CN107481189B - 一种基于学习的稀疏表示的超分辨率图像重建方法 - Google Patents
一种基于学习的稀疏表示的超分辨率图像重建方法 Download PDFInfo
- Publication number
- CN107481189B CN107481189B CN201710509592.3A CN201710509592A CN107481189B CN 107481189 B CN107481189 B CN 107481189B CN 201710509592 A CN201710509592 A CN 201710509592A CN 107481189 B CN107481189 B CN 107481189B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- dictionary
- block
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 36
- 238000012805 post-processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 101150055297 SET1 gene Proteins 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 description 14
- 241001504519 Papio ursinus Species 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001010 compromised effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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 using two or more images, e.g. averaging or 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
【技术领域】
本发明涉及图像处理技术领域,特别是涉及一种基于学习的稀疏表示的超分辨率图像重建方法。
【背景技术】
图像超分辨率是由一个或多个低分辨率图像重建出高分辨率图像。图像超分辨率算法主要包括基于插值、基于重建和基于学习的方法。
基于插值的方法是利用未知像素点与邻域内已知像素点之间的关系,重建高分辨率图像。根据关系的不同产生了双线性和双三次等常用的插值算法。基于插值的算法虽然可以高效简单的重建高分辨率图像,但是重建出的高分辨率图像非常模糊、平滑而且图像边缘处存在振铃和锯齿的人工痕迹。
基于重建的方法的核心思想是建立观察图像的降质模型,通过正则项约束,迭代求解出高分辨率图像。该方法的优点是可以根据正则项约束求解出唯一的高分辨率图像。但是,这个方法的计算量非常大,而且若选择不佳的降质模型,重建出的高分辨率图像会受损。
基于学习的方法,首先,学习训练库中高分辨率图像样本和其对应的低分辨率图像之间的关系。然后,利用学习到的这个关系作为先验信息,重建测试低分辨率图像对应的高分辨率图像。目前比较经典的基于学习的算法是Yang的方法和Zeyde的方法。Yang的方法是根据高低分辨率图像块稀疏表示系数相同的假设,利用高分辨率图像训练库和其得到的低分辨率图像库,训练高/低分辨率字典。对于输入的低分辨率图像,利用低分辨率字典,得到低分辨率空间的稀疏表示系数,然后将稀疏表示系数复用到高分辨率空间,从而超分出高分辨率图像。虽然Yang的算法在一定程度上改善了超分出的高分辨率图像的效果,但是高低分辨率图像块稀疏表示系数相同是一种很强的约束。Zeyde在Yang的基础上利用低分辨率图像块与高分辨率图像块的差值和低分辨率图像块稀疏表示系数相同的假设,降低低分辨率图像块维数训练高低分辨率字典。在重建输入低分辨率图像的高分辨率图像过程中,运用与训练阶段相同的映射关系,重建高分辨率图像。Zeyde的算法不仅比Yang的算法效果好,而且运行时间也相应减少了。
但是,Zeyde算法和Yang的算法对不同的放大倍数需训练对应其放大倍数的字典对。也就是一对字典不能适应不同放大倍数。已有的算法(如Yang和Zeyde的算法)需要训练多对字典来对应不同的放大倍数,当需要将一幅图像放大不同倍数时,目前已有算法在超分图像的过程中,需预先存储对应不同倍数的字典。这样不仅会浪费很长时间去训练对应不同放大倍数的字典对,而且还会使字典占用的存储空间过大。
【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学习的稀疏表示的超分辨率图像重建方法,在训练过程中存储适应不同放大倍数的高分辨率字典,在测试过程中自适应产生低分辨率字典,大大减少了字典占用的存储空间以及训练字典的时间。
为了达到上述目的,本发明采用如下技术方案:
一种基于学习的稀疏表示的超分辨率图像重建方法,包括训练阶段、测试阶段和图像后处理阶段;
训练阶段:
(1.1),将β,β=4个高通滤波器,即f1=[1,-1],f2=f1 T,f3=[1,-2,1]和跟高分辨率训练图像集中第i幅高分辨率图像卷积,得到梯度图集用矩阵Rm将梯度图集中的每一幅图像裁剪成的块,其中Rm为块提取操作,m为块中心,将梯度图集中相同块中心m的块拉伸成列向量不同块中心的块组成矩阵
测试阶段:
(2.3),将高频图像用矩阵裁剪成块,将每个块拉成列向量所有块向量组成矩阵其中为块中心,并用与训练阶段相同的四个高通滤波器f1=[1,-1],f2=f1 T,f3=[1,-2,1]和分别与高频图像卷积得到的梯度图像集用矩阵将梯度图像集中的每一幅图像裁剪成块,将不同梯度图像相同块中心的块拉成列向量所有不同块中的块向量组成特征矩阵
权系数和加权求和的公式如下:
Wj=exp(-Cj*Cj)
测试图像Lt超分辨率:
具体过程如下:
求解公式如下:
图像后处理阶段:
图像后处理阶段是利用迭代反投影的方法,将重建出的高分辨率图像Y投影到低分辨率空间,得到与低分辨率图像Lt统一的高分辨率图像Y*;
求解模型如下:
其可通过以下公式进行优化:
YJ+1=YJ+[(Lt-(YJ↓Z))↑Z]*b
其中J为第J次迭代,b为反投影滤波器。
进一步,图像后处理阶段,优化过程中,迭代次数J为20,反投影滤波器b是标准差为1,大小为5×5的高斯低通滤波器。
本发明基于学习的稀疏表示的超分辨率图像重建方法,在训练过程中存储了可以适应不同放大倍数的高分辨率字典,在测试过程中自适应产生低分辨率字典,本发明的算法不仅能够重建出效果好、细节丰富以及纹理清晰的图像,而且能够大大减少字典占用空间和字典训练时间。
【附图说明】
图1为本发明的流程图;
图2为本发明训练阶段的流程图;
图3为本发明测试阶段的流程图;
(a)为原始高分辨率图像、(b)为插值放大2倍的高分辨率图像、(c)为Zeyde算法放大2倍的高分辨率图像、(d)为Yang算法放大2倍的高分辨率图像、(e)为本发明算法放大2倍的高分辨率图像;
(a)为原始高分辨率图像、(b)为插值放大3倍的高分辨率图像、(c)为Zeyde算法放大3倍的高分辨率图像、(d)为Yang算法放大3倍的高分辨率图像、(e)为本发明算法放大3倍的高分辨率图像;
(a)为原始高分辨率图像、(b)为插值放大4倍的高分辨率图像、(c)为Zeyde算法放大4倍的高分辨率图像、(d)为Yang算法放大4倍的高分辨率图像、(e)为本发明算法放大4倍的高分辨率图像。
(a)为原始高分辨率图像、(b)为插值放大2倍的高分辨率图像、(c)为Zeyde算法放大2倍的高分辨率图像、(d)为Yang算法放大2倍的高分辨率图像、(e)为本发明算法放大2倍的高分辨率图像;
(a)为原始高分辨率图像、(b)为插值放大3倍的高分辨率图像、(c)为Zeyde算法放大3倍的高分辨率图像、(d)为Yang算法放大3倍的高分辨率图像、(e)为本发明算法放大3倍的高分辨率图像;
(a)为原始高分辨率图像、(b)为插值放大4倍的高分辨率图像、(c)为Zeyde算法放大4倍的高分辨率图像、(d)为Yang算法放大4倍的高分辨率图像、(e)为本发明算法放大4倍的高分辨率图像。
(a)为原始高分辨率图像、(b)为插值放大2倍的高分辨率图像、(c)为Zeyde算法放大2倍的高分辨率图像、(d)为Yang算法放大2倍的高分辨率图像、(e)为本发明算法放大2倍的高分辨率图像;
(a)为原始高分辨率图像、(b)为插值放大3倍的高分辨率图像、(c)为Zeyde算法放大3倍的高分辨率图像、(d)为Yang算法放大3倍的高分辨率图像、(e)为本发明算法放大3倍的高分辨率图像;
(a)为原始高分辨率图像、(b)为插值放大4倍的高分辨率图像、(c)为Zeyde算法放大4倍的高分辨率图像、(d)为Yang算法放大4倍的高分辨率图像、(e)为本发明算法放大4倍的高分辨率图像。
(a)为原始高分辨率图像、(b)为插值放大2倍的高分辨率图像、(c)为Zeyde算法放大2倍的高分辨率图像、(d)为Yang算法放大2倍的高分辨率图像、(e)为本发明算法放大2倍的高分辨率图像;
(a)为原始高分辨率图像、(b)为插值放大3倍的高分辨率图像、(c)为Zeyde算法放大3倍的高分辨率图像、(d)为Yang算法放大3倍的高分辨率图像、(e)为本发明算法放大3倍的高分辨率图像;
(a)为原始高分辨率图像、(b)为插值放大4倍的高分辨率图像、(c)为Zeyde算法放大4倍的高分辨率图像、(d)为Yang算法放大4倍的高分辨率图像、(e)为本发明算法放大4倍的高分辨率图像。
【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。
请参阅图1,本发明实施例的一种基于学习的稀疏表示的超分辨率图像重建方法,包括三个阶段,训练阶段、测试阶段和图像后处理阶段:
训练阶段:
首先,利用网上搜集到的N(N=91)幅标准高分辨率图像组成训练图像集然后,利用K奇异值分解方法对训练集中的图像进行训练,得到存储于字典存储空间中,用于超分不同图像放大倍数的字典Ds,其主要流程如图2所示。具体步骤如下:
首先,将β(β=4)个高通滤波器,即f1=[1,-1],f2=f1 T,f3=[1,-2,1]和跟高分辨率训练图像集中第i幅高分辨率图像卷积,得到梯度图集用矩阵Rm将梯度图集中的每一幅图像裁剪成的块,其中Rm为块提取操作,m为块中心。将梯度图集中相同块中心m的块拉伸成列向量不同块中心的块组成矩阵
测试阶段:
然后,将高频图像用矩阵裁剪成块,将每个块拉成列向量所有块向量组成矩阵其中为块中心,并用与训练阶段相同的四个高通滤波器分别与高频图像卷积得到的梯度图像集用矩阵将梯度图像集中的每一幅图像裁剪成块,将不同梯度图像相同块中心的块拉成列向量所有不同块中的块向量组成特征矩阵
求出每个原子对于特征矩阵中个列向量的距离Cj。找出距离最近的K个列向量以及其位置γ。最后,利用每个原子的近邻位置γ信息寻找矩阵中对应的K个原子分别对矩阵和特征矩阵中寻找到的K个原子加权并求和。权系数和加权求和的公式如下:
Wj=exp(-Cj*Cj)
测试图像Lt超分辨率:
解公式如下:
图像后处理阶段:
图像后处理阶段是利用迭代反投影的方法,将重建出的高分辨率图像Y投影到低分辨率空间,得到与低分辨率图像Lt统一的高分辨率图像Y*。
求解模型如下:
其可通过以下公式进行优化:
YJ+1=YJ+[(Lt-(YJ↓Z))↑Z]*b
其中J为第J次迭代,b为反投影滤波器。
在本发明中,迭代次数为20,反投影滤波器b是标准差为1,大小为5×5的高斯低通滤波器。
表3为本发明方法、Zeyde算法和Yang算法字典训练时间对比。
表4为本发明方法、Zeyde算法和Yang算法字典占用空间对比。
由于人类视觉系统对亮度的变化更敏感,所以只对亮度成分使用本发明算法。本发明中的实验均在运行内存2GB,频率2.3GHz,装有64位Matlab软件的i5电脑上运行。本发明选择了Baboon和Barbara两幅图作为实验结果对比。
本发明中主要和双三次(bicubic)插值、Zeyde算法以及Yang算法进行比较。其中,分别对放大倍数Z=2、Z=3和Z=4的实验结果进行了对比。由于是否对特征矩阵进行归一化会影响实验的效果,本发明分别展示了未归一化时和归一化时,在放大倍数Z=2、Z=3和Z=4的实验结果。同时K最近邻中不同K值也会影响本发明算法的实验结果。因此,本发明在对比了不同K值在特征矩阵未归一化和归一化时的峰值信噪比,将K值设为9。图4至6分别展示了未归一化时,Baboon图像在放大倍数分别为Z=2、Z=3和Z=4的视觉效果对比。图7至9分别展示了未归一化时,Barbara图像在放大倍数分别为Z=2、Z=3和Z=4的视觉效果对比。图10至12分别展示了归一化时,Baboon图像在放大倍数分别为Z=2、Z=3和Z=4的视觉效果对比。图13至15分别展示了归一化时,Barbara图像在放大倍数分别为Z=2、Z=3和Z=4的视觉效果对比。表1和表2分别展示了Zeyde算法、Yang算法和本发明算法的在未归一化和归一化时的峰值信噪比对比。表3和表4展示了Zeyde算法、Yang算法和本发明算法的字典训练时间和字典占用空间对比。从图4至15的视觉效果图中可知,本发明的算法能够重建出细节更丰富、纹理更清晰的图像。表1和表2从客观方面进一步证明了本发明的算法确实优于Zeyde算法和Yang算法。从表3和表4可知本发明算法可以利用更短的时间训练出占用内存更少的字典。总的来说,本发明的算法不仅能够重建出效果好、质量佳的图像,而且能够大大减少字典占用空间和字典训练时间。
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)
1.一种基于学习的稀疏表示的超分辨率图像重建方法,其特征在于:包括训练阶段、测试阶段和图像后处理阶段;
训练阶段:
(1.1),将β,β=4个高通滤波器,即f1=[1,-1],f2=f1 T,f3=[1,-2,1]和f4=f3 T跟高分辨率训练图像集中第i幅高分辨率图像卷积,得到梯度图集r=1,2,......,β,用矩阵Rm将梯度图集中的每一幅图像裁剪成的块,其中Rm为块提取操作,m为块中心,将梯度图集中相同块中心m的块拉伸成列向量不同块中心的块组成矩阵
测试阶段:
(2.3),将高频图像用矩阵裁剪成块,将每个块拉成列向量所有块向量组成矩阵其中为块中心,并用与训练阶段相同的四个高通滤波器f1=[1,-1],f2=f1 T,f3=[1,-2,1]和f4=f3 T分别与高频图像卷积得到的梯度图像集用矩阵将梯度图像集中的每一幅图像裁剪成块,将不同梯度图像相同块中心的块拉成列向量所有不同块中的块向量组成特征矩阵
权系数和加权求和的公式如下:
Wj=exp(-Cj*Cj)
测试图像Lt超分辨率:
具体过程如下:
求解公式如下:
图像后处理阶段:
图像后处理阶段是利用迭代反投影的方法,将重建出的高分辨率图像Y投影到低分辨率空间,得到与低分辨率图像Lt统一的高分辨率图像Y*;
求解模型如下:
其可通过以下公式进行优化:
YJ+1=YJ+[(Lt-(YJ↓Z))↑Z]*b
其中J为第J次迭代,b为反投影滤波器。
3.如权利要求1所述的一种基于学习的稀疏表示的超分辨率图像重建方法,其特征在于:图像后处理阶段,优化过程中,迭代次数J为20,反投影滤波器b是标准差为1,大小为5×5的高斯低通滤波器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710509592.3A CN107481189B (zh) | 2017-06-28 | 2017-06-28 | 一种基于学习的稀疏表示的超分辨率图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710509592.3A CN107481189B (zh) | 2017-06-28 | 2017-06-28 | 一种基于学习的稀疏表示的超分辨率图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107481189A CN107481189A (zh) | 2017-12-15 |
CN107481189B true CN107481189B (zh) | 2020-04-28 |
Family
ID=60594884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710509592.3A Active CN107481189B (zh) | 2017-06-28 | 2017-06-28 | 一种基于学习的稀疏表示的超分辨率图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107481189B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416736B (zh) * | 2018-03-21 | 2021-11-16 | 西安邮电大学 | 一种基于二次锚点邻域回归的图像超分辨率重建方法 |
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 |
CN115472140A (zh) * | 2022-09-09 | 2022-12-13 | 维沃移动通信有限公司 | 显示方法、显示装置、电子设备和可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142137B (zh) * | 2011-03-10 | 2012-10-24 | 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 |
CN103049885B (zh) * | 2012-12-08 | 2015-04-01 | 中通服公众信息产业股份有限公司 | 一种利用分析性稀疏表示的超分辨率图像重建方法 |
CN104778671B (zh) * | 2015-04-21 | 2017-09-22 | 重庆大学 | 一种基于sae和稀疏表示的图像超分辨率方法 |
CN105225215B (zh) * | 2015-10-23 | 2018-03-09 | 广州高清视信数码科技股份有限公司 | 一种基于组稀疏表示的单帧图像超分辨率重建方法 |
CN105931179B (zh) * | 2016-04-08 | 2018-10-26 | 武汉大学 | 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 |
CN106408550A (zh) * | 2016-09-22 | 2017-02-15 | 天津工业大学 | 一种改进的自适应多字典学习的图像超分辨率重建方法 |
-
2017
- 2017-06-28 CN CN201710509592.3A patent/CN107481189B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107481189A (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Color demosaicking by local directional interpolation and nonlocal adaptive thresholding | |
Jiji et al. | Single‐frame image super‐resolution using learned wavelet coefficients | |
Ji et al. | Robust wavelet-based super-resolution reconstruction: theory and algorithm | |
CN102194216B (zh) | 图像处理设备和图像处理方法 | |
JP2015507273A (ja) | 低解像入力データ構造の超解像バージョンを生成する方法及び装置 | |
JP2013235594A (ja) | 低解像度の入力データ構造の超解像度バージョンを生成する方法及び装置 | |
CN108830791B (zh) | 基于自身样例和稀疏表示的图像超分辨率方法 | |
Wee et al. | A novel fast fractal super resolution technique | |
CN107481189B (zh) | 一种基于学习的稀疏表示的超分辨率图像重建方法 | |
JPWO2011111819A1 (ja) | 画像処理装置、画像処理プログラム、および、画像を生成する方法 | |
Yoshikawa et al. | Super resolution image reconstruction using total variation regularization and learning-based method | |
Makwana et al. | Single image super-resolution via iterative back projection based Canny edge detection and a Gabor filter prior | |
Witwit et al. | Global motion based video super-resolution reconstruction using discrete wavelet transform | |
CN108122262B (zh) | 基于主结构分离的稀疏表示单帧图像超分辨率重建算法 | |
Zhao et al. | Single depth image super-resolution with multiple residual dictionary learning and refinement | |
Qin | An improved super resolution reconstruction method based on initial value estimation | |
Tai et al. | A fast algorithm for single image super resolution in both wavelet and spatial domain | |
George | Robust single image super resolution using neighbor embedding and fusion in wavelet domain | |
Zhang et al. | Video superresolution reconstruction using iterative back projection with critical‐point filters based image matching | |
Saito et al. | Super-resolution interpolation with a quasi blur-hypothesis | |
CN111402141B (zh) | 串联式单图像超分辨率重建方法 | |
Yau et al. | Robust deep learning-based multi-image super-resolution using inpainting | |
Singh et al. | An efficient and robust multi-frame image super-resolution reconstruction using orthogonal Fourier-Mellin moments | |
KR101882739B1 (ko) | 패턴을 이용한 영상 해상도 변환 장치 및 방법 | |
CN111724292A (zh) | 图像处理方法、装置、设备以及计算机可读介质 |
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 |