CN106952317B - 基于结构稀疏的高光谱图像重建方法 - Google Patents
基于结构稀疏的高光谱图像重建方法 Download PDFInfo
- Publication number
- CN106952317B CN106952317B CN201710177248.9A CN201710177248A CN106952317B CN 106952317 B CN106952317 B CN 106952317B CN 201710177248 A CN201710177248 A CN 201710177248A CN 106952317 B CN106952317 B CN 106952317B
- Authority
- CN
- China
- Prior art keywords
- image
- block
- image block
- blocks
- spectral
- 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 44
- 230000003595 spectral effect Effects 0.000 claims abstract description 55
- 238000011084 recovery Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000009466 transformation Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 8
- 230000017105 transposition Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 101150049349 setA gene Proteins 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于结构稀疏的光谱图像重建方法,主要解决现有方法难以精确恢复光谱图像和算法复杂度高的问题。其实现步骤是:1.采用离散余弦变换重建图像,2.对重建图像进行反投影并计算其相似图像块的索引和权重;3.对反投影图像块分类;4.对分类后的每一类图像块的空间域字典和光谱域字典进行学习,并计算光谱域稀疏系数;5.计算阈值并将光谱域稀疏系数与阈值进行比较,将稀疏系数中小于阈值的元素置零,其余元素不变;6.利用阈值处理后的稀疏系数重建高光谱图像;7.循环执行步骤2‑6,得到最终重建的高光谱图像。本发明重建的高光谱图像清晰,且边缘更锐利,同时,降低图像重建的时间复杂度,可用于采样的光谱图像恢复。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种高光谱图像重建方法,可用于采样的光谱图像恢复。
背景技术
高光谱图像在国防科学研究和军事应用领域均有着重要需求。根据奈奎斯特采样定理,传统的成像系统只有在系统的采集频率不低于奈奎斯特采样频率才能获得高质量光谱数据。由于现有成像器件信号采集性能的限制,传统的成像系统不能从硬件上进一步提升光谱数据的空间、时间及谱间分辨率。为了克服传统的光谱图像成像系统自身的硬件缺陷造成的成像分辨率不高,国内外研究学者提出了基于压缩感知编码和计算重建的高分辨率光谱成像新方法。这种方法是首先利用压缩感知编码获得混叠光谱图像信息,然后通过计算重建的方法从混叠光谱图像信息中重建出高分辨率的高光谱图像。压缩感知编码过程使用现有的已成熟的美国杜克大学的编码孔径快照压缩感知光谱成像技术。
压缩感知高光谱重建有许多种方法,全变差模型不能很好保持图像结构,基于稀疏表示的压缩感知高光谱图像重建方法的效果好坏,主要在于能否选择合适的变换基来表示高光谱图像。现有的变换基的选取通常为离散余弦变换DCT基、小波基、以及过完备字典。其中,离散余弦变换基和小波基难以有效表达高光谱图像中丰富的边缘和纹理信息;通过学习得到的过完备字典对高光谱图像的稀疏表示不具有唯一性,计算复杂度高。
这些高光谱图像重建算法普遍存在的两个问题:1)学习字典的计算复杂度较高;2)对高光谱图像的空间域和光谱域的性质刻画不准确,没有利用谱间相关性,降低了高光谱图像的重建效果。
发明内容
本发明的目的在于针对现有高光谱图像重建算法存在的问题,提出一种基于非局部结构稀疏的高光谱图像重建方法。通过学习可分离的三维字典来降低字典学习的计算复杂度,更准确地刻画高光谱图像的空间域和光谱域的性质,提高高光谱图像的重建效果。
本发明的技术思路是:利用结构聚类技术对局部图像块进行结构聚类,将图像的相似块聚为一类,对于每一个子类,利用结构稀疏模型对相似图像块进行联合稀疏编码;通过可分离字典学习方法构造图像域和光谱域局部自适应字典,并利用迭代优化的方法来优化求解可分离字典学习联合结构稀疏编码问题,其实现步骤包括如下:
(1)对输入的高光谱原始观测数据y进行离散余弦变换DCT重建,得到初始恢复图像x0;
(2)初始化最大循环次数T=150,设置循环次数:t=1,2,...,T;
(3)将初始恢复得到的图像x0作为观测数据y进行反投影,得到第t次反投影后的图像:xt=xt-1+λ(ΗT(y-Hxt-1)),
其中,H为等效观测变换算子,HT是H的转置,即等效观测反变换算子,λ是迭代步长,λ>0;
(4)对反投影得到的图像xt,生成相似块矩阵索引集合Gi和相似块矩阵权重集合Wi;
其中,表示目标函数取得最小值时x所取的值,||·||2表示2范数,||·||1表示1范数,y为观测得到的图像,H表示等效观测算子,xq=Rqxt,Rq为取块矩阵,为稀疏系数,β是对α的有效估计,即相似块矩阵的稀疏系数,c是一个常数,是α-β的方差,是高斯噪声方差;
(10)根据处理后的稀疏系数得到每一个图像块的稀疏系数 从而得到重建后的每一个光谱域图像块:将光谱域图像块作为空间域稀疏系数,得到重建后的空间域图像块:将所有图像块恢复为b×b×L的三维图像块形式并按索引放回,得到一次重建后的光谱图像 xq=Rqxt,Rq表示取块矩阵,
(11)循环执行T次步骤(3)-(10),得到最终的高光谱图像x。
本发明与现有技术相比具有以下优点:
第一,本发明由于对空间域字典和光谱域字典分别进行学习,降低了学习字典和重建的计算复杂度;
第二,本发明由于在图像重建中,将高光谱图像空间域稀疏系数作为光谱域的图像块样本进行处理,充分利用了高光谱图像的光谱域特征,提高了光谱图像的重建效果。
附图说明
图1为本发明的实现流程图;
图2为本发明仿真实验所用图像imgb5的原始光谱图像;
图3为用现有的Twist方法对图像imgb5在编码率为0.6时的重建结果图;
图4为用现有的LR方法对图像imgb5在编码率为0.6时的重建结果图;
图5为用现有的CSR方法对图像imgb5在编码率为0.6时的重建结果图;
图6为用本发明方法对图像imgb5在编码率为0.6时的重建结果图。
具体实施方式
以下结合附图对本发明的实施例及效果作详细描述:
参照图1,本发明基于结构稀疏的高光谱图像重建方法,其实现步骤如下:
步骤1,根据原始观测数据获得初始恢复图像。
输入原始观测数据y,并对其进行离散余弦变换DCT重建,得到初始恢复图像x0。
(1a)对原始观测数据y进行反变换,得到初始图像f0=HTy,
(1b)初始化最大循环次数E=300,设置循环次数:e=1,2,...,E;
(1c)对初始图像f0进行反投影,得到反投影后的图像:fe=fe-1+λ(ΗT(y-Hfe-1)),
其中,H为等效观测变换算子,HT是H的转置,即等效观测反变换算子,λ是迭代步长,λ>0;
(1d)对反投影得到的图像fe进行离散余弦变换,得到离散余弦变换基D;
步骤2,初始化最大循环次数T=100,设置循环次数:t=1,2,...,T。
步骤3,根据初始恢复图像x0,得到反投影图像。
对初始恢复图像x0进行反投影,得到第一次反投影后的图像:xt=xt-1+λ(HT(y-Hxt -1)),
其中,H为等效观测变换算子,HT是H的转置,即等效观测反变换算子,λ是迭代步长,λ>0;
步骤4,根据反投影得到的图像xt,得到相似块矩阵索引集合Gi和相似块矩阵权重集合Wi。
(4a)将反投影后的图像xt按步长s分成大小为b×b×L的三维图像块D=[x1,x2,...,xp,...,xn],每块在图像xt中的位置索引为I=[1,2,...,p,...,n],其中n是图像块个数;
步骤5,根据反投影图像xt,得到三维图像块样本。
(5a)将反投影得到的图像xt按步长为1分成大小为b×b×L的三维图像块C=[x1,x2,...,xq,...,xr],q=[1,2,...,r],r为三维图像块个数,xi=R xt,R表示取块矩阵;
(5b)初始化类中心:从图像块集合C中随机选取d个图像块作为类中心,初始化最大循环次数K=20,设置循环次数s=1,2,...,K;
(6a)将每一类三维图像块集合表示为大小为b2×Lk的二维矩阵形式,L是光谱图像的谱段数,k是该类图像块的个数;对图像块矩阵进行主成分分析,得到b2个不相关的b2维主成分向量,这组向量即为该类图像块的空间域字典该空间域字典的大小为b2×b2,每一类三维图像块集合在空间域的稀疏表示为:
(6c)将空间域稀疏系数变换为大小为L×b2k的二维矩阵形式,并作为光谱域图像样本进行主成分分析,得到L个不相关的L维主成分向量,这组向量即为该类图像块的光谱域字典该光谱域字典的大小为L×L,每一类三维图像块集合在光谱域的稀疏表示为:
其中,表示目标函数取得最小值时x所取的值,||·||2表示2范数,||·||1表示1范数,y为观测得到的图像,H表示等效观测算子,xq=Rqxt,Rq为取块矩阵,为稀疏系数,β是对α的有效估计,即相似块矩阵的稀疏系数,c是一个常数,是α-β的方差,是高斯噪声方差;
本发明的效果可以通过如下仿真实验具体说明:
1.仿真条件:
1)仿真实验所用的压缩感知编码过程使用现有的已成熟的美国杜克大学的编码孔径快照压缩感知光谱成像技术;
2)仿真实验所用编程平台为MatlabR2013b;
3)仿真实验所用的高光谱图像imgb5来自于CAVE数据库,如图2所示;
4)仿真实验所用的光谱数据,从400nm到700nm每10nm一个谱段,共31个谱段,仿真中取前10个谱段,每张图像分辨率大小为256×256;
5)仿真实验中,采用峰值信噪比PSNR指标来评价压缩感知实验结果,峰值信噪比PSNR定义为:
其中,MAXi和MSEi为重建出来的高分辨率高光谱图像x的每个谱段的最大像素值和均方误差,M为像素个数。
2.仿真内容:
仿真1,采用现有的Twist方法,对高光谱图像imgb5在编码率为0.6时进行重建,其重建结果如图3所示。
仿真2,采用现有的LR方法,对高光谱图像imgb5在编码率为0.6时进行重建,其重建结果如图4所示。
仿真3,采用现有的CSR方法,对高光谱图像imgb5在编码率为0.6时进行重建,其重建结果如图5所示。
仿真4,采用本发明方法,对高光谱图像imgb5在编码率为0.6时进行重建,其重建结果如图6所示。
从图3-图6所示的高光谱图像imgb5的重建结果可以看出,本发明的重建出来的图像比其他方法重建出来的图像更清晰,图像边缘更锐利,视觉效果更好。
将现有的Twist方法、LR方法、CSR方法和本发明方法分别对高光谱图像imgb5进行重建仿真,得到的峰值信噪比PSNR如表1。
表1重建图像的峰值信噪比PSNR值(单位dB)
从表1可以看出,本发明的峰值信噪比PSNR比现有Twist和LR方法在编码率为0.6的时候要平均高出9.7dB和5.6dB,比现有的CSR要高出2.5dB。
Claims (5)
1.基于结构稀疏的高光谱图像重建方法,包括如下步骤:
(1)对输入的高光谱原始观测数据y进行离散余弦变换DCT重建,得到初始恢复图像x0;
(2)初始化最大循环次数T=150,设置循环次数:t=1,2,...,T;
(3)将初始恢复得到的图像x0作为观测数据y进行反投影,得到第t次反投影后的图像:xt=xt-1+λ(ΗT(y-Hxt-1)),
其中,H为等效观测算子,HT是H的转置,即等效观测反变换算子,λ是迭代步长,λ>0;
(4)对反投影得到的图像xt,生成相似块矩阵索引集合Gi和相似块矩阵权重集合Wi;
其中,表示目标函数取得最小值时α所取的值,||·||2表示2范数,||·||1表示1范数,y为观测得到的图像,H表示等效观测算子,xq=Rqxt,Rq为取块矩阵,为稀疏系数,β是对α的有效估计,即相似块矩阵的稀疏系数,c是一个常数,是α-β的方差,是高斯噪声方差;
(10)根据处理后的稀疏系数得到每一个图像块的稀疏系数 从而得到重建后的每一个光谱域图像块:将光谱域图像块作为空间域稀疏系数,得到重建后的空间域图像块:将所有图像块恢复为b×b×L的三维图像块形式并按索引放回,得到一次重建后的光谱图像 xq=Rqxt,Rq表示取块矩阵,
2.根据权利要求1所述的方法,其中步骤(1)中对输入的高光谱原始观测数据y进行离散余弦变换DCT重建,得到初始恢复图像x0,按如下步骤进行:
(1a)对原始观测数据y进行反变换,得到初始图像f0=HTy,
(1b)初始化最大循环次数E=300,设置循环次数:e=1,2,...,E;
(1c)对初始图像f0进行反投影,得到反投影后的图像:fe=fe-1+λ(HT(y-Hfe-1)),
其中,H为等效观测变换算子,HT是H的转置,即等效观测反变换算子,λ是迭代步长,λ>0;
(1d)对反投影得到的图像fe进行离散余弦变换,得到离散余弦变换基D;
3.根据权利要求1所述的方法,其中步骤(4)中对反投影得到的图像xt,生成相似块矩阵索引集合Gi和相似块矩阵权重集合Wi,按如下步骤进行:
(4a)将反投影后的图像xt按步长s分成大小为b×b×L的三维图像块D=[x1,x2,...,xp,...,xn],每块在图像xt中的位置索引为I=[1,2,...,p,...,n],其中n是图像块个数;
4.根据权利要求1所述的方法,其中步骤(5)中对反投影后的图像xt分块利用k-means聚类算法进行聚类,按如下步骤进行:
(5a)将反投影得到的图像xt按步长为1分成大小为b×b×L的三维图像块C=[x1,x2,...,xq,...,xr],q=[1,2,...,r],r为三维图像块个数,xi=R xt,R表示取块矩阵;
(5b)初始化类中心:从图像块集合C中随机选取d个图像块作为类中心,初始化最大循环次数K=20,设置循环次数s=1,2,...,K;
(6a)将每一类三维图像块集合表示为大小为b2×Lk的二维矩阵形式,L是光谱图像的谱段数,k是该类图像块的个数;对图像块矩阵进行主成分分析,得到b2个不相关的b2维主成分向量,这组向量即为该类图像块的空间域字典该空间域字典的大小为b2×b2,每一类三维图像块集合在空间域的稀疏表示为:
(6c)将空间域稀疏系数变换为大小为L×b2k的二维矩阵形式,并作为光谱域图像样本进行主成分分析,得到L个不相关的L维主成分向量,这组向量即为该类图像块的光谱域字典该光谱域字典的大小为L×L,每一类三维图像块集合在光谱域的稀疏表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710177248.9A CN106952317B (zh) | 2017-03-23 | 2017-03-23 | 基于结构稀疏的高光谱图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710177248.9A CN106952317B (zh) | 2017-03-23 | 2017-03-23 | 基于结构稀疏的高光谱图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106952317A CN106952317A (zh) | 2017-07-14 |
CN106952317B true CN106952317B (zh) | 2020-04-07 |
Family
ID=59472452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710177248.9A Active CN106952317B (zh) | 2017-03-23 | 2017-03-23 | 基于结构稀疏的高光谱图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106952317B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680146A (zh) * | 2017-09-13 | 2018-02-09 | 深圳先进技术研究院 | Pet图像的重建方法、装置、设备及存储介质 |
CN107942326B (zh) * | 2017-11-14 | 2021-02-02 | 西南交通大学 | 一种具有高通用性的二维主动毫米波成像方法 |
CN108520495B (zh) * | 2018-03-15 | 2021-09-07 | 西北工业大学 | 基于聚类流形先验的高光谱图像超分辨重建方法 |
CN110717949A (zh) * | 2018-07-11 | 2020-01-21 | 天津工业大学 | 基于tromp的干涉高光谱图像稀疏重建 |
CN109656107B (zh) * | 2019-01-30 | 2020-05-26 | 北京理工大学 | 一种采用变换l1范数约束的光刻光源图形优化方法 |
CN112163615B (zh) * | 2020-09-25 | 2022-04-22 | 电子科技大学 | 一种基于门限优化字典学习的未知目标判别方法 |
CN112927149B (zh) * | 2021-02-18 | 2023-07-04 | 北京印刷学院 | 高光谱图像的空间分辨率增强方法、装置及电子设备 |
CN113324920B (zh) * | 2021-05-27 | 2022-05-17 | 西安电子科技大学 | 基于微纳结构滤光片调制和稀疏矩阵变换的光谱重建方法 |
CN113670440B (zh) * | 2021-07-21 | 2023-11-10 | 杭州电子科技大学 | 一种基于自适应字典的压缩光谱成像方法 |
CN116754497B (zh) * | 2023-08-21 | 2023-11-07 | 北京理工大学 | 基于稀疏统计的高效率光谱感知方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950365A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于ksvd字典学习的多任务超分辨率图像重构方法 |
CN103077511A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于字典学习和结构相似的图像超分辨率重建方法 |
CN103077505A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于字典学习和结构聚类的图像超分辨率重建方法 |
CN103810755A (zh) * | 2014-03-04 | 2014-05-21 | 西安电子科技大学 | 基于结构聚类稀疏表示的压缩感知光谱图像重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9870519B2 (en) * | 2014-07-08 | 2018-01-16 | Nec Corporation | Hierarchical sparse dictionary learning (HiSDL) for heterogeneous high-dimensional time series |
-
2017
- 2017-03-23 CN CN201710177248.9A patent/CN106952317B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950365A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于ksvd字典学习的多任务超分辨率图像重构方法 |
CN103077511A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于字典学习和结构相似的图像超分辨率重建方法 |
CN103077505A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于字典学习和结构聚类的图像超分辨率重建方法 |
CN103810755A (zh) * | 2014-03-04 | 2014-05-21 | 西安电子科技大学 | 基于结构聚类稀疏表示的压缩感知光谱图像重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106952317A (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952317B (zh) | 基于结构稀疏的高光谱图像重建方法 | |
Chen et al. | Denoising hyperspectral image with non-iid noise structure | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN106952228B (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN102722896B (zh) | 基于自适应压缩感知的自然图像非局部重构方法 | |
CN105513026B (zh) | 一种基于图像非局部相似的压缩感知重构方法 | |
CN103077505B (zh) | 基于字典学习和结构聚类的图像超分辨率重建方法 | |
CN111080567A (zh) | 基于多尺度动态卷积神经网络的遥感图像融合方法及系统 | |
CN104008539B (zh) | 基于多尺度几何分析的图像超分辨率重建方法 | |
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 | |
CN108876884B (zh) | 一种基于非局部的张量低秩正则化的高光谱图像重建方法 | |
CN109584319A (zh) | 一种基于非局部低秩和全变分的图像压缩感知重构算法 | |
CN109003265B (zh) | 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法 | |
CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
CN104199627B (zh) | 基于多尺度在线字典学习的可分级视频编码系统 | |
CN102332153A (zh) | 基于核回归的图像压缩感知重构方法 | |
CN108846800A (zh) | 一种图像超分辨率重建的无参考图像质量评价方法 | |
CN104700379A (zh) | 一种基于多尺度形态成分分析的遥感图像融合方法 | |
CN107705342A (zh) | 一种基于自适应广义正交匹配追踪的红外图像重构方法 | |
CN111147863B (zh) | 基于张量的视频快照压缩成像恢复方法 | |
CN103093431A (zh) | 基于pca字典和结构先验信息的压缩感知重构方法 | |
CN109615576A (zh) | 基于级联回归基学习的单帧图像超分辨重建方法 | |
CN111915518A (zh) | 基于三重低秩模型的高光谱图像去噪方法 | |
Wen et al. | The power of complementary regularizers: Image recovery via transform learning and low-rank modeling | |
CN113421198A (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |