的向量为64*64，则将其转化为4096*1维的向量之后，同样除以 255将向量中每个元素的值归一化至[0～1]之间，将其作为约束玻尔兹曼机显层神经元第二部分状态值并锁定输入。
S13基于第一训练状态中各显层神经元的值得到隐层神经元中各神经元的第一训练激活概率具体，激活概率根据公式进行计算，其中，bk表示神经元的偏置； (x1,x2,...,xm)为该神经元的输入信号；(wk1,wk2,...,wkm)为每一个输入信号对应的网络权值；yk为神经元的输出。
S14对所述第一训练激活概率进行抽样得到隐层神经元的激活状态，并将其记为第一训练激活状态
S15基于第一训练激活状态中各隐层神经元的值得到显层神经元中各神经元的第二训练激活概率该第二训练激活概率的计算方法与步骤 S13相同。
S16对所述第二训练激活概率进行抽样得到显层神经元的激活状态，并记为第二训练激活状态
S17基于第二训练激活状态中各显层神经元的值得到隐层神经元中各神经元的第三训练激活概率该第三训练激活概率的计算方法与步骤 S13相同。
S18基于第一训练状态第一训练激活概率第二训练激活状态以及第三训练激活概率更新约束玻尔兹曼机的网络权值和偏置值；更具体来说，在本步骤中，约束玻尔兹曼机的更新网络权值具体为：S182隐层神经元的更新偏置值为： S183显层神经元的更新偏置值为：
S19循环步骤S11～S18，直到隐层神经元与显层神经元之间的误差满足要求或迭代次数达到最大，完成约束玻尔兹曼机的训练。由约束玻尔兹曼机进行训练的目的是得到的隐层神经元与输入的显层神经元之间的误差尽可能的小，而该误差由网络权值W决定，故循环上述步骤S11～S18对网络权值W进行更新直到约束玻尔兹曼机达到训练要求停止训练；或者，训练迭代的次数达到预设值，停止训练。另外，要说明的是，对约束玻尔兹曼机进行往复训练的过程中，每次训练选取的配对训练图片可以相同，也可以从训练集中重新选用新的训练图片，不做限定。
如图4所示，在步骤S2，利用训练后的约束玻尔兹曼机，基于待提高分辨率图片得到高分辨率图片中具体包括：
S21获取待提高分辨率图片中每个像素点的像素并将其转换为N1*1维的向量，且在其进行归一化后作为约束玻尔兹曼机显层神经元显层神经元第一部分状态值。在一个具体实施例中，假定待提高分辨率图片为灰度图片，且共有 256个灰度级，且像素点组成的向量为32*32，则将待提高分辨率图片的两维矩阵得到1024*1维的向量之后除以255将向量中每个元素的值归一化至 [0～1]之间，之后将其作为约束玻尔兹曼机显层神经元第一部分状态值并锁定输入。
S22将待提高分辨率图片的N1*1维的向量按照预设规则扩展为N2*1维的向量，作为约束玻尔兹曼机显层神经元第二部分状态值，显层神经元第一部分状态值和显层神经元第二部分状态值记为显层神经元的第一状态要说明的是，这里待提高分辨率图片中像素点组成的向量与训练图片中的低分辨率图片相同，扩展后的图片中像素点组成的向量与训练图片中的高分辨率图片相同。即，假若待提高分辨率图片为灰度图片像素点组成的向量为32*32，则将其扩展为64*64。在一个具体实施例中，如图5所示，将待提高分辨率图片中每个像素点分别向右、向下以及向右下复制出新的像素点，获取各像素点的像素值并将其转换为4096*1维的向量，图中，黑色实心圆为已知像素的点(待提高分辨率图片中的点)，空点原为扩展出来的像素点。当然，在其他实施方式中，还可以采用其他方式对待提高分辨率图片进行扩展，在此不做限定。
S23基于第一状态中各显层神经元的值得到隐层神经元中各神经元的第一激活概率该第一激活概率的计算方法与步骤S13相同。
S24对所述第一激活概率进行抽样得到隐层神经元的激活状态，并将其记为第一激活状态
S25基于第一激活状态中各隐层神经元的值得到显层神经元中各神经元的第二激活概率该第二激活概率的计算方法与步骤S13相同。
S26将所述第二激活概率中对应显层神经元第二部分中各神经元激活概率作为其激活状态。
S27基于所述显层神经元第二部分各神经元的激活概率得到高分辨率图片的像素值。在一个具体实施例中，假定待提高分辨率图片均共有256个灰度级，则将显层神经元第二部分各神经元的激活概率乘以255得到高分辨率图片的像素值，得到高分辨率图片。
基于约束玻尔兹曼机将待提高分辨率图片进行切割，依次分块将提高分辨率图片输入约束玻尔兹曼机中进行处理。
要说明的是，在上述实施例中，对于尺寸较大的待提高分辨率图片来说，可以将待提高分辨率图片分割为32*32的小块，然后步骤S2中的方法分别对每小块的图片进行分辨率提升，得到没小块图片提升分别率后的像素(如，乘以255)。最后，对所有的小块图像进行合并，得到高分辨率图片。更进一步来说，所分割的32*32的小块之间可以相互有重叠，在分辨率提升之后进行合并的过程，对于有重叠的图像块使用均值平均的方法进行合并即可，最终得到分辨率扩展后的大尺寸图片，不仅对待提高分辨率图片的分辨率进行了提高，同时提高了其清晰度。
以上通过分别描述每个过程的实施场景案例，详细描述了本发明，本领域的技术人员应能理解。

Claims (7)

1.一种图片分辨率提升方法，其特征在于，所述图片分辨率提升方法中包括如下步骤：
S1创建约束玻尔兹曼机并对其进行训练；
S2利用训练后的约束玻尔兹曼机，基于待提高分辨率图片得到高分辨率图片；
在步骤S2中具体包括：
S21获取待提高分辨率图片中每个像素点的像素并将其转换为N1*1维的向量，且在其进行归一化后作为约束玻尔兹曼机显层神经元显层神经元第一部分状态值；
S22将待提高分辨率图片的N1*1维的向量按照预设规则扩展为N2*1维的向量，作为约束玻尔兹曼机显层神经元第二部分状态值，显层神经元第一部分状态值和显层神经元第二部分状态值记为显层神经元的第一状态
S23基于第一状态中各显层神经元的值得到隐层神经元中各神经元的第一激活概率
S24对所述第一激活概率进行抽样得到隐层神经元的激活状态，并将其记为第一激活状态
S25基于第一激活状态中各隐层神经元的值得到显层神经元中各神经元的第二激活概率
S26将所述第二激活概率中对应显层神经元第二部分中各神经元激活概率作为其激活状态；
S27基于所述显层神经元第二部分各神经元的激活概率得到高分辨率图片的像素值。
2.如权利要求1所述的图片分辨率提升方法，其特征在于，在步骤S1中具体包括：
S11选用训练图片，该训练图片包括同一图片的低分辨率图片和高分辨率图片；
S12将基于同一图片的低分辨率图片和高分辨率图片作为约束玻尔兹曼机中显层神经元的值，并将此时显层神经元的状态记为第一训练状态
S13基于第一训练状态中各显层神经元的值得到隐层神经元中各神经元的第一训练激活概率
S14对所述第一训练激活概率进行抽样得到隐层神经元的激活状态，并将其记为第一训练激活状态
S15基于第一训练激活状态中各隐层神经元的值得到显层神经元中各神经元的第二训练激活概率
S16对所述第二训练激活概率进行抽样得到显层神经元的激活状态，并记为第二训练激活状态
S17基于第二训练激活状态中各显层神经元的值得到隐层神经元中各神经元的第三训练激活概率
S18基于第一训练状态第一训练激活概率第二训练激活状态以及第三训练激活概率更新约束玻尔兹曼机的网络权值和偏置值；
S19循环步骤S11～S18，直到隐层神经元与显层神经元之间的误差满足要求或迭代次数达到最大，完成约束玻尔兹曼机的训练。
3.如权利要求2所述的图片分辨率提升方法，其特征在于，在步骤S12中具体包括：
S121基于训练图片中低分辨率图片的两维矩阵得到N1*1维的向量，其中，N1为低分辨率图片的像素数量；
S122对所述N1*1维向量进行归一化处理，并将归一化的值作为约束玻尔兹曼机显层神经元第一部分状态值；
S123基于训练图片中高分辨率图片的两维矩阵得到N2*1维的向量，其中，N2为高分辨率图片的像素数量；
S124对所述N2*1维向量进行归一化处理，并将归一化的值作为约束玻尔兹曼机显层神经元第二部分状态值。
4.如权利要求2所述的图片分辨率提升方法，其特征在于，在步骤S18中具体包括：
S181约束玻尔兹曼机的更新网络权值具体为：
S182隐层神经元的更新偏置值为：
S183显层神经元的更新偏置值为：
5.如权利要求1所述的图片分辨率提升方法，其特征在于，在步骤S21中具体包括：
基于约束玻尔兹曼机将待提高分辨率图片进行切割，依次分块将所述提高分辨率图片输入约束玻尔兹曼机中进行处理。
6.如权利要求5所述的图片分辨率提升方法，其特征在于，在步骤S27之后还包括：
S28将各分块的像素值进行合并得到高分辨率图片的像素值。
7.如权利要求1所述的图片分辨率提升方法，其特征在于，在步骤S22中，具体包括：将待提高分辨率图片中每个像素点分别向右、向下以及向右下复制出新的像素点，获取各像素点的像素值并将其转换为N2*1维的向量。
CN201610648774.4A 2016-08-09 2016-08-09 一种图片分辨率提升方法 Active CN106251292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610648774.4A CN106251292B (zh) 2016-08-09 2016-08-09 一种图片分辨率提升方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610648774.4A CN106251292B (zh) 2016-08-09 2016-08-09 一种图片分辨率提升方法

Publications (2)

Publication Number Publication Date
CN106251292A CN106251292A (zh) 2016-12-21
CN106251292B true CN106251292B (zh) 2019-04-16

Family

ID=58077828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610648774.4A Active CN106251292B (zh) 2016-08-09 2016-08-09 一种图片分辨率提升方法

Country Status (1)

Country Link
CN (1) CN106251292B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463932B (zh) * 2017-07-13 2020-07-10 央视国际网络无锡有限公司 一种使用二进制瓶颈神经网络来抽取图片特征的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007510143A (ja) * 2003-10-27 2007-04-19 ザ・ジェネラル・ホスピタル・コーポレイション 周波数ドメイン干渉測定を利用して光学撮像を実行する方法および装置
CN102902966A (zh) * 2012-10-12 2013-01-30 大连理工大学 一种基于深度信赖网络的超分辨率人脸识别方法
CN105469376A (zh) * 2014-08-12 2016-04-06 腾讯科技（深圳）有限公司 确定图片相似度的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007510143A (ja) * 2003-10-27 2007-04-19 ザ・ジェネラル・ホスピタル・コーポレイション 周波数ドメイン干渉測定を利用して光学撮像を実行する方法および装置
CN102902966A (zh) * 2012-10-12 2013-01-30 大连理工大学 一种基于深度信赖网络的超分辨率人脸识别方法
CN105469376A (zh) * 2014-08-12 2016-04-06 腾讯科技（深圳）有限公司 确定图片相似度的方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
图像物体分类与检测算法综述;黄凯奇等;《计算机学报》;20140630;第37卷(第6期);第1225-1240页
基于深度学习的图像超分辨重构;雷倩;《中国优秀硕士学位论文全文数据库》;20151215;第11-14、20-29页

Also Published As

Publication number Publication date
CN106251292A (zh) 2016-12-21

Similar Documents

Publication Publication Date Title
CN108550115B (zh) 一种图像超分辨率重建方法
AU2020103715A4 (en) Method of monocular depth estimation based on joint self-attention mechanism
CN105844630B (zh) 一种双目视觉的图像超分辨率融合去噪方法
CN106203625B (zh) 一种基于多重预训练的深层神经网络训练方法
CN108476311A (zh) 基于眼睛追踪的动态显示校准
CN110349087B (zh) 基于适应性卷积的rgb-d图像高质量网格生成方法
CN109993707A (zh) 图像去噪方法和装置
CN109472743A (zh) 遥感图像的超分辨率重建方法
CN108389155A (zh) 图像处理方法、装置及电子设备
CN106960415A (zh) 一种基于像素递归超分辨率模型恢复图像的方法
CN107123094A (zh) 一种混合泊松、高斯和脉冲噪声的视频去噪方法
CN106778347B (zh) 一种基于三角函数的矢栅地理数据可逆脱密方法
CN106251292B (zh) 一种图片分辨率提升方法
CN110826467A (zh) 一种电子显微镜图像重建系统及其方法
CN114463196B (zh) 一种基于深度学习的图像校正方法
CN102682424A (zh) 基于边缘方向差值的图像放大处理方法
CN111080533B (zh) 一种基于自监督残差感知网络的数码变焦方法
CN117237623A (zh) 一种无人机遥感图像语义分割方法及系统
CN116029943A (zh) 基于深度学习的红外图像超分辨率增强方法
CN110120009A (zh) 基于显著物体检测和深度估计算法的背景虚化实现方法
CN115209122A (zh) 一种基于多智能体的立体图像视觉舒适度增强方法及系统
CN111428634B (zh) 一种采用六点法分块模糊加权的人眼视线追踪定位方法
CN110211059A (zh) 一种基于深度学习的图像重建方法
Zhu et al. Luminance-Preserving Visible and Near-Infrared Image Fusion Network with Edge Guidance
JP7169768B2 (ja) 画像処理装置、画像処理方法

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