CN108010000A - 基于邻近特征子空间拟合的压缩图像清晰化方法 - Google Patents
基于邻近特征子空间拟合的压缩图像清晰化方法 Download PDFInfo
- Publication number
- CN108010000A CN108010000A CN201711321134.3A CN201711321134A CN108010000A CN 108010000 A CN108010000 A CN 108010000A CN 201711321134 A CN201711321134 A CN 201711321134A CN 108010000 A CN108010000 A CN 108010000A
- Authority
- CN
- China
- Prior art keywords
- compression
- denoising
- sharpening
- image
- block
- 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.)
- Granted
Links
- 230000006835 compression Effects 0.000 title claims abstract description 134
- 238000007906 compression Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005352 clarification Methods 0.000 title claims abstract description 7
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000013139 quantization Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 32
- 239000012141 concentrate Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 241000283070 Equus zebra Species 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本发明提供了基于邻近特征子空间拟合的压缩图像清晰化方法,包括:对一组与待清晰化压缩图像场景相似的清晰图像样本进行压缩,编码参数与待清晰化图像相同,得到压缩图像样本集;对压缩图像样本集去噪,得到压缩去噪图像样本集;将压缩图像块和对应的压缩去噪图像块合成一个矢量,利用矢量量化将特征空间分为多个子空间;每个子空间里,由最小均方误差准则得到压缩去噪图像块到清晰图像样本块的非线性回归模型;将待清晰化压缩图像去噪,得到待清晰化压缩去噪图像;寻找待清晰化压缩图像的每个像素点位置的图像块最邻近子空间,利用该子空间的非线性回归模型得到清晰化压缩图像块;所有的清晰化压缩图像块加权平均堆叠得到清晰化图像。
Description
技术领域
本发明属于数字图像增强技术领域,尤其基于邻近特征子空间拟合的压缩图像清晰化方法
背景技术
在视觉通信和计算机系统中,最常见的图像降质原因是有损图像压缩。有损的图像压缩,比如JPEG和HEVC-MSP,被广泛用于图像和视频编码,它不仅可以节省带宽,还可以节省设备的存储空间。有损图像压缩为了简洁,为编码内容使用了不准确的近似的表达,这样不可避免会引入不想要的复杂的人工痕迹,例如块效应,振铃效应以及模糊等。这些人工导致的痕迹不仅在视觉上降低了感知的质量,也对一些需要把压缩图像作为输入的低层的图像处理方法带来不利的影响。
有许多文献提出了减少压缩图像中人工痕迹办法,最常用的方法是后处理方法,比如使用自适应空间滤波器或者自适应模糊滤波器。这些方法的有效性很大程度取决于块的特性以及滤波器特定的设计结构,并且不能很好地恢复出图像的细节信息。
发明内容
本发明为了解决直接对压缩图像进行后处理而会影响其清晰度的问题,技术方案是:基于邻近特征子空间拟合的压缩图像清晰化方法,包括:
S1、寻找一组与待清晰化压缩图像场景相似的清晰图像,定义为清晰图像样本集。对清晰图像样本集进行压缩,压缩的编码参数与待清晰化压缩图像的编码参数相同,得到压缩图像样本集。对压缩图像样本集进行去噪处理,得到压缩去噪图像样本集。将清晰图像样本集与压缩去噪图像样本集相减,得到清晰图像细节样本集;
S2、将S1所述的清晰图像样本集、压缩图像样本集、压缩去噪图像样本集以及清晰图像细节样本集按照每个像素点位置重叠取块,得到位置对应的清晰图像块、压缩图像块、压缩去噪图像块以及清晰图像细节块。将每对位置对应的压缩图像块和压缩去噪图像块合成一个矢量,得到压缩去噪合成矢量。位置对应的压缩去噪图像块、清晰图像细节块以及压缩去噪合成矢量一起构成训练样本集;
S3、将S2所述的训练样本集中压缩去噪合成矢量在特征空间中进行矢量量化,将特征空间划分为K个子空间,再把训练样本集划分到不同的子空间中,得到K个训练样本组;
S4、在S3所述的每个子空间对应的训练样本组中,根据最小均方误差准则,学习压缩去噪图像块到清晰图像细节块之间的非线性回归模型,并把每个子空间对应的回归模型存储起来;
S5、将S1所述的待清晰化压缩图像进行去噪处理,得到待清晰化压缩去噪图像。再将待清晰化压缩图像和待清晰化压缩去噪图像按照每个像素点位置重叠取块,得到位置对应的待清晰化压缩图像块以及待清晰化压缩去噪图像块。将每对位置对应的待清晰化压缩图像块和待清晰化压缩去噪图像块合成一个矢量,得到待清晰化压缩去噪合成矢量;
S6、对S5所述的每个待清晰化压缩去噪合成矢量,寻找到它最邻近的子空间,同时与它对应的待清晰化压缩图像块和待清晰化压缩去噪图像块也被划分到相同的子空间中。再利用该子空间对应的非线性回归模型得到每个待清晰化压缩去噪图像块的估计清晰细节块,估计清晰细节块与待清晰化压缩去噪图像块相加,得到估计清晰图像块;
S7、将S6得到的所有估计清晰图像块,按照各自像素点的位置,以加权平均的方式堆叠起来,得到最终的压缩图像的清晰化图像。
进一步,所述步骤S2,其具体为:
所述的每个清晰图像块、压缩图像块、压缩去噪图像块以及清晰图像细节块的尺寸均为n×n,所述压缩去噪合成矢量的尺寸为1×2n2,其中n为每个图像块边长的像素单元数目;
进一步,所述步骤S3,其具体为:
S31、设定全部的压缩去噪合成矢量为:
其中x(i)表示任一压缩去噪合成矢量,m是压缩去噪合成矢量的个数;
S32、随机选取K个向量,代表K个不同的特征子空间,定义这K个向量为K个子空间中心点,它们一起构成集合W:
其中μj表示任一子空间中心点;
S33、所述步骤S3中,矢量量化的具体过程为:
对于S31所述的每一个压缩去噪合成矢量x(i),根据公式(1),求得其最邻近的子空间c(i):
c(i)=minj||x(i)-μj||2 (1)
将每一个压缩去噪合成矢量分配到离其最邻近的子空间后,根据公式(2),重新计算每一个子空间中心点μj:
重复上述步骤直到K个子空间中心点不发生变化,即为最终的K个子空间中心点。根据K个不同的子空间中心点,将特征空间划分为K个不同的子空间;
S34、根据训练样本集中每个压缩去噪合成矢量所属的子空间的不同,将训练样本集划分为K个训练样本组。在每一个训练样本组中,压缩去噪图像块为输入样本:
清晰图像细节块为输出样本:
其中s是该训练样本组中压缩去噪图像块的个数;
进一步,所述步骤S4,其具体为:
S41、在每个子空间内,根据最小均方误差准则,通过求解公式(3),可得到该子空间的回归模型βj:
其中,j=1,2,...,K,In的尺寸为L×n2,B的尺寸为L×1,In和B中的元素是随机生成的,且服从均匀分布,L表示将原始输入样本Vj映射到L维特征空间。Oj是尺寸为1×s且元素全部为1的矩阵,s是该训练样本组中压缩去噪图像块的个数;
S42、使用梯度下降法法求解公式(3),得到的最优解即为该子空间的回归模型βj,然后再将每个子空间的回归模型βj存储起来。
进一步,所述步骤S6,其具体为:
S61、所述全部的待清晰化压缩去噪合成矢量为:
其中cm是待清晰化压缩去噪合成矢量的个数;
S62、所述全部待清晰化压缩去噪图像块为:
其中cm是待清晰化压缩去噪图像块的个数;
S63、对于每一个待清晰化压缩去噪合成矢量cx(ci),根据公式(1),求得其最邻近的子空间c(ti)。同时,与cx(ci)相对应的待清晰化压缩去噪图像块cv(ci)也被分配到相应的子空间中;
S64、根据公式(4),求得cv(ci)对应的估计清晰图像块
进一步,所述步骤S7,其具体为:
S71、根据S6步骤得到所有的估计清晰图像块:
其中cm是估计清晰图像块的个数;
S72、将根据其像素点的位置,按照加权平均的方式堆叠起来,得到最终的压缩图像的清晰化图像。
有益效果
本发明提供了一种基于邻近特征子空间拟合的压缩图像清晰化方法,能够提高压缩图像的清晰度。
附图说明
图1是本发明的压缩图像清晰化方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。所描述的实施例是本发明的一部分实施例,而不是全部实施例。
本发明提供一种压缩图像复原方法的实施例,过程如下:
S1、对于待清晰化压缩图像,寻找一组与其场景相似的清晰图像,定义为清晰图像样本集。对清晰图像样本集进行压缩,压缩的编码参数与待清晰化压缩图像的编码参数相同,得到压缩图像样本集。对压缩图像样本集进行去噪处理,得到压缩去噪图像样本集。将清晰图像样本集与压缩去噪图像样本集相减,得到清晰图像细节样本集;
S2、将S1所述的清晰图像样本集、压缩图像样本集、压缩去噪图像样本集以及清晰图像细节样本集按照每个像素点位置重叠取块,得到位置对应的清晰图像块、压缩图像块、压缩去噪图像块以及清晰图像细节块。将每对位置对应的压缩图像块和压缩去噪图像块合成一个矢量,得到压缩去噪合成矢量。位置对应的压缩去噪图像块、清晰图像细节块以及压缩去噪合成矢量一起构成训练样本集;
S3、将S2所述训练样本集中压缩去噪合成矢量在特征空间中进行矢量量化,将该特征空间划分为K个子空间,再把训练样本集划分到不同的子空间中,得到K个训练样本组;
S4、在S3所述的每一个子空间内,根据最小均方误差准则,学习压缩去噪图像块到清晰图像细节块之间的非线性回归模型,并把每个子空间对应的回归模型存储起来;
S5、将S1所述的待清晰化压缩图像进行去噪处理,得到待清晰化压缩去噪图像。再将待清晰化压缩图像和待清晰化压缩去噪图像按照每个像素点位置重叠取块,得到位置对应的待清晰化压缩图像块以及待清晰化压缩去噪图像块。将每对位置对应的待清晰化压缩图像块和待清晰化压缩去噪图像块合成一个矢量,得到待清晰化压缩去噪合成矢量;
S6、对S5所述的每个待清晰化压缩去噪合成矢量,寻找到它最邻近的子空间,同时与它对应的待清晰化压缩图像块和待清晰化压缩去噪图像块也被划分到相应的子空间中。并利用该子空间对应的非线性回归模型得到每个待清晰化压缩去噪图像块的估计清晰细节图像块,估计清晰细节块与待清晰化压缩去噪图像块相加,得到估计清晰图像块;
S7、将S6得到的所有估计清晰图像块,按照各自像素点的位置,以加权平均的方式堆叠起来,得到最终的压缩图像的清晰化图像。
进一步,所属步骤S1,其具体为:
待清晰化压缩图像是将一幅原始清晰斑马图进行压缩后得到的图像,它的尺寸是512×512像素,压缩机制是jpeg2000,压缩比例是10%;清晰图像样本集是100张与斑马图场景相似的清晰图像,尺寸是512×512像素;同样以jpeg2000压缩机制对其压缩,压缩比例是10%,得到压缩图像样本集;对压缩图像样本集进行去噪处理,得到压缩去噪图像样本集。将清晰图像样本集与压缩去噪图像样本集相减,得到清晰图像细节样本集;
进一步,所述步骤S2,其具体为:
所述的每个清晰图像块、压缩图像块、压缩去噪图像块以及清晰图像细节的尺寸均为7×7,所述压缩去噪合成矢量的尺寸为1×98,其中7为每个图像块边长的像素单元数目,并且每相邻图像块的边长有6个像素重叠,每张清晰图像可分割成505×505个块。;
进一步,所述步骤S3,其具体为:
S31、设定全部的压缩去噪合成矢量为:
X={x(1),x(2),...,x(505×505×100)},x(i)∈R1×98,i=1,2,...,505×505×100,
其中x(i)表示任一压缩去噪合成矢量;
S32、随机选取8192个向量,代表8192个不同的特征子空间,定义这8192个向量为8192个子空间中心点,它们一起构成集合W:
W={μ1,μ2,...,μ8192},μj∈R1×98,j=1,2,...,8192,
其中μj表示任一子空间中心点;
S33、所述步骤S3中,矢量量化的具体过程为:
对于S31所述的每一个压缩去噪合成矢量x(i),根据公式(1),求得其所近的子空间c(i);将每一个压缩去噪合成矢量分配到离其最近的子空间后,根据公式(5),重新计算每一个子空间的中心点μj:
重复上述步骤,直到8192个子空间中心点不发生变化,即为最终的8192个子空间中心点。根据8192个不同的子空间中心点,将特征空间划分为8192个不同的子空间;
S34、根据训练样本集中压缩去噪合成矢量所属的子空间的不同,将训练样本集划分为8192个训练样本组。在每一个训练样本组中,压缩去噪图像块为输入样本:
清晰图像细节块为输出样本:
其中s是该训练样本组中压缩去噪图像块的个数;
进一步,所述步骤S4,其具体为:
S41、在每个子空间内,根据最小均方误差准则,通过求解公式(3),可得到该子空间的回归模型βj。公式(3)中,j=1,2,...,8192,In的尺寸为80×49,B的尺寸为80×1,In和B中的元素是随机生成的,且服从均匀分布,80表示将原始输入样本Vj映射到80维特征空间。Oj是尺寸为1×s且元素全部为1的矩阵,s是该训练样本组中压缩去噪图像块的个数;
S42、使用梯度下降法法求解公式(3),得到的最优解即为该子空间的回归模型βj,然后再将每个子空间的回归模型βj存储起来。
进一步,所述步骤S6,其具体为:
S61、所述全部的待清晰化压缩去噪合成矢量为:
Xcomp={cx(1),cx(2),...,cx(505×505)},cx(ci)∈R1×98,ci=1,2,...,505×505;
S62、所述全部待清晰化压缩去噪图像块为:
Vcomp={cv(1),cv(2),...,cv(505×505)},cv(ci)∈R7×7,ci=1,2,...,505×505;
S63、对于每一个待清晰化压缩去噪合成矢量cx(ci),根据公式(1),求得其所属子空间c(ci)。同时,与cx(ci)相对应的待清晰化压缩去噪图像块cv(ci)也被分配到相应的子空间中;
S64、根据公式(6),求得cv(ci)对应的估计清晰图像块
进一步,所述步骤S7,其具体为:
S71、根据S6步骤得到所有的估计清晰图像块:
S72、将根据其像素点的位置,按照加权平均的方式堆叠起来,得到最终的压缩图像的清晰化图像。待清晰化压缩图像与原始清晰斑马图之间的峰值信噪比为29.58db,最终的压缩图像的清晰化图像与原始清晰斑马图之间的峰值信噪比为29.95db。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.基于邻近特征子空间拟合的压缩图像清晰化方法,其特征在于,包括如下步骤:
S1、寻找一组与待清晰化压缩图像场景相似的清晰图像,定义为清晰图像样本集;对清晰图像样本集进行压缩,压缩的编码参数与待清晰化压缩图像的编码参数相同,得到压缩图像样本集;对压缩图像样本集进行去噪处理,得到压缩去噪图像样本集;将清晰图像样本集与压缩去噪图像样本集相减,得到清晰图像细节样本集;
S2、将S1所述的清晰图像样本集、压缩图像样本集、压缩去噪图像样本集以及清晰图像细节样本集按照每个像素点位置重叠取块,得到位置对应的清晰图像块、压缩图像块、压缩去噪图像块以及清晰图像细节块;将每对位置对应的压缩图像块和压缩去噪图像块合成一个矢量,得到压缩去噪合成矢量;位置对应的压缩去噪图像块、清晰图像细节块以及压缩去噪合成矢量一起构成训练样本集;
S3、将S2所述的训练样本集中压缩去噪合成矢量在特征空间中进行矢量量化,将特征空间划分为K个子空间,再把训练样本集划分到不同的子空间中,得到K个训练样本组;
S4、在S3所述的每个子空间对应的训练样本组中,根据最小均方误差准则,学习压缩去噪图像块到清晰图像细节块之间的非线性回归模型,并把每个子空间对应的回归模型存储起来;
S5、将S1所述的待清晰化压缩图像进行去噪处理,得到待清晰化压缩去噪图像;再将待清晰化压缩图像和待清晰化压缩去噪图像按照每个像素点位置重叠取块,得到位置对应的待清晰化压缩图像块以及待清晰化压缩去噪图像块;将每对位置对应的待清晰化压缩图像块和待清晰化压缩去噪图像块合成一个矢量,得到待清晰化压缩去噪合成矢量;
S6、对S5所述的每个待清晰化压缩去噪合成矢量,寻找到它最邻近的子空间,同时与它对应的待清晰化压缩图像块和待清晰化压缩去噪图像块也被划分到相同的子空间中;再利用该子空间对应的非线性回归模型得到每个待清晰化压缩去噪图像块的估计清晰细节块,估计清晰细节块与待清晰化压缩去噪图像块相加,得到估计清晰图像块;
S7、将S6得到的所有估计清晰图像块,按照各自像素点的位置,以加权平均的方式堆叠起来,得到最终的压缩图像的清晰化图像。
2.如权利要求1所述的方法,其特征在于,所述步骤S2,其具体为:
所述的每个清晰图像块、压缩图像块、压缩去噪图像块以及清晰图像细节块的尺寸均为n×n,所述压缩去噪合成矢量的尺寸为1×2n2,其中n为每个图像块边长的像素单元数目。
3.如权利要求1所述的方法,其特征在于,所述步骤S3,其具体为:
S31、设定全部的压缩去噪合成矢量为:
i=1,2,...,m,
其中x(i)表示任一压缩去噪合成矢量,m是压缩去噪合成矢量的个数。
S32、随机选取K个向量,代表K个不同的特征子空间,定义这K个向量为K个子空间中心点,它们一起构成集合W:
其中μj表示任一子空间中心点;
S33、所述步骤S3中,矢量量化的具体过程为:
对于S31所述的每一个压缩去噪合成矢量x(i),根据公式(1),求得其最邻近的子空间c(i):
c(i)=minj||x(i)-μj||2 (1)
将每一个压缩去噪合成矢量分配到离其最邻近的子空间后,根据公式(2),重新计算每一个子空间中心点μj:
重复上述步骤直到K个子空间中心点不发生变化,即为最终的K个子空间中心点;根据K个不同的子空间中心点,将特征空间划分为K个不同的子空间;
S34、根据训练样本集中每个压缩去噪合成矢量所属的子空间的不同,将训练样本集划分为K个训练样本组;在每一个训练样本组中,压缩去噪图像块为输入样本:
清晰图像细节块为输出样本:
其中s是该训练样本组中压缩去噪图像块的个数。
4.如权利要求1所述的方法,其特征在于,所述步骤S4,其具体为:
S41、在每个子空间内,根据最小均方误差准则,通过求解公式(3),可得到该子空间的回归模型βj:
其中,j=1,2,...,K,In的尺寸为L×n2,B的尺寸为L×1,In和B中的元素是随机生成的,且服从均匀分布,L表示将原始输入样本Vj映射到L维特征空间;Oj是尺寸为1×s且元素全部为1的矩阵,s是该训练样本组中压缩去噪图像块的个数;
S42、使用梯度下降法法求解公式(3),得到的最优解即为该子空间的回归模型βj,然后再将每个子空间的回归模型βj存储起来。
5.如权利要求1所述的方法,其特征在于,所述步骤S6,其具体为:
S61、所述全部的待清晰化压缩去噪合成矢量为:
其中cm是待清晰化压缩去噪合成矢量的个数;
S62、所述全部待清晰化压缩去噪图像块为:
Vcomp={cv(1),cv(2),...,cv(cm)},cv(ci)∈Rn×n,ci=1,2,...,cm,其中cm是待清晰化压缩去噪图像块的个数;
S63、对于每一个待清晰化压缩去噪合成矢量cx(ci),根据公式(1),求得其最邻近的子空间c(ti);同时,与cx(ci)相对应的待清晰化压缩去噪图像块cv(ci)也被分配到相应的子空间中;
S64、根据公式(4),求得cv(ci)对应的估计清晰图像块
6.如权利要求1所述的方法,其特征在于,所述步骤S7,其具体为:
S71、根据S6步骤得到所有的估计清晰图像块:
其中cm是估计清晰图像块的个数;
S72、将根据其像素点的位置,按照加权平均的方式堆叠起来,得到最终的压缩图像的清晰化图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711321134.3A CN108010000B (zh) | 2017-12-12 | 2017-12-12 | 基于邻近特征子空间拟合的压缩图像清晰化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711321134.3A CN108010000B (zh) | 2017-12-12 | 2017-12-12 | 基于邻近特征子空间拟合的压缩图像清晰化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108010000A true CN108010000A (zh) | 2018-05-08 |
CN108010000B CN108010000B (zh) | 2021-11-02 |
Family
ID=62058617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711321134.3A Active CN108010000B (zh) | 2017-12-12 | 2017-12-12 | 基于邻近特征子空间拟合的压缩图像清晰化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108010000B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111741307A (zh) * | 2020-06-09 | 2020-10-02 | 绍兴图信科技有限公司 | 基于矢量量化压缩和线性回归预测的图像压缩方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1578449A (zh) * | 2003-06-27 | 2005-02-09 | 成津C&C株式会社 | 从低分辨率压缩图像恢复并重构超分辨率图像的方法 |
US20060034524A1 (en) * | 2004-08-13 | 2006-02-16 | Fuji Photo Film Co., Ltd. | Image processing apparatus, method, and program |
CN103473797A (zh) * | 2013-09-16 | 2013-12-25 | 电子科技大学 | 基于压缩感知采样数据修正的空域可缩小图像重构方法 |
US20150206504A1 (en) * | 2014-01-21 | 2015-07-23 | Nvidia Corporation | Unified optimization method for end-to-end camera image processing for translating a sensor captured image to a display image |
-
2017
- 2017-12-12 CN CN201711321134.3A patent/CN108010000B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1578449A (zh) * | 2003-06-27 | 2005-02-09 | 成津C&C株式会社 | 从低分辨率压缩图像恢复并重构超分辨率图像的方法 |
US20060034524A1 (en) * | 2004-08-13 | 2006-02-16 | Fuji Photo Film Co., Ltd. | Image processing apparatus, method, and program |
CN103473797A (zh) * | 2013-09-16 | 2013-12-25 | 电子科技大学 | 基于压缩感知采样数据修正的空域可缩小图像重构方法 |
US20150206504A1 (en) * | 2014-01-21 | 2015-07-23 | Nvidia Corporation | Unified optimization method for end-to-end camera image processing for translating a sensor captured image to a display image |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111741307A (zh) * | 2020-06-09 | 2020-10-02 | 绍兴图信科技有限公司 | 基于矢量量化压缩和线性回归预测的图像压缩方法 |
CN111741307B (zh) * | 2020-06-09 | 2023-06-06 | 绍兴图信科技有限公司 | 基于矢量量化压缩和线性回归预测的图像压缩方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108010000B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Learning convolutional networks for content-weighted image compression | |
Zhang et al. | DMCNN: Dual-domain multi-scale convolutional neural network for compression artifacts removal | |
US11310501B2 (en) | Efficient use of quantization parameters in machine-learning models for video coding | |
US11310498B2 (en) | Receptive-field-conforming convolutional models for video coding | |
Li et al. | An efficient deep convolutional neural networks model for compressed image deblocking | |
CN111866521B (zh) | 一种视频图像压缩伪影去除方法 | |
US20200280717A1 (en) | Receptive-field-conforming convolution models for video coding | |
CN108900848B (zh) | 一种基于自适应可分离卷积的视频质量增强方法 | |
CN104363449B (zh) | 图像预测方法及相关装置 | |
CN107481209B (zh) | 一种基于卷积神经网络的图像或视频质量增强方法 | |
CN112544081B (zh) | 环路滤波的方法与装置 | |
Jin et al. | Quality enhancement for intra frame coding via cnns: An adversarial approach | |
CN108881913B (zh) | 图像编码的方法和装置 | |
CN110753225A (zh) | 一种视频压缩方法、装置及终端设备 | |
WO2020061008A1 (en) | Receptive-field-conforming convolution models for video coding | |
Jin et al. | Post-processing for intra coding through perceptual adversarial learning and progressive refinement | |
CN108010000A (zh) | 基于邻近特征子空间拟合的压缩图像清晰化方法 | |
Xu et al. | Dense inception attention neural network for in-loop filter | |
CN112001854A (zh) | 一种编码图像的修复方法及相关系统和装置 | |
CN108989812B (zh) | 一种基于图像压缩的去块效应方法 | |
CN106657999A (zh) | 一种hevc帧内预测编码单元快速选择方法 | |
CN109218738A (zh) | 一种基于二阶梯度的图像去块效应滤波方法 | |
Jin et al. | A cnn cascade for quality enhancement of compressed depth images | |
Zhao et al. | Mixed-Resolution Image Representation and Compression with Convolutional Neural Networks | |
Xu et al. | State-of-the-art video coding approaches: A survey |
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 |