CN107481293B - 基于多假设加权的差分图像压缩感知重构方法及智能终端 - Google Patents
基于多假设加权的差分图像压缩感知重构方法及智能终端 Download PDFInfo
- Publication number
- CN107481293B CN107481293B CN201710455885.8A CN201710455885A CN107481293B CN 107481293 B CN107481293 B CN 107481293B CN 201710455885 A CN201710455885 A CN 201710455885A CN 107481293 B CN107481293 B CN 107481293B
- Authority
- CN
- China
- Prior art keywords
- hypothesis
- reconstruction
- image
- processing
- iteration
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/007—Transform coding, e.g. discrete cosine transform
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Discrete Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像编解码技术领域,公开了一种基于多假设加权的差分图像压缩感知重构方法及智能终端,利用基于交叉块的块压缩感知过程对原图像进行采样处理以获取测量值;利用非局部均值全差分迭代重构算法对所获得的测量值进行迭代重构处理,获取初步的图像重构值;对当前重构值进行多假设集合获取处理,对所获得的多假设集合进行优化筛选处理,以去除劣质假设;对优化后的多假设集合采用基于弹性网的权重估计模型进行处理,获取多假设的权重矩阵,通过对多假设进行加权和处理获得边信息,为后续迭代提供更精确的迭代初始值。本发明有效利用图像的空间相关性,利用多假设加权处理有效缓解以往重构算法的过平滑问题;并且大幅提高了图像重构质量。
Description
技术领域
本发明属于图像编解码技术领域,尤其涉及一种基于多假设加权的差分图像压缩感知重构方法及智能终端。
背景技术
作为一种重要的信息载体,图像在人们的信息交流中占据着重要地位。随着移动互联网以及智能手机等的快速发展,人们愈发喜欢通过晒照片的方式以展示自己的生活,微信朋友圈、微博等社交平台更是激发了人们无尽的晒照片欲望,晒美食、晒自拍、晒风景等等几乎完全占据了人们的社交生活。然而图像作为一种大信息量的信息载体,如果不对其进行一定的压缩编码处理,会对有限的信道容量造成极大的传输压力。因此,针对图像的高效编解码技术一直是学术界的研究重点。压缩感知技术作为一种高效的压缩采样技术,能够突破奈奎斯特采样定理的限制,以远低于奈奎斯特采样速率的速率对信号进行采样,实现了信号采样和压缩的同步进行,基于压缩感知的图像重构也成为近年来图像编解码领域的重要研究方向。近些年来,基于正则项的重构算法成为压缩感知图像重构研究的热点问题。而全差分正则项自从被提出起,便在图像去噪、图像恢复等领域占据重要的地位。2009年,Li Chengbo等人在“http://www.caam.rice.edu/~optimization/L1/TVAL3/”提出了一种基于全差分模型的快速压缩感知图像重构算法,作为一种经典的全差分最小化模型被广泛引用。然而基于全差分优化所得到的重构图像往往会出现图像细节以及纹理上的失真,而且块效应也是全差分模型中一个有待解决的问题。此外,图像自身所具备的空间相关性并未在全差分模型中得到利用。为了更好的利用图像的空间相关性,非局部均值模型、多假设平滑投影重构等算法得到广泛关注。2013年,Zhang Jian等人在“IEEEInternational Symposium on Circuits and Systems”(《电路与系统国际研讨会》)中提出将非局部均值模型与全差分模型相结合,一定程度上改善了重构图像的块效应。2011年,Mun以及Fowler在“Data Compression Conference”(《数据压缩会议》)中将多假设以及块压缩感知平滑投影算法应用到图像以及视频的压缩感知重构中,有效利用了图像自身的空间相关性。然而基于非局部均值以及多假设的重构算法虽然在一定程度上改善了图像的重构质量,但是也带来了图像过平滑的问题,细节丢失以及重构质量不够高的问题仍然存在。
综上所述,现有技术存在的问题是:目前基于全差分优化所得到的重构图像往往会出现图像细节以及纹理上的失真,而且重构图像存在过平滑,细节丢失以及重构质量不够高等缺陷。
发明内容
针对现有技术存在的问题,本发明提供了一种基于多假设加权的差分图像压缩感知重构方法及智能终端。
本发明是这样实现的,一种基于多假设加权的差分图像压缩感知重构方法,所述基于多假设加权的差分图像压缩感知重构方法包括:
(1)利用基于交叉块的块压缩感知过程对原图像进行采样处理以获取测量值;交叉块的处理相对于非交叉块可以有效缓解重构图像中的块效应;
(2)利用非局部均值全差分迭代重构算法对所获得的测量值进行迭代重构处理,以获取初步的图像重构值;
(3)对当前重构值进行多假设集合获取处理,并对所获得的多假设集合进行优化筛选处理,去除劣质假设;
(4)对优化后的多假设集合采用基于弹性网的权重估计模型进行处理,获取多假设的权重矩阵,并通过对多假设进行加权和处理获得边信息,为后续迭代提供更精确的迭代初始值。
进一步,所述基于多假设加权的差分图像压缩感知重构方法包括以下步骤:
步骤一,首先将原图像按照固定的块尺寸划分成多个相互交叉的块,利用哈达玛矩阵作为测量矩阵进行块压缩感知采样处理获得测量值;
步骤二,根据所得到的测量值,利用基于非局部正则项的全差分算法进行迭代重构;
步骤三,迭代终止条件判断,如果满足迭代终止条件,则结束算法,将当前迭代结果输出作为最终重构的图像;反之,则继续执行后续步骤;
步骤四,将当前迭代结果作为参考图像,进行多假设集合获取,并对所取得的多假设进行假设优化筛选处理以去除劣质假设;之后利用基于弹性网的多假设权重估计算法对各假设的权重进行估计,计算得到边信息作为初始值代入到下一次全差分迭代重构过程;
步骤五,反复执行步骤二到步骤四,直至满足迭代终止条件。
进一步,所述步骤一中对图像进行块压缩感知采样处理的过程表示为:
y=Φui=Aθi;
其中ui=Ψθi表示第i个交叉块,i=1,...,N,Ψ是稀疏基,θi表示稀疏系数,A=ΦΨ,y表示处理所得的测量值对原图像压缩采样后所得的信息。
进一步,所述步骤二中基于非局部均值正则项的全差分重构算法具体包括:
1)基于非局部均值正则项的全差分重构算法的基本模型表示为:
其中α为非局部均值正则项的权值,Du为图像的梯度,通过引入辅助变量Du=w,u=x,并利用增广拉格朗日方法可得:
其中μ,β以及θ分别表示对应惩罚项的系数,v,γ以及λ表示相应的拉格朗日乘子,通过将其划分为对w,u,x三个子问题进行迭代求解;
2)通过对u子问题的求解,以获取图像u的新的迭代重构值,具体模型可表示为:
uk+1=uk-ηd;
其中η=abs(dTd/dTGd)表示最优步长,G=(βDTD+θΙ+μATA),Ι是单位矩阵,d=DT(βDu-v)-γ+θ(u-x)-βDTw+AT(μ(Au-y)-λ)为梯度方向,k用于索引迭代次数,得到当前迭代结果uk+1后,送入到后续进程,用于判断迭代条件是否满足以及多假设处理等。
进一步,所述步骤三中具体包括:
(1)已获得当前图像迭代重构结果uk+1后,具体的迭代终止条件可以表示为:
其中表示取范数,Tite表示设定的迭代终止的判决阈值,如果当前迭代结果满足上述迭代终止条件或者达到最大迭代次数Ite_max,则迭代结束,将当前迭代结果uk+1作为最终的图像重构值输出;反之,如果不能满足迭代终止条件,则将当前迭代结果送入到后续的多假设处理过程。
进一步,所述步骤四中多假设加权处理具体包括:
1)首先将当前迭代结果作为参考图像为各个块获取相应的多假设集合,在当前迭代重构所得图像中,以当前块为中心,按照设定的窗口尺寸W建立搜索窗口,之后在搜索窗口内通过逐像素滑动获取初步的多假设集合;
2)获得初步的假设集合后,计算各假设与当前块之间的测量域距离,计算过程可表示为:
其中yi表示原图像中第i个块的测量值,表示第i个块的对应假设集合中的第j个假设,D越大表示该假设与当前块之间的相似性越差,对所有假设按照相似性从高到低的顺序进行排序,并取前Tnum个假设作为最终选定的假设组成新的假设集合;
3)对所得到的新的假设集合,利用基于弹性网的权重估计模型,计算各假设的对应权重,假设与当前块越相似,所占权重越大,最终使得各假设的加权和在测量域能够最接近原图像;之后根据所得权重,对各假设取加权和以获得对重构图像的优化估计值边信息。
进一步,所述步骤三中迭代终止判决阈值Tite=0.001,且最大迭代次数Ite_max设置为200。
进一步,所述步骤四中搜索窗口的尺寸设置为W=15,最终选择的假设的数目设定为Tnum=70。
本发明的另一目的在于提供一种应用所述基于多假设加权的差分图像压缩感知重构方法的智能手机。
本发明的另一目的在于提供一种应用所述基于多假设加权的差分图像压缩感知重构方法的计算机。
本发明的优点及积极效果为:图4以及图5给出了本发明的重构质量对比图。从图中可以看出,相比于以上三种方案,本发明具有更好的重构质量,在相同采样速率下所得到的重构图像的峰值信噪比更高,尤其是在低采样率下,对比其他方案,对各测试图像的重构质量均有明显的提高,有效改善了压缩感知图像重构的客观质量。
图6以及图7给出了本发明的重构视觉效果对比图,可以看出,传统的多假设重构MH以及传统的全差分重构方案TVAL3所得到的重构图像画面模糊,纹理细节丢失严重;而基于非局部均值的全差分重构方案TVNLR在画面纯净度上改善明显,相对简单的细节能得到较好保留,然而复杂纹理部分仍然比较模糊,轮廓过平滑;本发明所提出的基于多假设加权的差分图像压缩感知重构方法则能够很好的保留图像的纹理细节,画面纯净度明显好于以上三种方案,并且图像内部轮廓更为清晰,视觉质量更为优异。
综上所述,本发明有效利用图像的空间相关性,利用多假设加权处理有效缓解以往重构算法的过平滑问题;并且大幅提高了图像的重构质量。
附图说明
图1是本发明实施例提供的基于多假设加权的差分图像压缩感知重构方法流程图。
图2是本发明实施例提供的所使用的多假设加权的差分图像压缩感知重构流程示意图。
图3是本发明实施例提供的多假设集合获取示意图。
图4是本发明实施例提供的对于House以及Leaves图像的重构质量示意图。
图5是本发明实施例提供的对于Lena以及Monarch图像的重构质量示意图。
图6是本发明实施例提供的对于Leaves图像在采样率为0.2时的重构视觉效果对比图。
图7是本发明实施例提供的对于Monarch图像在采样率为0.2时的重构视觉效果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于多假设加权的差分图像压缩感知重构方法及智能终端包括以下步骤:
S101:根据固定的块尺寸将原图像化分为多个交叉块;利用哈达玛矩阵作为测量矩阵,对图像块进行块压缩感知处理,获得对原图像采样压缩后的测量值;
S102:利用非局部均值全差分算法对所获得的测量值进行迭代重构处理,获取迭代值;对当前迭代值进行迭代终止判决处理;若不满足,则对当前迭代值进行多假设加权边信息估计处理,并将所获得的边信息代入到后续迭代处理;若满足终止条件,则迭代结束,将当前迭代值作为最终的重构图像输出;
S103:重复上述迭代重构、迭代终止判决、多假设加权处理过程,直至迭代终止。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,本发明所提出的基于多假设加权的差分图像压缩感知重构方法的实现步骤如下:
步骤一,首先将原图像按照固定的块尺寸Bsize=32×32划分成多个相互交叉的块,利用哈达玛矩阵作为测量矩阵进行块压缩感知采样处理获得测量值;
步骤二,根据所得到的测量值,利用基于非局部均值正则项的全差分算法进行迭代重构,获得初步的迭代重构值;
步骤三,利用当前所获得的迭代重构图像,进行迭代终止判决,如果满足迭代终止条件,则结束算法,将当前迭代结果输出作为最终重构的图像;反之,则执行后续步骤,进行多假设加权边信息估计处理;
步骤四,将当前迭代结果作为参考图像,进行多假设集合获取,并对所取得的多假设进行假设优化筛选处理以去除劣质假设;之后利用基于弹性网的多假设权重估计算法对各假设的权重进行估计,计算得到边信息代入到下一次全差分迭代重构过程;
步骤五,反复执行步骤二到步骤四,直至满足迭代终止条件;
步骤一中对图像进行块压缩感知采样处理的具体过程可以表示为:
y=Φui=Aθi;
其中ui=Ψθi表示第i个交叉块,i=1,...,N,Ψ是稀疏基,θi表示稀疏系数,A=ΦΨ,y表示处理所得的测量值对原图像压缩采样后所得的信息。
步骤二中基于非局部均值正则项的全差分重构算法,具体执行过程如下:
1)基于非局部均值正则项的全差分重构算法的基本模型可以表示为:
其中α为非局部均值正则项的权值,Du为图像的梯度,通过引入辅助变量Du=w,u=x,并利用增广拉格朗日方法可得:
其中μ,β以及θ分别表示对应惩罚项的系数,v,γ以及λ表示相应的拉格朗日乘子,通过将其划分为对w,u,x三个子问题进行迭代求解;
2)通过对u子问题的求解,以获取图像u的新的迭代重构值,具体模型可表示为:
uk+1=uk-ηd;
其中η=abs(dTd/dTGd)表示最优步长,G=(βDTD+θΙ+μATA),Ι是单位矩阵,d=DT(βDu-v)-γ+θ(u-x)-βDTw+AT(μ(Au-y)-λ)为梯度方向,k用于索引迭代次数,得到当前迭代结果uk+1后,送入到后续进程,用于判断迭代条件是否满足以及多假设处理等;
步骤三中迭代终止判决的具体执行过程可以表示为:
1)获得当前图像迭代重构结果uk+1后,具体的迭代终止条件可以表示为:
2)如果不能满足迭代终止条件,则将当前迭代结果送入到后续的多假设边信息估计步骤。
步骤四中多假设加权处理具体包括:
1)如图3所示,首先将当前迭代结果作为参考图像为各个块获取相应的多假设集合,在当前迭代重构所得图像中,以当前块为中心,按照设定的窗口尺寸W=15建立搜索窗口,之后在搜索窗口内通过逐像素滑动获取初步的多假设集合;
2)获得初步的假设集合后,计算各假设与当前块之间的测量域距离,计算过程可表示为:
其中yi表示原图像中第i个块的测量值,表示第i个块的对应假设集合中的第j个假设,D越大表示该假设与当前块之间的相似性越差,对所有假设按照相似性从高到低的顺序进行排序,并取前Tnum个假设作为最终选定的假设组成新的假设集合;
3)对所得到的新的假设集合,利用基于弹性网的权重估计模型,计算各假设的对应权重,与当前块越相似的假设,所占权重越大,之后根据所得权重,对各假设计算加权和以获得对重构图像的优化估计值边信息,并将该边信息作为初始值代入到后续的全差分迭代重构过程中。
下面结合对比对本发明的应用效果作详细的描述。
为了证实本发明的效果,将本发明与现有的三个著名的压缩感知图像重构算法进行对比。Li C,Yin W,Zhang Y,(2009)TVAL3:TV minimization by augmented Lagrangianand alternating direction algorithm.http://www.caam.rice.edu/~optimization/L1/TVAL3/.Chen C.,Tramel E W,&Fowler JE,(2011)Compressed-Sensing Recovery ofImages and Video Using Multi-hypothesis Predictions.In proceedings of the45th Asilomar Conference on Signals,Systems,and Computers,Pacific Grove.ZhangJ,Liu S,Xiong R,et al.(2013)Improved total variation based image compressivesensing recovery by nonlocal regularization IEEE International Symposium onCircuits and Systems.pp,2836-2839.进行比较。其中,TVAL3方案属于传统全差分重构算法,而第二个方案属于基于传统多假设的压缩感知图像重构算法,这里记作MH,最后一个方案将非局部均值正则项与全差分模型相结合,记作非局部均值全差分算法TVNLR。实验采用4个经典的测试图像House、Leaves、Lena和Monarch,实验的重要参数设定如表1所示,以下将结合仿真实验对本发明的性能作进一步的描述。
图4以及图5给出了本发明的重构质量对比图。从图中可以看出,相比于以上三种方案,本发明具有更好的重构质量,在相同采样速率下所得到的重构图像的峰值信噪比更高,尤其是在低采样率下,对比其他方案,对各测试图像的重构质量均有明显的提高,有效改善了压缩感知图像重构的客观质量。
图6以及图7给出了本发明的重构视觉效果对比图,可以看出,传统的多假设重构MH以及传统的全差分重构方案TVAL3所得到的重构图像画面模糊,纹理细节丢失严重;而基于非局部均值的全差分重构方案TVNLR在画面纯净度上改善明显,相对简单的细节能得到较好保留,然而复杂纹理部分仍然比较模糊,轮廓过平滑;本发明所提出的基于多假设加权的差分图像压缩感知重构方法则能够很好的保留图像的纹理细节,画面纯净度明显好于以上三种方案,并且图像内部轮廓更为清晰,视觉质量更为优异。
表1
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于多假设加权的差分图像压缩感知重构方法,其特征在于,所述基于多假设加权的差分图像压缩感知重构方法包括如下步骤:
(1)利用基于交叉块的块压缩感知对原图像进行采样处理以获取测量值;基于交叉块的块压缩感知相对于基于非交叉块的块压缩感知能够有效缓解重构图像中的块效应;
(2)利用非局部均值全差分迭代重构算法对所获取的测量值进行迭代重构处理,以获取当前迭代重构值;
(3)判断是否满足迭代终止条件,如果满足所述迭代终止条件,则迭代重构处理结束,基于所述当前迭代重构值得到最终重构图像并输出;反之,则继续执行后续步骤;
(4)基于所述当前迭代重构值进行多假设集合获取处理,并对所获取的多假设集合进行优化处理以去除劣质假设;
(5)对优化处理后的多假设集合采用基于弹性网的多假设权重估计模型进行权重估计处理,获取多假设的权重,并基于所述权重对优化处理后的多假设集合的元素进行加权求和处理获得加权求和结果,将所述加权求和结果作为所述测量值代入到步骤(2)的所述迭代重构处理中,重复执行步骤(2)到步骤(5),直至满足所述迭代终止条件;
所述步骤(1)的所述利用基于交叉块的块压缩感知对原图像进行采样处理以获取测量值之前还包括:将原图像按照固定的块尺寸划分成多个相互交叉的交叉块。
3.如权利要求2所述的基于多假设加权的差分图像压缩感知重构方法,其特征在于,所述判决阈值Tite=0.001,且所述最大迭代次数Ite_max设置为200。
4.如权利要求1-3任意一项所述的基于多假设加权的差分图像压缩感知重构方法,该方法应用于智能手机或计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710455885.8A CN107481293B (zh) | 2017-06-16 | 2017-06-16 | 基于多假设加权的差分图像压缩感知重构方法及智能终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710455885.8A CN107481293B (zh) | 2017-06-16 | 2017-06-16 | 基于多假设加权的差分图像压缩感知重构方法及智能终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107481293A CN107481293A (zh) | 2017-12-15 |
CN107481293B true CN107481293B (zh) | 2020-12-25 |
Family
ID=60594001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710455885.8A Active CN107481293B (zh) | 2017-06-16 | 2017-06-16 | 基于多假设加权的差分图像压缩感知重构方法及智能终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107481293B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108426785A (zh) * | 2018-01-29 | 2018-08-21 | 重庆交通大学 | 一种基于大数据的岩土介质强度测试分析方法 |
CN108815592A (zh) * | 2018-04-12 | 2018-11-16 | 昆明医科大学第二附属医院 | 一种微创神经外科专用的多功能吸引器头 |
CN108648521A (zh) * | 2018-04-20 | 2018-10-12 | 湖南城市学院 | 一种应用语言学便携式语言学习工具 |
CN108635817A (zh) * | 2018-05-08 | 2018-10-12 | 温州商学院 | 一种自动记谱的国际象棋棋盘 |
CN108898581A (zh) * | 2018-06-07 | 2018-11-27 | 中南大学湘雅三医院 | 一种耳鼻喉检查图像筛查控制系统、方法及应用 |
CN109674466A (zh) * | 2019-03-05 | 2019-04-26 | 邢台医学高等专科学校 | 一种可穿戴心电图系统 |
CN109700457A (zh) * | 2019-03-05 | 2019-05-03 | 邢台医学高等专科学校 | 一种心电图采集平台 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102026000A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 像素域-变换域联合的分布式视频编码系统 |
-
2017
- 2017-06-16 CN CN201710455885.8A patent/CN107481293B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102026000A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 像素域-变换域联合的分布式视频编码系统 |
Non-Patent Citations (2)
Title |
---|
"An Improved distributed compressed video sensing scheme in reconstruction algorithm";Shuai Zheng et al.;《Multimedia tools and Applications》;20170513;第8711-8728页 * |
"Improved Total Variation based Image Compressive Sensing Recovery by Nonlocal Regularization";Jian Zhang et al.;《2013 IEEE International Symposium on Circuits and Systems》;20131231;第2836-2839页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107481293A (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107481293B (zh) | 基于多假设加权的差分图像压缩感知重构方法及智能终端 | |
Zhang et al. | CCR: Clustering and collaborative representation for fast single image super-resolution | |
CN111028150B (zh) | 一种快速时空残差注意力视频超分辨率重建方法 | |
EP2950267B1 (en) | Image denoising method and image denoising apparatus | |
Hyder et al. | An approximate l0 norm minimization algorithm for compressed sensing | |
CN110852964A (zh) | 一种基于深度学习的图像比特增强方法 | |
CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
CN112465727A (zh) | 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法 | |
CN104199627B (zh) | 基于多尺度在线字典学习的可分级视频编码系统 | |
Hu et al. | Pseudo 3D auto-correlation network for real image denoising | |
CN110827198A (zh) | 基于压缩感知和超分辨率重构的多相机全景图像构建方法 | |
CN108830812A (zh) | 一种基于网格结构深度学习的视频高帧率重制方法 | |
CN110599402A (zh) | 一种基于多特征稀疏表示的图像超分辨率重建方法 | |
Ziwei et al. | Overview on image super resolution reconstruction | |
CN116563146A (zh) | 基于可学习曲率图的图像增强方法与系统 | |
Arulkumar et al. | Super resolution and demosaicing based self learning adaptive dictionary image denoising framework | |
CN116309152A (zh) | 一种低照度图像的细节增强方法、系统、设备和存储介质 | |
CN109003247B (zh) | 彩色图像混合噪声的去除方法 | |
CN108521535B (zh) | 一种基于图像混合处理的信息隐藏传输方法 | |
CN104915933B (zh) | 一种基于apso-bp耦合算法的雾天图像增强方法 | |
CN113992920A (zh) | 一种基于深度展开网络的视频压缩感知重建方法 | |
CN108573509B (zh) | 基于测量域显著检测模型的自适应压缩感知图像编码方法 | |
CN114830168A (zh) | 图像重建方法、电子设备和计算机可读存储介质 | |
CN116797462A (zh) | 基于深度学习的实时视频超分辨率重建方法 | |
CN104182931A (zh) | 超分辨率方法和装置 |
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 |