CN107341765B - 一种基于卡通纹理分解的图像超分辨率重建方法 - Google Patents

一种基于卡通纹理分解的图像超分辨率重建方法 Download PDF

Info

Publication number
CN107341765B
CN107341765B CN201710314024.8A CN201710314024A CN107341765B CN 107341765 B CN107341765 B CN 107341765B CN 201710314024 A CN201710314024 A CN 201710314024A CN 107341765 B CN107341765 B CN 107341765B
Authority
CN
China
Prior art keywords
image
resolution
texture
cartoon
low
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
CN201710314024.8A
Other languages
English (en)
Other versions
CN107341765A (zh
Inventor
徐健
李萌
范九伦
赵凤
赵小强
常志国
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN201710314024.8A priority Critical patent/CN107341765B/zh
Publication of CN107341765A publication Critical patent/CN107341765A/zh
Application granted granted Critical
Publication of CN107341765B publication Critical patent/CN107341765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种基于卡通纹理分解的图像超分辨率重建方法，包括离线训练过程和在线测试过程，离线训练过程包括高低分辨率纹理字典对的训练和离线纹理锚点映射，在线测试过程，将低分辨率输入图像进行卡通和纹理分解；基于改进的全变分正则化方法重建出低分辨率卡通图像对应的高分辨率卡通图像；通过改进的基于外部训练样本纹理锚点映射矩阵的超分辨率方法重建出低分辨率纹理图像对应的高分辨率纹理图像；将重建出的卡通图像与纹理图像进行相加从而输出想要得到的高分辨率图像；同时具有这两种算法的优点，既具有较好的去噪能力和较强的边缘保持能力，又具有良好的适应性和鲁棒性。

Description

一种基于卡通纹理分解的图像超分辨率重建方法
【技术领域】
本发明属于图像处理领域，具体涉及一种基于卡通纹理分解的图像超分辨率重建方法。
【背景技术】
随着数字图像处理技术的不断深入发展，人们对高分辨率图像与视频的要求与日俱增，为了满足人们的需求，基于单帧图像的超分辨率重建技术就诞生了。图像超分辨率重建是将低分辨率图像恢复成高分辨率图像，这一问题一直以来都是图像领域界研究学者们探究的重要课题。目前，图像超分辨率重建被广泛应用于视频监控、卫星遥感成像、医学图像等各个领域。
已有的单帧图像超分辨技术大致可以分为三类：基于插值的方法，基于重建的方法和基于示例学习的方法。基于插值的方法被看作是超分辨率方法中最为基础的一种方法。尽管理论上讲这些方法是高效的，但是在许多实践过程中重建图像的质量并不理想。基于重建的方法虽然能产生清晰的边缘并且能抑制人工痕迹的产生，但并没有为高分辨率图像的输出提供任何新的有用的细节，尤其是在高放大倍率的情况下。基于示例学习的方法优于基于重建的方法，但在重建过程中会产生模糊效应，使低分辨率图像块不利于与实际图像块进行匹配，从而降低了重建图像的质量。
目前较流行的一种图像超分辨率方法是改进的邻域锚点映射方法，该方法主要分为离线的样本库训练和在线的图像重构两部分。在训练过程中，对收集到的高分辨率图像进行下采样得到低分辨率图像；然后将低分辨率图像经双线性插值算法放大，将得到的双线性插值图像依次实施提取梯度特征、分块、降维操作得到具有低频信息的低分辨率块；而具有高频信息的预测插值图像则通过原始高分辨率图像减去低分辨率图像的双线性插值图像获得，然后将图像做分块处理，得到具有高频信息的高分辨率块。这样，在训练数据库中就存在着低分辨率块和与之对应的高分辨率块的样本对了。训练完样本对后，进行锚点映射操作。在这一训练过程中，首先计算每一个样本与每一个锚点的欧式距离，然后找锚点的最近邻样本完成锚点映射这一训练过程。这样，离线的训练过程也就完成了。
在训练样本对的过程中，该方法只是简单的对高分辨率图像进行处理。这样，在得到低分辨率图像过程中会产生模糊效应，使得所产生的低分辨率块与实际图像不匹配，存在多对一的情况。在锚点映射过程，该方法仅仅通过寻找锚点的最近邻样本来完成锚点映射这一训练过程。这样，所得到的映射矩阵与实际映射矩阵之间会产生较大误差。因此，这种方法往往会使重建出来的图像丢失细节、模糊边缘。
【发明内容】
针对现有技术的不足，发明的目的在于提供一种基于卡通纹理分解的图像超分辨率重建方法，既能有效地避免因噪声产生的纹理，同时又能有效地保持图像内容，使图像的结构更加明显。
为了达到上述目的，本发明采用如下技术方案：
一种基于卡通纹理分解的图像超分辨率重建方法，包括以下步骤：
S1：离线训练过程包括两个训练过程：第一个训练过程通过K-奇异值分解算法训练出高低分辨率纹理字典对；第二个训练过程通过离线纹理锚点映射，找出样本对应的最近锚点，还要找出锚点对应的最近样本，认为每一对字典原子为一个锚点，代表一种纹理类型；
S2：将低分辨率输入图像进行卡通纹理分解；
S3：基于改进的全变分正则化方法重建出低分辨率卡通图像对应的高分辨率卡通图像；
S4：通过改进的基于外部训练样本纹理锚点映射矩阵的超分辨率方法重建出低分辨率纹理图像对应的高分辨率纹理图像；
S5：将重建出的卡通图像与纹理图像进行相加输出要得到的高分辨率图像。
进一步，所述步骤S1具体包括以下步骤：
S11：收集高分辨率训练图像，然后对每一幅高分辨率训练图像进行卡通纹理分解，得到高分辨率训练纹理图像和高分辨率训练卡通图像，通过K-奇异值分解算法训练高低分辨率纹理字典对，并将训练结果存储在参数库中；
S12：对每一幅分解得到的高分辨率训练纹理图像实施如下步骤：
步骤(1)将高分辨率训练纹理图像切割成高和宽分别能被放大倍数整除的图像Y；
步骤(2)对图像Y进行采样得到低分辨率纹理图像Yl；然后通过双立方插值算法，将低分辨率纹理图像Yl进行图像放大，并将放大后的图像表示为Ym；
步骤(3)使用f1＝[-1 0 1]对图像Ym进行卷积，得到图像Ym的一阶垂直梯度图像
Figure BDA0001287933970000031
使用f2＝[-1 0 1]T对图像Ym进行卷积，得到图像Ym的一阶水平梯度图像
Figure BDA0001287933970000032
使用f3＝[-1 0 2 0 -1]对图像Ym进行卷积，得到图像Ym的二阶垂直梯度图像
Figure BDA0001287933970000033
使用f4＝[-1 0 2 0 -1]T对图像Ym进行卷积，得到图像Ym的二阶水平梯度图像
Figure BDA0001287933970000034
将
Figure BDA0001287933970000035
分别分为N个图像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量
Figure BDA0001287933970000041
其中，N表示训练样本的数目；
步骤(4)将高分辨率图像Y与放大后的图像Ym进行减法操作，得到具有高频信息的图像Yh，数学公式如式(1)所示：
Y-Ym＝Yh (1)
然后将图像Yh分为N块，得到图像块集合
Figure BDA0001287933970000042
Pi l和Pi h形成了样本对，N个训练样本对形成样本对集合
Figure BDA0001287933970000043
步骤(5)对每一个训练样本和每一个锚点分别进行标号；
步骤(6)计算每一个样本与第α个锚点的欧式距离，其中，α＝1,2,3···M，M表示锚点的个数，将距离按从小到大的顺序进行排序，然后按此顺序将样本进行排序并记录其标号；将前n个样本号码按顺序分别记为α1,α2···αn，将锚点α对应的与其最近的n个样本号码形成的集合记为Ωα，则得到Ωα＝{αw|w＝1,2,3···n}；
步骤(8)计算每一个锚点与样本αw的欧式距离，将距离按从小到大的顺序进行排序，然后按此顺序将锚点进行排序并记录其标号，将前m个锚点号码形成的集合记为Γ，则得到样本αw对应的与其最近的m个锚点形成的集合即Γ；如果集合Γ中包括α，则将αw记入最终的第α个锚点的匹配样本号码集
Figure BDA0001287933970000044
即
Figure BDA0001287933970000045
重复该步骤直到确定所有Ωα中的样本是否能计入
Figure BDA0001287933970000046
当确定
Figure BDA0001287933970000047
中的所有样本号码之后，将这些号码对应的样本对记为
Figure BDA0001287933970000048
将所有号码在
Figure BDA0001287933970000049
中低分辨率特征样本
Figure BDA00012879339700000410
合并为矩阵，记为
Figure BDA00012879339700000411
合并的方法是将
Figure BDA00012879339700000412
作为
Figure BDA00012879339700000413
的每一列，将所有号码在
Figure BDA00012879339700000414
中高分辨率特征样本
Figure BDA00012879339700000415
合并为矩阵，记为
Figure BDA00012879339700000416
将
Figure BDA00012879339700000417
作为
Figure BDA00012879339700000418
的每一列；重复操作步骤(7)和步骤(8)，直到将M个锚点对应的样本集找完；
步骤(9)根据以上步骤得出
Figure BDA00012879339700000419
Figure BDA00012879339700000420
计算映射矩阵Λα，数学表达式如式(2)所示。
Figure BDA0001287933970000051
其中，
Figure BDA0001287933970000052
表示的是对应低分辨率空间的邻域，
Figure BDA0001287933970000053
表示的是对应高分辨率空间的邻域，Λα表示的是从低分辨率空间到高分辨率空间的映射矩阵，I表示单位矩阵，λ表示的是拉格朗日乘子。最后将训练结果储存到参数库中。
进一步，所述步骤S2具体步骤如下：
步骤(1)输入低分辨率测试图像；
步骤(2)将低分辨率测试图像切割为图像块，记图像块集合为
Figure BDA0001287933970000054
其中，H表示分块数目，并用这H个图像块训练一个低分辨率字典A，其训练过程采用K-奇异值分解方法；
步骤(3)设定一个纹理/卡通原子的阈值E；
步骤(4)将低分辨率字典A的第g个原子排成方阵Ag；
步骤(5)使用g1＝[1 -1]对方阵Ag进行卷积，得到方阵Ag的一阶垂直梯度矩阵
Figure BDA0001287933970000055
使用g2＝[1 -1]T对方阵Ag进行卷积，得到方阵Ag的一阶水平梯度矩阵
Figure BDA0001287933970000056
步骤(6)使用如下公式计算第g个原子对应的参数μg：
Figure BDA0001287933970000057
步骤(7)重复步骤(4)、(5)、(6)直到完成所有原子对应的参数μ的计算；
步骤(8)将所有原子对应的参数μ进行比较，将其中参数值最大的记为
Figure BDA0001287933970000058
步骤(9)使用如下公式计算第g个原子对应的活性Qg；
Figure BDA0001287933970000059
步骤(10)判断第g个原子对应的活性Qg是否满足下列不等式：
Qg≤E (5)
如果满足则将该原子归属于卡通字典原子；如果不满足则将该原子归属于纹理字典原子。
步骤(11)通过以上步骤就将整体字典A分解为卡通字典Ac和纹理字典At；
步骤(12)通过下面的公式分别得到卡通字典Ac和纹理字典At所对应的稀疏表示系数；
Figure BDA0001287933970000061
其中，U表示测试图像，λ表示拉格朗日乘子，Ac表示卡通字典，At表示纹理字典，xc表示卡通部分对应的稀疏表示系数，xt表示纹理部分对应的稀疏表示系数。
步骤(13)通过下面的公式分别得到卡通图像Uc和纹理图像Ut；
Figure BDA0001287933970000062
进一步，所述步骤S3输入低分辨率卡通测试图像Uc，对图像Uc进行η次迭代，得到高分辨率卡通图像，具体迭代步骤如下：
步骤(1)通过双立方插值将低分辨率卡通图像Uc进行放大，并将放大后的图像表示为
Figure BDA0001287933970000063
然后将放大后的图像
Figure BDA0001287933970000064
下采样得到图像
Figure BDA0001287933970000065
并对低分辨率卡通图像Uc和下采样得到图像
Figure BDA0001287933970000066
做减法，得到图像
Figure BDA0001287933970000067
Figure BDA0001287933970000068
步骤(2)将低分辨率卡通图像放大后的图像
Figure BDA0001287933970000069
的第i行第j列的像素值表示为
Figure BDA00012879339700000610
通过模板z1＝[-1 0 1]T对图像
Figure BDA00012879339700000611
进行模板加权运算，得到偏导
Figure BDA00012879339700000612
数学表达式如下式所示：
Figure BDA00012879339700000613
步骤(3)通过模板z2＝[-1 0 1]对图像
Figure BDA0001287933970000071
进行模板加权运算，得到偏导
Figure BDA0001287933970000072
数学表达式如下式所示：
Figure BDA0001287933970000073
步骤(4)通过使用模板z3＝[-1 0 2 0 -1]T对图像
Figure BDA0001287933970000074
进行模板加权运算，得到偏导
Figure BDA0001287933970000075
数学表达式如下式所示：
Figure BDA0001287933970000076
步骤(5)通过模板z4＝[-1 0 2 0 -1]对图像
Figure BDA0001287933970000077
进行模板加权运算，得到偏导
Figure BDA0001287933970000078
数学表达式如下式所示：
Figure BDA0001287933970000079
步骤(6)通过模板z1＝[-1 0 1]T，z2＝[-1 0 1]，z5＝[1 0 -1]T，z6＝[1 0 -1]对图像
Figure BDA00012879339700000710
进行模板加权运算，得到偏导
Figure BDA00012879339700000711
数学表达式如下式所示：
Figure BDA00012879339700000712
步骤(7)当迭代次数小于10次时使用如下公式计算参数φJ：
Figure BDA00012879339700000713
Figure BDA00012879339700000714
当迭代次数大于10次时使用如下公式计算参数φJ：
Figure BDA00012879339700000715
Figure BDA00012879339700000716
步骤(8)将
Figure BDA0001287933970000081
与高斯低通滤波器做卷积运算得到
Figure BDA0001287933970000082
步骤(9)将
Figure BDA0001287933970000083
与高斯低通滤波器做卷积运算得到
Figure BDA0001287933970000084
步骤(10)高分辨率卡通图像的迭代公式为：
Figure BDA0001287933970000085
其中，J表示这次迭代的迭代次数，λ表示的是拉格朗日乘子，γ是一个正参数。
进一步，步骤S4包括以下步骤：
步骤(1)输入低分辨率的纹理测试图像Ut，通过双立方插值进行图像放大，并将放大后的图像表示为
Figure BDA0001287933970000086
步骤(2)使用f1＝[-1 0 1]对图像
Figure BDA0001287933970000087
进行卷积，得到图像
Figure BDA0001287933970000088
的一阶垂直梯度图像
Figure BDA0001287933970000089
使用f2＝[-1 0 1]T对图像
Figure BDA00012879339700000810
进行卷积，得到图像
Figure BDA00012879339700000811
的一阶水平梯度图像
Figure BDA00012879339700000812
使用f3＝[-1 0 2 0 -1]对图像
Figure BDA00012879339700000813
进行卷积，得到图像
Figure BDA00012879339700000814
的二阶垂直梯度图像
Figure BDA00012879339700000815
使用f4＝[-1 02 0 -1]T对图像
Figure BDA00012879339700000816
进行卷积，得到图像
Figure BDA00012879339700000817
的二阶水平梯度图像
Figure BDA00012879339700000818
将
Figure BDA00012879339700000819
分别分为M个图像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量
Figure BDA00012879339700000820
其中，R表示分块的数目；
步骤(3)根据训练好映射矩阵集
Figure BDA00012879339700000821
重建出具有高频分量的高分辨率块Pi h,h，重建公式如下所示：
Pi h,h＝Λα×Pi l,t (19)
步骤(4)将低频分量加到每一个重建的高分辨率块Pi h,h上，得到最终的高分辨率纹理块
Figure BDA00012879339700000822
公式如下所示；
Pi h,h,t＝Pi l,t+Pi h,h (20)
步骤(5)通过将高分辨率纹理块
Figure BDA0001287933970000091
放到合适的位置上并平均重叠区域输出高分辨率纹理图像。
本发明一种基于卡通纹理分解的图像超分辨率重建方法，先将测试图像分解为卡通和纹理两部分，根据这两部分各自的特点分别采用改进的全变分正则化方法和改进的基于外部训练样本纹理锚点映射矩阵的超分辨率方法，这样可以将改进的全变分正则化方法和改进的基于外部训练样本纹理锚点映射矩阵的超分辨率方法有效结合，既具有较好的去噪能力和较强的边缘保持能力，又具有良好的适应性和鲁棒性。
【附图说明】
图1是本发明提出的一种基于卡通纹理分解的图像超分辨率重建方法的总体流程图；
图2测试图像分解为卡通与纹理这一步骤的算法的流程图；
图3训练过程中训练样本对这一过程的流程图；
图4本发明所使用的锚点映射方法的流程图；
图5本发明所使用的改进的全变分正则化方法的流程图；
图6是将测试图像分解为卡通与纹理的实验结果图；
图7是本发明所提方法的实验结果图；
图8是各种算法重建图像的峰值信噪比(PSNR)比较结果图；
【具体实施方式】
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面对本发明作进一步的详细说明。
如图1所示，本发明公开了一种基于卡通纹理分解的图像超分辨率重建方法，具体步骤如下：
S1：离线训练过程包括两个训练过程。第一个训练过程是通过K-奇异值分解算法训练出高低分辨率纹理字典对；第二个训练过程是离线纹理锚点映射，这一过程中的锚点映射方法与传统的锚点映射方法显著不同。本锚点映射方法不仅找样本对应的最近锚点，还要找锚点对应的最近样本，来完成锚点映射这一过程。认为每一对字典原子为一个锚点，代表一种纹理类型。
具体的实施步骤如下：
S11：收集大量的高分辨率训练图像，然后对每一幅高分辨率训练图像进行卡通纹理分解，得到高分辨率训练纹理图像和高分辨率训练卡通图像。本发明中所用的高分辨率训练图像是从网上下载得到的。通过K-奇异值分解算法训练高低分辨率纹理字典对，并将训练结果存储在参数库中。
如图3所示，S12：对每一幅分解得到的高分辨率训练纹理图像实施如下步骤：
步骤(1)将高分辨率训练纹理图像切割成高和宽分别能被放大倍数整除的图像Y。
步骤(2)对图像Y进行下采样操作得到低分辨率纹理图像Yl。然后通过双立方插值算法，将低分辨率纹理图像Yl进行图像放大，并将放大后的图像表示为Ym。
步骤(3)使用f1＝[-1 0 1]对图像Ym进行卷积，得到图像Ym的一阶垂直梯度图像
Figure BDA0001287933970000111
使用f2＝[-1 0 1]T对图像Ym进行卷积，得到图像Ym的一阶水平梯度图像
Figure BDA0001287933970000112
使用f3＝[-1 0 2 0 -1]对图像Ym进行卷积，得到图像Ym的二阶垂直梯度图像
Figure BDA0001287933970000113
使用f4＝[-1 0 2 0 -1]T对图像Ym进行卷积，得到图像Ym的二阶水平梯度图像
Figure BDA0001287933970000114
将
Figure BDA0001287933970000115
分别分为N个图像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量
Figure BDA0001287933970000116
其中，N表示训练样本的数目。
步骤(4)将高分辨率图像Y与放大后的图像Ym进行减法操作，得到具有高频信息的图像Yh。数学公式如下所示。
Y-Ym＝Yh (1)
然后将图像Yh分为N块，得到图像块集合
Figure BDA0001287933970000117
Pi l和Pi h形成了样本对，N个训练样本对形成了样本对集合
Figure BDA0001287933970000118
如图4所示，步骤(5)对每一个训练样本和每一个锚点都分别进行标号。
步骤(6)计算每一个样本与第α个锚点的欧式距离(其中，α＝1,2,3···M，M表示锚点的个数)，将距离按从小到大的顺序进行排序，然后按此顺序将样本进行排序并记录其标号。将前n个样本号码按顺序分别记为α1,α2···αn，将锚点α对应的与其最近的n个样本号码形成的集合记为Ωα。则得到Ωα＝{αw|w＝1,2,3···n}。
步骤(8)计算每一个锚点与样本αw的欧式距离，将距离按从小到大的顺序进行排序，然后按此顺序将锚点进行排序并记录其标号。将前m个锚点号码形成的集合记为Γ，则得到样本αw对应的与其最近的m个锚点形成的集合即Γ。如果集合Γ中包括α，则将αw记入最终的第α个锚点的匹配样本号码集
Figure BDA0001287933970000119
即
Figure BDA00012879339700001110
重复该步骤直到确定所有Ωα中的样本是否能计入
Figure BDA00012879339700001111
当确定
Figure BDA00012879339700001112
中的所有样本号码之后，将这些号码对应的样本对记为
Figure BDA00012879339700001113
将所有号码在
Figure BDA00012879339700001114
中低分辨率特征样本
Figure BDA0001287933970000121
合并为矩阵，记为
Figure BDA0001287933970000122
合并的方法是将
Figure BDA0001287933970000123
作为
Figure BDA0001287933970000124
的每一列。将所有号码在
Figure BDA0001287933970000125
中高分辨率特征样本
Figure BDA0001287933970000126
合并为矩阵，记为
Figure BDA0001287933970000127
合并的方法是将
Figure BDA0001287933970000128
作为
Figure BDA0001287933970000129
的每一列。重复操作步骤(7)和步骤(8)，直到将M个锚点对应的样本集找完。
步骤(9)根据以上步骤得出
Figure BDA00012879339700001210
Figure BDA00012879339700001211
计算映射矩阵Λα。数学表达式如下所示。
Figure BDA00012879339700001212
其中，
Figure BDA00012879339700001213
表示的是对应低分辨率空间的邻域，
Figure BDA00012879339700001214
表示的是对应高分辨率空间的邻域，Λα表示的是从低分辨率空间到高分辨率空间的映射矩阵，I表示单位矩阵，λ表示的是拉格朗日乘子。最后将训练结果储存到参数库中。
S2：将低分辨率输入图像进行卡通纹理分解。
如图2所示，具体的实施步骤如下：
步骤(1)输入低分辨率测试图像。
步骤(2)将低分辨率测试图像切割为图像块，记图像块集合为
Figure BDA00012879339700001215
其中，H表示分块数目。并用这H个图像块训练一个低分辨率字典A，其训练过程采用K-奇异值分解方法。
步骤(3)设定一个纹理/卡通原子的阈值E。
步骤(4)将低分辨率字典A的第g个原子排成方阵Ag。
步骤(5)使用g1＝[1 -1]对方阵Ag进行卷积，得到方阵Ag的一阶垂直梯度矩阵
Figure BDA00012879339700001216
使用g2＝[1 -1]T对方阵Ag进行卷积，得到方阵Ag的一阶水平梯度矩阵
Figure BDA00012879339700001217
步骤(6)使用如下公式计算第g个原子对应的参数μg：
Figure BDA00012879339700001218
步骤(7)重复步骤(4)、(5)、(6)直到完成所有原子对应的参数μ的计算。
步骤(8)将所有原子对应的参数μ进行比较，将其中参数值最大的记为
Figure BDA0001287933970000131
步骤(9)使用如下公式计算第g个原子对应的活性Qg。
Figure BDA0001287933970000132
步骤(10)判断第g个原子对应的活性Qg是否满足下列不等式：
Qg≤E (5)
如果满足则将该原子归属于卡通字典原子；如果不满足则将该原子归属于纹理字典原子。
步骤(11)通过以上步骤就可以将整体字典A分解为卡通字典Ac和纹理字典At。
步骤(12)通过下面的公式分别得到卡通字典Ac和纹理字典At所对应的稀疏表示系数。
Figure BDA0001287933970000133
其中，U表示测试图像，λ表示拉格朗日乘子，Ac表示卡通字典，At表示纹理字典，xc表示卡通部分对应的稀疏表示系数，xt表示纹理部分对应的稀疏表示系数。
步骤(13)通过下面的公式分别得到卡通图像Uc和纹理图像Ut。
Figure BDA0001287933970000134
S3：基于一种改进的全变分正则化方法重建出低分辨率卡通图像对应的高分辨率卡通图像。
对步骤S3进一步详细说明：输入低分辨率卡通测试图像Uc，对图像Uc进行η次迭代，得到高分辨率卡通图像。
如图5所示，第J步具体迭代步骤如下所示。
步骤(1)通过双立方插值将低分辨率卡通图像
Figure BDA0001287933970000141
进行放大，并将放大后的图像表示为
Figure BDA0001287933970000142
然后将放大后的图像
Figure BDA0001287933970000143
下采样得到图像
Figure BDA0001287933970000144
并对低分辨率卡通图像
Figure BDA0001287933970000145
和下采样得到图像
Figure BDA0001287933970000146
做减法，得到图像
Figure BDA0001287933970000147
数学表达式如下式所示。
Figure BDA0001287933970000148
步骤(2)将低分辨率卡通图像放大后的图像
Figure BDA0001287933970000149
的第i行第j列的像素值表示为
Figure BDA00012879339700001410
通过使用模板z1＝[-1 0 1]T对图像
Figure BDA00012879339700001411
进行模板加权运算，得到偏导
Figure BDA00012879339700001412
数学表达式如下式所示。
Figure BDA00012879339700001413
步骤(3)通过使用模板z2＝[-1 0 1]对图像
Figure BDA00012879339700001414
进行模板加权运算，得到偏导
Figure BDA00012879339700001415
数学表达式如下式所示。
Figure BDA00012879339700001416
步骤(4)通过使用模板z3＝[-1 0 2 0 -1]T对图像
Figure BDA00012879339700001417
进行模板加权运算，得到偏导
Figure BDA00012879339700001418
数学表达式如下式所示。
Figure BDA00012879339700001419
步骤(5)通过使用模板z4＝[-1 0 2 0 -1]对图像
Figure BDA00012879339700001420
进行模板加权运算，得到偏导
Figure BDA00012879339700001421
数学表达式如下式所示。
Figure BDA00012879339700001422
步骤(6)通过使用模板z1＝[-1 0 1]T，z2＝[-1 0 1]，z5＝[1 0 -1]T，z6＝[1 0 -1]对图像
Figure BDA00012879339700001423
进行模板加权运算，得到偏导
Figure BDA00012879339700001424
数学表达式如下式所示。
Figure BDA0001287933970000151
步骤(7)当迭代次数小于10次时使用如下公式计算参数φJ：
Figure BDA0001287933970000152
Figure BDA0001287933970000153
当迭代次数大于10次时使用如下公式计算参数φJ：
Figure BDA0001287933970000154
Figure BDA0001287933970000155
步骤(8)将
Figure BDA0001287933970000156
与高斯低通滤波器做卷积运算得到
Figure BDA0001287933970000157
步骤(9)将
Figure BDA0001287933970000158
与高斯低通滤波器做卷积运算得到
Figure BDA0001287933970000159
步骤(10)高分辨率卡通图像的迭代公式为：
Figure BDA00012879339700001510
其中，J表示这次迭代的迭代次数，λ表示的是拉格朗日乘子，γ是一个正参数。
S4：通过一种改进的基于外部训练样本纹理锚点映射矩阵的超分辨率方法重建出低分辨率纹理图像对应的高分辨率纹理图像。对步骤S4实施如下步骤：
步骤(1)输入低分辨率的纹理测试图像Ut，通过双立方插值进行图像放大，并将放大后的图像表示为
Figure BDA00012879339700001511
步骤(2)使用f1＝[-1 0 1]对图像
Figure BDA00012879339700001512
进行卷积，得到图像
Figure BDA00012879339700001513
的一阶垂直梯度图像
Figure BDA00012879339700001514
使用f2＝[-1 0 1]T对图像
Figure BDA00012879339700001515
进行卷积，得到图像
Figure BDA00012879339700001516
的一阶水平梯度图像
Figure BDA0001287933970000161
使用f3＝[-1 0 2 0 -1]对图像
Figure BDA0001287933970000162
进行卷积，得到图像
Figure BDA0001287933970000163
的二阶垂直梯度图像
Figure BDA0001287933970000164
使用f4＝[-1 02 0 -1]T对图像
Figure BDA0001287933970000165
进行卷积，得到图像
Figure BDA0001287933970000166
的二阶水平梯度图像
Figure BDA0001287933970000167
将
Figure BDA0001287933970000168
分别分为M个图像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量
Figure BDA0001287933970000169
其中，R表示分块的数目。
步骤(3)根据训练好映射矩阵集
Figure BDA00012879339700001610
重建出具有高频分量的高分辨率块Pi h,h。重建公式如下所示。
Pi h,h＝Λα×Pi l,t (19)
步骤(4)将低频分量加到每一个重建的高分辨率块Pi h,h上，得到最终的高分辨率纹理块
Figure BDA00012879339700001612
公式如下所示。
Pi h,h,t＝Pi l,t+Pi h,h (20)
步骤(5)通过将高分辨率纹理块
Figure BDA00012879339700001613
放到合适的位置上并平均重叠区域输出高分辨率纹理图像。
S5：将重建出的卡通图像与纹理图像进行相加从而输出想要得到的高分辨率图像。
如图6-8所示，本发明通过计算峰值信噪比(PSNR)来衡量超分辨率图像重建的结果。
均方误差(MSE)反映了原始图像与待评价图像之间的差异性，其计算公式如下式所示。
Figure BDA00012879339700001611
其中，
Figure BDA00012879339700001614
ξ为图像数据的行、列数，Xi，j为原始图像第i行第j列的像素值，Yi,j为待评价图像第i行第j列的像素值。
峰值信噪比(PSNR)反映了待评价图像的逼真度，其计算公式如下式所示。
Figure BDA0001287933970000171
其中，L表示像素点的动态变化范围。
以上所述是本发明的优选实施方式，通过上述说明内容，本技术领域的相关工作人员可以在不偏离本发明技术原理的前提下，进行多样的改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (3)

1.一种基于卡通纹理分解的图像超分辨率重建方法，其特征在于包括以下步骤：
S1：离线训练过程包括两个训练过程：第一个训练过程通过K-奇异值分解算法训练出高低分辨率纹理字典对；第二个训练过程通过离线纹理锚点映射，找出样本对应的最近锚点，还要找出锚点对应的最近样本，认为每一对字典原子为一个锚点，代表一种纹理类型；
S2：将低分辨率输入图像进行卡通纹理分解；
S3：基于改进的全变分正则化方法重建出低分辨率卡通图像对应的高分辨率卡通图像；
S4：通过改进的基于外部训练样本纹理锚点映射矩阵的超分辨率方法重建出低分辨率纹理图像对应的高分辨率纹理图像；
S5：将重建出的卡通图像与纹理图像进行相加输出要得到的高分辨率图像；
其中，所述步骤S3输入低分辨率卡通测试图像Uc，对图像Uc进行η次迭代，得到高分辨率卡通图像，具体迭代步骤如下：
步骤(1)通过双立方插值将低分辨率卡通图像Uc进行放大，并将放大后的图像表示为
Figure FDA0002398986010000011
然后将放大后的图像
Figure FDA0002398986010000012
下采样得到图像
Figure FDA0002398986010000013
并对低分辨率卡通图像Uc和下采样得到图像
Figure FDA0002398986010000014
做减法，得到图像
Figure FDA0002398986010000015
Figure FDA0002398986010000016
步骤(2)将低分辨率卡通图像放大后的图像
Figure FDA0002398986010000017
的第i行第j列的像素值表示为
Figure FDA0002398986010000018
通过模板z1＝[-1 0 1]T对图像
Figure FDA00023989860100000111
进行模板加权运算，得到偏导
Figure FDA0002398986010000019
数学表达式如下式所示：
Figure FDA00023989860100000110
其中，x为图像的水平方向，y为图像的垂直方向；
步骤(3)通过模板z2＝[-1 0 1]对图像
Figure FDA0002398986010000021
进行模板加权运算，得到偏导
Figure FDA0002398986010000022
数学表达式如下式所示：
Figure FDA0002398986010000023
步骤(4)通过使用模板z3＝[-1 0 2 0 -1]T对图像
Figure FDA0002398986010000024
进行模板加权运算，得到偏导
Figure FDA0002398986010000025
数学表达式如下式所示：
Figure FDA0002398986010000026
步骤(5)通过模板z4＝[-1 0 2 0 -1]对图像
Figure FDA0002398986010000027
进行模板加权运算，得到偏导
Figure FDA0002398986010000028
数学表达式如下式所示：
Figure FDA0002398986010000029
步骤(6)通过模板z1＝[-1 0 1]T，z2＝[-1 0 1]，z5＝[1 0 -1]T，z6＝[1 0 -1]对图像
Figure FDA00023989860100000210
进行模板加权运算，得到偏导
Figure FDA00023989860100000211
数学表达式如下式所示：
Figure FDA00023989860100000212
步骤(7)当迭代次数小于10次时使用如下公式计算参数φJ：
Figure FDA00023989860100000213
Figure FDA00023989860100000214
当迭代次数大于10次时使用如下公式计算参数φJ：
Figure FDA00023989860100000215
Figure FDA0002398986010000031
步骤(8)将
Figure FDA0002398986010000032
与高斯低通滤波器做卷积运算得到
Figure FDA0002398986010000033
步骤(9)将
Figure FDA0002398986010000034
与高斯低通滤波器做卷积运算得到
Figure FDA0002398986010000035
步骤(10)高分辨率卡通图像的迭代公式为：
Figure FDA0002398986010000036
其中，J表示这次迭代的迭代次数，λ表示的是拉格朗日乘子，γ是一个正参数；
步骤S4包括以下步骤：
步骤(4.1)输入低分辨率的纹理测试图像Ut，通过双立方插值进行图像放大，并将放大后的图像表示为
Figure FDA0002398986010000037
步骤(4.2)使用f1＝[-1 0 1]对图像
Figure FDA0002398986010000038
进行卷积，得到图像
Figure FDA0002398986010000039
的一阶垂直梯度图像
Figure FDA00023989860100000310
使用f2＝[-1 0 1]T对图像
Figure FDA00023989860100000311
进行卷积，得到图像
Figure FDA00023989860100000312
的一阶水平梯度图像
Figure FDA00023989860100000313
使用f3＝[-10 2 0 -1]对图像
Figure FDA00023989860100000314
进行卷积，得到图像
Figure FDA00023989860100000315
的二阶垂直梯度图像
Figure FDA00023989860100000316
使用f4＝[-1 0 2 0 -1]T对图像
Figure FDA00023989860100000317
进行卷积，得到图像
Figure FDA00023989860100000318
的二阶水平梯度图像
Figure FDA00023989860100000319
将
Figure FDA00023989860100000320
分别分为M个图像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量
Figure FDA00023989860100000321
其中，R表示分块的数目；
步骤(4.3)根据训练好映射矩阵集
Figure FDA00023989860100000322
重建出具有高频分量的高分辨率块
Figure FDA00023989860100000323
重建公式如下所示：
Figure FDA00023989860100000324
步骤(4.4)将低频分量加到每一个重建的高分辨率块
Figure FDA0002398986010000041
上，得到最终的高分辨率纹理块
Figure FDA0002398986010000042
公式如下所示；
Figure FDA0002398986010000043
步骤(4.5)通过将高分辨率纹理块
Figure FDA0002398986010000044
放到合适的位置上并平均重叠区域输出高分辨率纹理图像。
2.如权利要求1所述的一种基于卡通纹理分解的图像超分辨率重建方法，其特征在于：所述步骤S1具体包括以下步骤：
S11：收集高分辨率训练图像，然后对每一幅高分辨率训练图像进行卡通纹理分解，得到高分辨率训练纹理图像和高分辨率训练卡通图像，通过K-奇异值分解算法训练高低分辨率纹理字典对，并将训练结果存储在参数库中；
S12：对每一幅分解得到的高分辨率训练纹理图像实施如下步骤：
步骤(1)将高分辨率训练纹理图像切割成高和宽分别能被放大倍数整除的图像Y；
步骤(2)对图像Y进行采样得到低分辨率纹理图像Yl；然后通过双立方插值算法，将低分辨率纹理图像Yl进行图像放大，并将放大后的图像表示为Ym；
步骤(3)使用f1＝[-1 0 1]对图像Ym进行卷积，得到图像Ym的一阶垂直梯度图像
Figure FDA0002398986010000045
使用f2＝[-1 0 1]T对图像Ym进行卷积，得到图像Ym的一阶水平梯度图像
Figure FDA0002398986010000046
使用f3＝[-1 0 20 -1]对图像Ym进行卷积，得到图像Ym的二阶垂直梯度图像
Figure FDA0002398986010000047
使用f4＝[-1 0 2 0 -1]T对图像Ym进行卷积，得到图像Ym的二阶水平梯度图像
Figure FDA0002398986010000048
将
Figure FDA0002398986010000049
分别分为N个图像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量
Figure FDA00023989860100000410
其中，N表示训练样本的数目；
步骤(4)将高分辨率图像Y与放大后的图像Ym进行减法操作，得到具有高频信息的图像Yh，数学公式如式(1)所示：
Y-Ym＝Yh (1)
然后将图像Yh分为N块，得到图像块集合
Figure FDA0002398986010000051
Figure FDA0002398986010000052
和
Figure FDA0002398986010000053
形成了样本对，N个训练样本对形成样本对集合
Figure FDA0002398986010000054
步骤(5)对每一个训练样本和每一个锚点分别进行标号；
步骤(6)计算每一个样本与第α个锚点的欧式距离，其中，α＝1,2,3…M，M表示锚点的个数，将距离按从小到大的顺序进行排序，然后按此顺序将样本进行排序并记录其标号；将前n个样本号码按顺序分别记为α1,α2…αn，将锚点α对应的与其最近的n个样本号码形成的集合记为Ωα，则得到Ωα＝{αw|w＝1,2,3…n}；
步骤(7)计算每一个锚点与样本αw的欧式距离，将距离按从小到大的顺序进行排序，然后按此顺序将锚点进行排序并记录其标号，将前m个锚点号码形成的集合记为Γ，则得到样本αw对应的与其最近的m个锚点形成的集合即Γ；如果集合Γ中包括α，则将αw记入最终的第α个锚点的匹配样本号码集
Figure FDA0002398986010000055
即
Figure FDA0002398986010000056
重复该步骤直到确定所有Ωα中的样本是否能计入
Figure FDA0002398986010000057
当确定
Figure FDA0002398986010000058
中的所有样本号码之后，将这些号码对应的样本对记为
Figure FDA0002398986010000059
将所有号码在
Figure FDA00023989860100000510
中低分辨率特征样本
Figure FDA00023989860100000511
合并为矩阵，记为
Figure FDA00023989860100000512
合并的方法是将
Figure FDA00023989860100000513
作为
Figure FDA00023989860100000514
的每一列，将所有号码在
Figure FDA00023989860100000515
中高分辨率特征样本
Figure FDA00023989860100000516
合并为矩阵，记为
Figure FDA00023989860100000517
将
Figure FDA00023989860100000518
作为
Figure FDA00023989860100000519
的每一列；重复操作步骤(6)和步骤(7)，直到将M个锚点对应的样本集找完；
步骤(8)根据以上步骤得出
Figure FDA00023989860100000520
计算映射矩阵Λα，数学表达式如式(2)
Figure FDA00023989860100000521
其中，
Figure FDA0002398986010000061
表示的是对应低分辨率空间的邻域，
Figure FDA0002398986010000062
表示的是对应高分辨率空间的邻域，Λα表示的是从低分辨率空间到高分辨率空间的映射矩阵，I表示单位矩阵，λ表示的是拉格朗日乘子；最后将训练结果储存到参数库中。
3.如权利要求1所述的一种基于卡通纹理分解的图像超分辨率重建方法，其特征在于：所述步骤S2具体步骤如下：
步骤(1)输入低分辨率测试图像；
步骤(2)将低分辨率测试图像切割为图像块，记图像块集合为
Figure FDA0002398986010000063
其中，H表示分块数目，并用这H个图像块训练一个低分辨率字典A，其训练过程采用K-奇异值分解方法；
步骤(3)设定一个纹理/卡通原子的阈值E；
步骤(4)将低分辨率字典A的第g个原子排成方阵Ag；
步骤(5)使用g1＝[1 -1]对方阵Ag进行卷积，得到方阵Ag的一阶垂直梯度矩阵
Figure FDA0002398986010000064
使用g2＝[1 -1]T对方阵Ag进行卷积，得到方阵Ag的一阶水平梯度矩阵
Figure FDA0002398986010000065
步骤(6)使用如下公式计算第g个原子对应的参数μg：
Figure FDA0002398986010000066
步骤(7)重复步骤(4)、(5)、(6)直到完成所有原子对应的参数μ的计算；
步骤(8)将所有原子对应的参数μ进行比较，将其中参数值最大的记为
Figure FDA0002398986010000067
步骤(9)使用如下公式计算第g个原子对应的活性Qg；
Figure FDA0002398986010000068
步骤(10)判断第g个原子对应的活性Qg是否满足下列不等式：
Qg≤E (5)
如果满足则将该原子归属于卡通字典原子；如果不满足则将该原子归属于纹理字典原子；
步骤(11)通过以上步骤就将整体字典A分解为卡通字典Ac和纹理字典At；
步骤(12)通过下面的公式分别得到卡通字典Ac和纹理字典At所对应的稀疏表示系数；
Figure FDA0002398986010000071
其中，U表示测试图像，λ表示拉格朗日乘子，Ac表示卡通字典，At表示纹理字典，xc表示卡通部分对应的稀疏表示系数，xt表示纹理部分对应的稀疏表示系数；
步骤(13)通过下面的公式分别得到卡通图像Uc和纹理图像Ut；
Figure FDA0002398986010000072
CN201710314024.8A 2017-05-05 2017-05-05 一种基于卡通纹理分解的图像超分辨率重建方法 Active CN107341765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710314024.8A CN107341765B (zh) 2017-05-05 2017-05-05 一种基于卡通纹理分解的图像超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710314024.8A CN107341765B (zh) 2017-05-05 2017-05-05 一种基于卡通纹理分解的图像超分辨率重建方法

Publications (2)

Publication Number Publication Date
CN107341765A CN107341765A (zh) 2017-11-10
CN107341765B true CN107341765B (zh) 2020-04-28

Family

ID=60220172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710314024.8A Active CN107341765B (zh) 2017-05-05 2017-05-05 一种基于卡通纹理分解的图像超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN107341765B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198147B (zh) * 2018-01-02 2021-09-14 昆明理工大学 一种基于判别字典学习的多源图像融合去噪的方法
CN108364258B (zh) * 2018-02-07 2022-09-27 浙江师范大学 一种提高图像分辨率的方法及系统
CN108846797B (zh) * 2018-05-09 2022-03-11 浙江师范大学 基于两种训练集合的图像超分辨率方法
CN108985320B (zh) * 2018-05-31 2021-11-23 昆明理工大学 基于判别字典学习和形态成分分解的多源图像融合方法
CN108764368B (zh) * 2018-06-07 2021-11-30 西安邮电大学 一种基于矩阵映射的图像超分辨率重建方法
CN109741254B (zh) * 2018-12-12 2022-09-27 深圳先进技术研究院 字典训练及图像超分辨重建方法、系统、设备及存储介质
CN109949202B (zh) * 2019-02-02 2022-11-11 西安邮电大学 一种并行的图计算加速器结构
CN110310227B (zh) * 2019-06-27 2020-09-08 电子科技大学 一种基于高低频信息分解的图像超分辨率重建方法
CN112215761A (zh) * 2019-07-12 2021-01-12 华为技术有限公司 图像处理方法、装置及设备
CN113344779B (zh) * 2021-05-10 2023-08-18 山东师范大学 基于卡通纹理分解和深度学习的sar图像超分辨方法及系统
CN114677305A (zh) * 2022-03-29 2022-06-28 燕山大学 一种磁共振成像的重构方法、装置、电子设备及存储介质
CN116091322B (zh) * 2023-04-12 2023-06-16 山东科技大学 超分辨率图像重建方法和计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800076A (zh) * 2012-07-16 2012-11-28 西安电子科技大学 基于双字典学习的图像超分辨重建方法
CN104881842A (zh) * 2015-05-18 2015-09-02 浙江师范大学 一种基于图像分解的图像超分辨率方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800076A (zh) * 2012-07-16 2012-11-28 西安电子科技大学 基于双字典学习的图像超分辨重建方法
CN104881842A (zh) * 2015-05-18 2015-09-02 浙江师范大学 一种基于图像分解的图像超分辨率方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Fast single image super resolution reconstruction via image separation;Zhou Y, Tang Z, Hu X;《Journal of Networks》;20140731;1811-1818 *
Noisy image magnification with total variation regularization and order-changed dictionary learning;Jian Xu et al.;《EURASIP Journal on Advances in Signal Processing》;20151231;正文全文 *
基于卡通纹理分解和稀疏表示的图像超分辨率重建;徐川, 端木春江;《软件工程》;20160531;15-17 *

Also Published As

Publication number Publication date
CN107341765A (zh) 2017-11-10

Similar Documents

Publication Publication Date Title
CN107341765B (zh) 一种基于卡通纹理分解的图像超分辨率重建方法
CN110211045B (zh) 基于srgan网络的超分辨率人脸图像重建方法
CN106204447A (zh) 基于总变差分和卷积神经网络的超分辨率重建方法
Zhang et al. CCR: Clustering and collaborative representation for fast single image super-resolution
CN103871041B (zh) 基于认知正则化参数构建的图像超分辨率重构方法
Ren et al. Single image super-resolution using local geometric duality and non-local similarity
CN106127688B (zh) 一种超分辨率图像重建方法及其系统
CN103279933B (zh) 一种基于双层模型的单幅图像超分辨率重建方法
Tang et al. Deep inception-residual Laplacian pyramid networks for accurate single-image super-resolution
CN102231204A (zh) 一种序列图像自适应正则超分辨率重建方法
CN101719270A (zh) 一种基于非负矩阵分解的人脸超分辨率处理方法
CN105631807A (zh) 基于稀疏域选取的单帧图像超分辨重建方法
CN109544478B (zh) 一种基于奇异值分解的非局部均值ct图像降噪方法
CN108830791B (zh) 基于自身样例和稀疏表示的图像超分辨率方法
CN106169174B (zh) 一种图像放大方法
CN114581330A (zh) 一种基于多尺度混合注意力的太赫兹图像去噪方法
CN108830792B (zh) 一种利用多类字典的图像超分辨率方法
López-Rubio Superresolution from a single noisy image by the median filter transform
CN108764368A (zh) 一种基于矩阵映射的图像超分辨率重建方法
Xiong et al. Gradient boosting for single image super-resolution
CN110675318A (zh) 一种基于主结构分离的稀疏表示图像超分辨率重建方法
CN105590296A (zh) 一种基于双字典学习的单帧图像超分辨率复原方法
Liu et al. Image super-resolution via hierarchical and collaborative sparse representation
CN103903239B (zh) 一种视频超分辨率重建方法及其系统
Huo et al. Two-stage image denoising algorithm based on noise localization

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