CN108198134A - 基于组合平均极限学习机的单图像超分辨率重建方法 - Google Patents
基于组合平均极限学习机的单图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN108198134A CN108198134A CN201711473683.2A CN201711473683A CN108198134A CN 108198134 A CN108198134 A CN 108198134A CN 201711473683 A CN201711473683 A CN 201711473683A CN 108198134 A CN108198134 A CN 108198134A
- Authority
- CN
- China
- Prior art keywords
- image
- learning machine
- extreme learning
- small
- combination average
- 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
- 238000000034 method Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 abstract description 7
- 230000009977 dual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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 Analysis (AREA)
Abstract
本发明涉及一种基于组合平均极限学习机的单图像超分辨率重建方法,包括以下步骤:用一组样本大图像处理后分别训练4s个极限学习机;按照均方根误差从小到大的顺序排序4s个极限学习机,选取前2s个;再按照隐层输出矩阵的条件数从小到大排序,选取前s个用简单平均机制形成组合平均极限学习机;输入小尺寸图像Is,线性插值得到大尺寸图像Io,将Io输入组合平均极限学习机得到输出图像Id;图像Io叠加图像Id形成最终输出清晰大尺寸图像Ib。本发明在图像超分辨率重建时,在不显著增加算法复杂度的情况下,有效地提升算法稳定性和泛化能力,训练速度极快,其方法简便易用,可广泛应用于各种图像处理和图像超分辨率重建系统中。
Description
技术领域
本发明属于数字图像处理领域,尤其是一种基于组合平均极限学习机的单图像超分辨率重建方法。
背景技术
在信息技术迅猛发展的今天,视频、图像越来越成为信息的重要载体,例如:在视频监控领域,无处不在的摄像机每天都记录下海量的数据。摄像机获取的图像大小一方面受限于摄像机自身分辨率,另一方面为了减少视频数据存储容量采用有损视频压缩算法,这也导致图像分辨率降低。而在应用中,人们希望图像分辨率尽可能要大,这样图像更清晰,能提供更多细节。二者之间存在不可协调的矛盾。人们希望能用小尺寸低分辨率图像重建构造出大尺寸高分辨率图像,并补充其中缺失的细节(高频信息),因此,图像超分辨率重建算法应运而生。
2013年Le An等人提出了一种基于极限学习机的图像超分辨率重建算法。该算法使用单个极限学习机进行预测,稳定性较差。而简单平均机制是一种通用的方法,可以有效地提高极限学习机的稳定性,但是并不是所有的个体都对组合具有正面贡献,因此如何筛选好的个体,删除坏的个体,也是一个具有挑战性的问题。
发明内容
本发明的目的在于克服现有技术的不足,提出一种设计合理、能够有效提升算法稳定性和泛化能力的基于组合平均极限学习机的单图像超分辨率重建方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于组合平均极限学习机的单图像超分辨率重建方法,包括以下步骤:
步骤1:对一组样本大图像I1,采用先降采样再升采样算法得到图像I2,将两图相减得到图像图像I3=I1-I2;
步骤2:用图像I2、图像I3训练4s个极限学习机;
步骤3:按照均方根误差从小到大的顺序排序4s个极限学习机,选取前2s个误差较小的极限学习机;
步骤4:按照隐层输出矩阵条件数从小到大排序2s个极限学习机,选取前s个条件数较小的极限学习机,然后采用简单平均机制形成组合平均极限学习机;
步骤5:输入小尺寸图像Is,利用线性插值得到大尺寸图像Io,将图像Io输入组合平均极限学习机得到输出图像Id;
步骤6:将图像Io叠加到同尺寸图像Id上,形成最终输出的清晰大尺寸图像Ib,完成图像超分辨率重建。
本发明的优点和积极效果是:
1、本发明根据均方根误差和隐层输出矩阵条件数双重排序选择,筛选出性能较好的极限学习机,采用简单平均机制形成组合平均极限学习机,在不显著增加算法复杂度的情况下,有效地提升算法稳定性和泛化能力。
2、本发明在图像超分辨率重建时,不显著增加实时计算量,不需要迭代循环,训练速度极快,本方法简便易用,可广泛应用于各种图像处理和图像超分辨率重建系统中。
附图说明
图1为本发明的总体流程图;
图2为本发明的极限学习机训练过程流程图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种基于组合平均极限学习机的单图像超分辨率重建方法,如图1及图2所示,包括以下步骤:
步骤1、对一组样本大图像I1,采用先降采样再升采样算法得到图像I2,二者相减得到差值图像I3=I1-I2。
本步骤中,训练样本图像应尽量多样化,有利于极限学习机的训练,提高预测准确度。升采样算法使用简单的线性插值或者其他插值算法均可。
步骤2、用图像I2、图像I3训练4s个极限学习机。
极限学习机是一种特殊的单隐层神经网络,由于其输入参数不需要反向传播算法进行学习,因此其训练速度极快。上述说明中s是标量,为正数。
步骤3、按照均方根误差从小到大的顺序排序4s个极限学习机,选取前2s个误差较小的学习机。
如果隐层节点数选择合理,均方根误差能反应极限学习机的优劣。均方根误差越小,一般该学习机测试效果越好。
步骤4、按照隐层输出矩阵条件数从小到大排序2s个极限学习机,选取前s个条件数较小的学习机,然后采用简单平均机制形成组合平均极限学习机。
隐层输出矩阵条件数能够反应矩阵稳定性,其条件数越小,矩阵稳定性越高,间接反应了极限学习机稳定性越高。
本发明的步骤3和步骤4根据均方根误差、隐层输出矩阵条件数双重排序,先用均方根误差作为判断依据将误差较大的学习机删除。而隐层输出矩阵条件数可以衡量矩阵稳定性,条件数越小,矩阵稳定性越高(意味着极限学习机稳定性越高)。双重排序可以从最初的4s个极限学习机中优选出s个误差小、稳定性高的学习机。然后采用简单平均机制可以有效防止组合极限学习机过度拟合训练数据集,提高学习机的泛化推广能力。通过步骤3、4选择出综合效果较好的极限学习机。
步骤5:输入原始小尺寸图像Is,线性插值得到大尺寸图像Io,将Io输入组合平均极限学习机得到输出图像Id。
每个极限学习机有独立输出,最后通过平均机制输出最终结果,该结果就是需要补充的高频信息(细节信息)。
步骤6:图像Io叠加同尺寸图像Id,形成最终输出的清晰大尺寸图像Ib,完成图像超分辨率算法。
输入图像与输出图像同尺寸,将细节信息叠加进原图像就可以得到清晰的大尺寸图形。在本步骤中,图像Id与图像Io叠加时要注意像素值不能超出表示范围,如果超出范围,需要调整其像素值为合理值。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (1)
1.一种基于组合平均极限学习机的单图像超分辨率重建方法,其特征在于包括以下步骤:
步骤1:对一组样本大图像I1,采用先降采样再升采样算法得到图像I2,将两图相减得到差值图像I3=I1-I2;
步骤2:用图像I2、图像I3训练4s个极限学习机;
步骤3:按照均方根误差从小到大的顺序排序4s个极限学习机,选取前2s个误差较小的极限学习机;
步骤4:按照隐层输出矩阵条件数从小到大排序2s个极限学习机,选取前s个条件数较小的极限学习机,然后采用简单平均机制形成组合平均极限学习机;
步骤5:输入小尺寸图像Is,利用线性插值得到大尺寸图像Io,将图像Io输入组合平均极限学习机得到输出图像Id;
步骤6:将图像Io叠加到同尺寸图像Id上,形成最终输出的清晰大尺寸图像Ib,完成图像超分辨率重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711473683.2A CN108198134B (zh) | 2017-12-29 | 2017-12-29 | 基于组合平均极限学习机的单图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711473683.2A CN108198134B (zh) | 2017-12-29 | 2017-12-29 | 基于组合平均极限学习机的单图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108198134A true CN108198134A (zh) | 2018-06-22 |
CN108198134B CN108198134B (zh) | 2022-01-18 |
Family
ID=62586448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711473683.2A Expired - Fee Related CN108198134B (zh) | 2017-12-29 | 2017-12-29 | 基于组合平均极限学习机的单图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108198134B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344838A (zh) * | 2021-07-08 | 2021-09-03 | 烟台艾睿光电科技有限公司 | 图像融合方法、装置、电子设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020013113A (ko) * | 2000-08-11 | 2002-02-20 | 이성철 | 쑥뜸기구, 그 제조방법 및 조성물 |
CN105550649A (zh) * | 2015-12-09 | 2016-05-04 | 武汉工程大学 | 基于全耦合局部约束表示的极低分辨率人脸识别方法及系统 |
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
CN107274016A (zh) * | 2017-06-13 | 2017-10-20 | 辽宁大学 | 随机蛙跳算法优化对称极限学习机的带钢出口厚度预测方法 |
-
2017
- 2017-12-29 CN CN201711473683.2A patent/CN108198134B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020013113A (ko) * | 2000-08-11 | 2002-02-20 | 이성철 | 쑥뜸기구, 그 제조방법 및 조성물 |
CN105550649A (zh) * | 2015-12-09 | 2016-05-04 | 武汉工程大学 | 基于全耦合局部约束表示的极低分辨率人脸识别方法及系统 |
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
CN107274016A (zh) * | 2017-06-13 | 2017-10-20 | 辽宁大学 | 随机蛙跳算法优化对称极限学习机的带钢出口厚度预测方法 |
Non-Patent Citations (2)
Title |
---|
AN L, BHANU B: "Image Super-Resolution By Extreme Learning Machine", 《2012 19TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
基于极限学习机的图像超分辨率算法: "刘翠响,张凤林,李敏", 《河北工业大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344838A (zh) * | 2021-07-08 | 2021-09-03 | 烟台艾睿光电科技有限公司 | 图像融合方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108198134B (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hui et al. | Fast and accurate single image super-resolution via information distillation network | |
CN109472270B (zh) | 图像风格转换方法、装置及设备 | |
CN110120011B (zh) | 一种基于卷积神经网络和混合分辨率的视频超分辨方法 | |
CN109064396B (zh) | 一种基于深度成分学习网络的单幅图像超分辨率重建方法 | |
CN109886871B (zh) | 基于通道注意力机制和多层特征融合的图像超分辨率方法 | |
CN108259994B (zh) | 一种提高视频空间分辨率的方法 | |
CN107563965A (zh) | 基于卷积神经网络的jpeg压缩图像超分辨率重建方法 | |
CN106097253B (zh) | 一种基于块旋转和清晰度的单幅图像超分辨率重建方法 | |
CN111951164B (zh) | 一种图像超分辨率重建网络结构及图像重建效果分析方法 | |
Chen et al. | Single image super-resolution using deep CNN with dense skip connections and inception-resnet | |
CN108875900A (zh) | 视频图像处理方法和装置、神经网络训练方法、存储介质 | |
Fan et al. | Compressed multi-scale feature fusion network for single image super-resolution | |
CN106296616A (zh) | 一种红外图像细节增强方法和一种红外图像细节增强装置 | |
CN111784582A (zh) | 一种基于dec_se的低照度图像超分辨率重建方法 | |
CN113920043A (zh) | 基于残差通道注意力机制的双流遥感图像融合方法 | |
CN106485656A (zh) | 一种图像超分辨率重构的方法 | |
CN115358932A (zh) | 一种多尺度特征融合的人脸超分辨率重构方法及系统 | |
Wang et al. | TF-SOD: a novel transformer framework for salient object detection | |
CN109615576A (zh) | 基于级联回归基学习的单帧图像超分辨重建方法 | |
CN113947643A (zh) | Rgb图像重建为高光谱图像的方法、装置、设备及存储介质 | |
CN108198134A (zh) | 基于组合平均极限学习机的单图像超分辨率重建方法 | |
Luo et al. | Super-resolution algorithm of satellite cloud image based on WGAN-GP | |
CN112215140A (zh) | 一种基于时空对抗的3维信号处理方法 | |
CN111191674B (zh) | 基于密集连接带孔卷积网络的初级特征提取器及提取方法 | |
Xiao et al. | Nested multi-axis learning network for single image super-resolution |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220118 |
|
CF01 | Termination of patent right due to non-payment of annual fee |