CN108475414A - 图像处理方法和装置 - Google Patents

图像处理方法和装置 Download PDF

Info

Publication number
CN108475414A
CN108475414A CN201580083784.1A CN201580083784A CN108475414A CN 108475414 A CN108475414 A CN 108475414A CN 201580083784 A CN201580083784 A CN 201580083784A CN 108475414 A CN108475414 A CN 108475414A
Authority
CN
China
Prior art keywords
image
matrix
resolution
samples
processed
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
Application number
CN201580083784.1A
Other languages
English (en)
Other versions
CN108475414B (zh
Inventor
杨文明
田亚鹏
周飞
郑成林
陈海
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.)
Huawei Technologies Co Ltd
Shenzhen Graduate School Tsinghua University
Original Assignee
Huawei Technologies Co Ltd
Shenzhen Graduate School Tsinghua University
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 Huawei Technologies Co Ltd, Shenzhen Graduate School Tsinghua University filed Critical Huawei Technologies Co Ltd
Publication of CN108475414A publication Critical patent/CN108475414A/zh
Application granted granted Critical
Publication of CN108475414B publication Critical patent/CN108475414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供一种图像处理方法和装置，其中，该图像处理方法，包括：根据图像特征，对图像样本集合分类，得到图像样本子集合，其中，图像样本子集合包含高分辨率图像样本和对应的低分辨率图像样本；根据第一、第二目标函数和低、高分辨率图像样本，获得图像样本子集合对应的第一、第二特征矩阵及高低分辨率图像样本间的映射关系矩阵；确定待处理图像对应的图像样本子集合；根据第一目标函数和待处理图像对应的图像样本子集合对应的第一特征矩阵、第二特征矩阵和高低分辨率图像样本间的映射关系矩阵，获得待处理图像对应的高分辨率图像。

Description

图像处理方法和装置 技术领域
本发明实施例涉及图像处理技术，尤其涉及一种图像处理方法和装置。
背景技术
在现代社会，人们对于高质量、高清晰的图像信息要求越来越高。例如，在家庭数字媒体应用中，1080p以及4K×2K电视的越来越普及，然而现在的大多数电视节目源以及DVD格式视频都是标清格式的视频，这就需要超分辨率技术将标清格式视频转换到高清或者超高清格式视频；另外，在网络视频应用中，由于受带宽的影响，许多网上的视频的质量都比较差，要将其在大屏幕的移动终端、电脑或者数字电视上显示时，就可以利用超分辨率技术。另外，图像超分辨率在医学成像，遥感卫星等领域也都有着重要的应用。
根据输入低分辨率图像的数目，超分辨率技术可以分成基于多帧图像重建的超分辨率技术和基于单帧图像学习的超分辨率这两大类。基于单帧图像学习的超分辨率技术与基于多帧低分辨率图像的超分辨率技术相比，拥有更广泛的实用性和灵活性。一种具有代表性的技术方案采用了稀疏编码来进行图像超分辨率，其具体做法是强制对应的高低分辨率图像块共享相同的稀疏表示：通过在正则化之前进行稀疏约束，低分辨率图像块被看作是一个过完备字典进行编码，则得到稀疏表达系数，使用此系数线性组合对应的高分辨率图像块即可完成图像超分辨率重建。然而，高低分辨率图像块具有“相同的稀疏表示”这一潜在假设在实际情况下很难达到。
发明内容
本发明实施例提供一种提高高分辨率图像重建质量的图像处理方法和装置。通过本发明图像处理装置或者使用本发明图像处理方法，对于每一幅输入图像，都可以获得一幅相应的具有更高分辨率的输出图像。
第一个方面，本发明实施例提供一种图像处理方法，包括：样本训练阶段和图像重建阶段。
样本训练阶段可以离线进行，或者在线进行，通常情况采用离线进行的方式。
在样本训练阶段：
第一步，对随机获得的样本集合内的样本，不妨称其为高分辨率图像样本，使用相同的下采样、模糊等图像处理方法，获得其所对应的低分辨图像样本。应理解，为了获得更好的训练效果，所述随机获得的样本集合内的样本更适合选择细节丰富的具有较高原始分辨率的图像。所述下采样或者模糊都是典型的图像处理方法，通过选择性地丢弃原始图像的信息，获得退化的图像。就本实施例而言，退化的图像即为低分辨率图像。应理解，为达到此目的，可以选择任意本领域技术人员所掌握的公知技术，而不仅限定于下采样或模糊的图像处理方法。
第二步，以相同的图像特征为分类标准，将上述的样本集合，分成若干样本子集合。应理解，每一个子集合中的图像样本具有相同的图像特征，并且所谓图像样本为一对图像样本，即高分辨率图像样本和其对应的低分辨率图像样本。所谓的图像特征包括图像的视觉特征，统计特征，变换系数特征，代数特征等，相对应的，特征提取方法，包括主分量分析法、支持向量机等等，文献《图像特征提取方法的研究》(数字对象统一标示符(GOI)：CNKI:CDMD:2.2007.058439)全文引入于此，文中第一章和第二章对图像特征及提取方法做了举例性的描述。应理解，本发明所述的图像特征及提取方法可以采用上述图像特征及提取方法在内的任意本领域技术人员所掌握的公知技术，不做限定。一般地，通过聚类的方法来实现本步骤。所谓聚类，又称为群分析，是将研究对象划分为相对同性质的集群的统计分析技术。常用的聚类计算方法包括，划分方法，层次方法，基于密度的方法，基于网格的方法，基于模型的方法，基于变换的方法等，文献《基于聚类的图像分类和分割算法》(GOI：CNKI:CDMD:2.1012.023680)全文引入于此，文中第二章到第五章对聚类的方法做了举例性的描述。应理解，本发明所述的聚类方法可以采用上述聚类方法在内的任意本领域技术人员所掌握的公知技术，不做限定。
第三步，对于每一个子集合，即对应于每一个图像特征，在第一目标函数的约束下，分别独立训练高分辨率图像样本和低分辨率图像样本，对应的， 获得对应低分辨率图像样本的第一特征矩阵，不妨称为低分辨率词典，获得对应高分辨率图像样本的第二特征矩阵，不妨称为高分辨率词典。应理解，高分辨率图像样本和低分辨率图像样本的训练过程是独立的，不分先后次序的。
在一些实施例中，第一目标函数为min(||y-Dα||F+λ||α||F)，其中y表示样本子集合的低分辨率图像样本，D表示样本子集合的第一特征矩阵，α表示低分辨率图像样本对应的表达系数矩阵，||·||F表示范数运算，min表示求最小值运算，λ为正则化常量参数；根据第一目标函数和低分辨率图像样本，获得图像样本子集合对应的第一特征矩阵，包括：在第一目标函数的约束下，以预置次数迭代更新D和α，获得满足第一目标函数的第一特征矩阵。
在一些实施例中，第一目标函数为min(||y-Dα||F+λ||α||F)，其中y表示样本子集合的高分辨率图像样本，D表示样本子集合的第二特征矩阵，α表示高分辨率图像样本对应的表达系数矩阵，||·||F表示范数运算，min表示求最小值运算，λ为正则化常量参数；对应地，根据第一目标函数和高分辨率图像样本，获得图像样本子集合对应的第二特征矩阵，包括：在第一目标函数的约束下，以预置次数迭代更新D和α，获得满足第一目标函数的第二特征矩阵。
应理解，因为高分辨率图像样本和低分辨率图像样本的训练过程是独立的，获得第一特征矩阵和获得第二特征矩阵的训练参数D和α可以是不同的。
在这一步骤中，高分辨率图像样本和低分辨率图像样本的训练独立进行，独立地获得高分辨率词典和低分辨率词典。
第四步，对于每一个子集合，根据该集合图像特征的高分辨率和低分辨率词典，对子集合内的高分辨率和低分辨率图像样本进行编码，获得高分辨率表达系数矩阵和低分辨率表达系数矩阵，并通过所述高分辨率表达系数矩阵和低分辨率表达系数矩阵，获得该图像样本子集合的高低分辨率图像样本间的映射关系矩阵。
在一些实施例中，根据第一特征矩阵，在第一目标函数的约束下，编码低分辨率图像样本，获得第一表达系数矩阵，即低分辨率表达系数矩阵；根据第二特征矩阵，在第一目标函数的约束下，编码高分辨率图像样本，获得第二表达系数矩阵，即高分辨率表达系数矩阵；在第二目标函数的约束下，获得映射关系矩阵，其中αl表示第一表达系数矩阵，αh表示第二表 达系数矩阵，M表示映射关系矩阵，表示全1矩阵，||·||F表示范数运算，min表示求最小值运算。
至此，样本训练阶段完成，训练得到每一个样本子集合，即每一种图像特征的高分辨率词典、低分辨率词典、高低分辨率图像样本间的映射关系矩阵。上述训练所得到的参数将应用于图像重建阶段。
在图像重建阶段：
第一步，确定待处理图像对应的图像样本子集合，即确定待处理图像的图像特征，用以选择合适的高分辨率词典、低分辨率词典、高低分辨率图像样本间的映射关系矩阵进行处理。
在一些实施例中，该步骤可以分解为提取待处理图像的图像特征；比较待处理图像的图像特征与图像样本集合中各图像样本子集合的图像特征的差别；确定待处理图像对应的图像样本子集合为差别最小的样本子集合。
在样本训练阶段已经详述了图像特征提取以及聚类的相关方法，为了取得更好的分类效果，更适于采用与样本训练阶段一致的方法确定待处理图像对应的图像样本子集合。
第二步，将待处理图像所述的图像样本子集合所属的高分辨率词典、低分辨率词典、高低分辨率图像样本间的映射关系矩阵作用于待处理图像，使用样本训练阶段采用的第一目标函数，获得待处理图像对应的高分辨率图像。
在一些实施例中，根据第一特征矩阵，即低分辨率词典，在第一目标函数的约束下，编码待处理图像，获取待处理图像对应的第三表达系数矩阵，即低分辨率表达系数矩阵；根据映射关系矩阵和第三表达系数矩阵，在第二目标函数的约束下，获得待处理图像对应的第四表达系数矩阵，即高分辨率表达系数矩阵；第四表达系数矩阵和第二特征矩阵，即高分辨率词典相乘，获得待处理图像的高频分量；高频分量和放大后的待处理图像相加，获得待处理图像对应的高分辨率图像。
第二个方面，本发明实施例提供一种图像处理装置，包括：
第一分类模块，用于根据图像特征，对图像样本集合分类，得到多个图像样本子集合，其中，图像样本子集合包含高分辨率图像样本和低分辨率图像样本，所述低分辨率图像样本通过对所述高分辨率图像样本下采样获得；第一获取模块，用于根据第一目标函数和低分辨率图像样本，获得图像样本 子集合对应的第一特征矩阵；第二获取模块，用于根据第一目标函数和高分辨率图像样本，获得图像样本子集合对应的第二特征矩阵；第三获取模块，用于根据第一特征矩阵、第二特征矩阵、低分辨率图像样本、高分辨率图像样本，获得图像样本子集合的高低分辨率图像样本间的映射关系矩阵；第二分类模块，用于确定待处理图像对应的图像样本子集合；第四获取模块，用于根据第一目标函数和确定的待处理图像对应的图像样本子集合对应的第一特征矩阵、第二特征矩阵和高低分辨率图像样本间的映射关系矩阵，获得待处理图像对应的高分辨率图像。
第三个方面，本发明实施例提供一种用于对图像进行处理的设备，所述设备包括经配置以进行以下操作的处理器：所述操作为第一个方面所述的操作方法。
第四个方面，本发明实施例提供了一种存储有指令的计算机可读存储媒体，所述指令在被执行时使用于对图像进行处理的设备的一或多个处理器进行以下操作：所述操作为第一个方面所述的操作方法。
本发明所述的技术方案，还可以用于图像去模糊处理。具体的，通过本发明图像处理装置或者使用本发明图像处理方法，对于每一幅模糊的输入图像，都可以获得一幅相应的相对清晰的输出图像。
第五个方面，本发明实施例提供一种图像处理方法，包括：
根据图像特征，对图像样本集合分类，得到多个图像样本子集合，其中，图像样本子集合包含清晰图像样本和模糊图像样本，所述模糊图像样本通过对所述清晰图像样本模糊获得；根据第一目标函数和模糊图像样本，获得图像样本子集合对应的第一特征矩阵；根据第一目标函数和清晰图像样本，获得图像样本子集合对应的第二特征矩阵；根据第一特征矩阵、第二特征矩阵、模糊图像样本、清晰图像样本，获得图像样本子集合的清晰、模糊图像样本间的映射关系矩阵；确定待处理图像对应的图像样本子集合；根据第一目标函数和确定的待处理图像对应的图像样本子集合对应的第一特征矩阵、第二特征矩阵和清晰、模糊图像样本间的映射关系矩阵，获得待处理图像对应的清晰图像。
第六个方面，本发明实施例提供一种图像处理装置，包括：
第一分类模块，用于根据图像特征，对图像样本集合分类，得到多个图像样本子集合，其中，图像样本子集合包含清晰图像样本和模糊图像样本，所述模糊图像样本通过对所述清晰图像样本模糊获得；第一获取模块，用于 根据第一目标函数和模糊图像样本，获得图像样本子集合对应的第一特征矩阵；第二获取模块，用于根据第一目标函数和清晰图像样本，获得图像样本子集合对应的第二特征矩阵；第三获取模块，用于根据第一特征矩阵、第二特征矩阵、模糊图像样本、清晰图像样本，获得图像样本子集合的清晰、模糊图像样本间的映射关系矩阵；第二分类模块，用于确定待处理图像对应的图像样本子集合；第四获取模块，用于根据第一目标函数和确定的待处理图像对应的图像样本子集合对应的第一特征矩阵、第二特征矩阵和清晰、模糊图像样本间的映射关系矩阵，获得待处理图像对应的清晰图像。
第七个方面，本发明实施例提供一种用于对图像进行处理的设备，所述设备包括经配置以进行以下操作的处理器：所述操作为第五个方面所述的操作方法。
第八个方面，本发明实施例提供了一种存储有指令的计算机可读存储媒体，所述指令在被执行时使用于对图像进行处理的设备的一或多个处理器进行以下操作：所述操作为第五个方面所述的操作方法。
本发明所述的技术方案，还可以用于其它类型图像退化的恢复处理。具体的，通过本发明图像处理装置或者使用本发明图像处理方法，对于每一幅退化的输入图像，都可以获得一幅相应的去退化的输出图像。
本发明的上述各方面和实现方式，将在具体实施方式部分详细说明。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明图像处理方法的一个实施例的示意性流程图；
图2为本发明提取图像块的方式的示意图；
图3为本发明图像处理装置的一个实施例的示意性框图；
图4为本发明图像处理装置的另一个实施例的示意性框图；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作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。
图1为本发明图像处理方法实施例一的流程图，如图1所示，本实施例的方法1000，包括：
S1100、根据图像特征，对图像样本集合分类，得到图像样本子集合，其中，所述图像样本子集合包含高分辨率图像样本和对应的低分辨率图像样本；
一种可行的方式为：
选取多张纹理细节丰富的高分辨率图像组成训练库。
对训练库中的每张图高分辨图像X进行相同的模糊和下采样操作产生相应的高频细节丢失的低分辨率图像Y，将低分辨率图像Y通过插值的方法放大到与高分辨率图像相同大小得到图像
应理解，这里生成低分辨率图像Y的具体下采样操作方法不做限定，生成高分辨率图像的具体插值方法也不做限定。
将高分辨图像X减去其对应的低分辨图像插值放大后的图像得到高频细节图高频细节即为提取的高分辨率图像特征。
在水平与竖直方向用一、二阶梯度算子对进行滤波，得到四副滤波后图像，一、二阶梯度信息即为提取的低分辨率图像特征。
对高频细节图像进行足量的采样，采集N个大小为的图像块，其中n为图像块的宽度，N为正整数，可以预先设定，不做限定。
在滤波产生的四幅图像的相同位置进行相同图像块大小的采样，采集完成，可以得到训练样本集其中yi表示四幅滤波后图像上相同位置采集的四个图像块联合展成的列向量,xi表示相应位置上高频细节图像上采集的图像块展成的列向量。
通过聚类算法将低分辨率图像块聚为K类，K个聚类中心为根据聚类结果，根据高、低分辨率图像块之间的对应关系将划分到相应的类别中，这样就生成了各个样本子集合。
应理解，上述聚类算法已将具有相同特征的图像块划归一类为目的，不限定具体的聚类算法。
S1200、根据第一目标函数和所述低分辨率图像样本，获得所述图像样本子集合对应的第一特征矩阵；
具体的，所述第一目标函数为min(||y-Dα||F+λ||α||F)，其中y表示所述样本子集合的低分辨率图像样本，D表示所述样本子集合的第一特征矩阵，α表示所述低分辨率图像样本对应的表达系数矩阵，||·||F表示范数运算，min表示求最小值运算，λ为正则化常量参数；
对应地，所述根据第一目标函数和所述低分辨率图像样本，获得所述图像样本子集合对应的第一特征矩阵，包括：在所述第一目标函数的约束下，以预置次数迭代更新D和α，获得满足所述第一目标函数的所述第一特征矩阵。
一种可行的方式为：
第一步骤，对第i个子集合的低分辨率图像块进行主成分分析，提取其前m维的主成分得到矩阵Pl i，在本实施例中使用Pl i来初始化低分辨率词典
其中，主成分分析是指将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。
第二步骤，固定由更新αl，等价的，计算
第三步骤，固定αl，由更新等价的，计算
第四步骤，迭代第二步骤和第三步骤N次后，得到低分辨率词典其中N为正整数，不作限定。
应理解，本实施例中采用了L2范数作为第一目标函数的范数约束，也可以采用L1范数作为第一目标函数的范数约束，即目标函数为min(||y-Dα||1+λ||α||1)，不作限定。其中，L2范数是指对向量各元素的平方和求平方根，L1范数是指向量中各个元素绝对值之和。
应理解，本实施例中的第一步骤采用提取低分辨率图像块集合前m维的主成分得到矩阵Pl i，作为低分辨率词典的初始值，进而训练得到欠完备词典， 也可以采用对进行主成分分析，得到正交矩阵Pl i，作为低分辨率词典的初始值，进而训练得到完备词典，不作限定。
S1300、根据所述第一目标函数和所述高分辨率图像样本，获得所述图像样本子集合对应的第二特征矩阵；
具体的，所述第一目标函数为min(||y-Dα||F+λ||α||F)，其中y表示所述样本子集合的高分辨率图像样本，D表示所述样本子集合的第二特征矩阵，α表示所述高分辨率图像样本对应的表达系数矩阵，||·||F表示范数运算，min表示求最小值运算，λ为正则化常量参数；
对应地，所述根据所述第一目标函数和所述高分辨率图像样本，获得所述图像样本子集合对应的第二特征矩阵，包括：在所述第一目标函数的约束下，以预置次数迭代更新D和α，获得满足所述第一目标函数的所述第二特征矩阵。
S1300与S1200的实现方式类似，不再赘述。
应理解，S1300和S1200是完全独立的过程，低分辨率词典的训练和高分辨率词典的训练完全独立，且没有先后次序，也可以并行进行。
通过独立地训练并获得低分辨率和高分辨率词典，适当放松了对相同稀疏表示的约束，能够更灵活地利用样本信息，提高了通过表达系数生成图像高频分量的精准度，进而提高高分辨率图像重建质量。
S1400、根据所述第一特征矩阵、所述第二特征矩阵、所述低分辨率图像样本、所述高分辨率图像样本，获得所述图像样本子集合的高低分辨率图像样本间的映射关系矩阵；
具体的，根据所述第一特征矩阵，在所述第一目标函数的约束下，编码所述低分辨率图像样本，获得第一表达系数矩阵；根据所述第二特征矩阵，在所述第一目标函数的约束下，编码所述高分辨率图像样本，获得第二表达系数矩阵；在第二目标函数的约束下，获得所述映射关系矩阵，其中αl表示所述第一表达系数矩阵，αh表示所述第二表达系数矩阵，M表示所述映射关系矩阵，表示全1矩阵，||·||F表示范数运算，min表示求最小值运算。
一种可行的方式为：
第一步骤，根据所述第一特征矩阵在所述第一目标函数的约束下，编码所述低分辨率图像样本yi，获得第一表达系数矩阵αl，等价的，通过下述公式计算
第二步骤，根据所述第二特征矩阵在所述第一目标函数的约束下，编码所述高分辨率图像样本yi，获得第二表达系数矩阵αh，等价的，通过下述公式计算
应理解，第二步骤中的正则参数常量λ和第一步骤中的λ可以相同，也可以不同，不作限定。
第三步骤，在第二目标函数的约束下，获得所述映射关系矩阵，其中αl表示所述第一表达系数矩阵，αh表示所述第二表达系数矩阵，M表示所述映射关系矩阵，表示全1矩阵，表示L2范数运算，min表示求最小值运算。
S1500、确定待处理图像对应的图像样本子集合；
具体的，提取所述待处理图像的图像特征；比较所述待处理图像的图像特征与所述图像样本集合中各图像样本子集合的图像特征的差别；确定所述待处理图像对应的图像样本子集合为所述差别最小的样本子集合。
一种可行的方式为：
通过插值将低分辨率图像Y放大得到图像图像的分辨率为目标高分辨率图像的分辨率。
在水平与竖直方向用一、二阶梯度算子对进行滤波，得到四副滤波后图像。
对每幅滤波后的图像按光栅扫描顺序自左上角开始从左向右，从上向下，提取大小的图像块，提取图像块的起点从前一个相邻图像块的倒数第s像素开始，其中n为图像块的宽度，s为正整数，可以预先设定，不做限定，图2表示了图像块提取的起始位置的示意图。
将四副滤波后图像中的每张图像对应位置提取的图像块联合起来展开成一个列向量yi，i＝1,2,...,Nt，其中Nt是从输入图像提取的图像块总数。
根据目标函数计算当前图像特征yi与每一个图像样本子集合的图像特征，即聚类中心cj间的距离，取距离最近的聚类中心所属的图像样本子集合k，作为待处理图像对应的图像样本子集合。
应理解，在这一步骤中也可以选择其他的聚类算法或者添加约束条件，不作限定。可行地，该步骤中的聚类算法与S1100中所采用的聚类算法保持一致。
S1600、根据所述第一目标函数和所述待处理图像对应的图像样本子集合对应的第一特征矩阵、第二特征矩阵和高低分辨率图像样本间的映射关系矩阵，获得所述待处理图像对应的高分辨率图像；
具体的，根据所述第一特征矩阵，在所述第一目标函数的约束下，编码所述待处理图像，获取所述待处理图像对应的第三表达系数矩阵；根据所述映射关系矩阵和所述第三表达系数矩阵，在所述第二目标函数的约束下，获得所述待处理图像对应的第四表达系数矩阵；所述第四表达系数矩阵和所述第二特征矩阵相乘，获得所述待处理图像的高频分量；所述高频分量和放大后的所述待处理图像相加，获得所述待处理图像对应的高分辨率图像。
一种可行的方式为：
在目标函数的约束下，根据低分辨率词典D，计算待处理图像y的表达系数α，该步骤与S1200保持一致，且具体的计算过程也与S1200保持一致，不再赘述。
由于高低分辨率词典的训练过程不再耦合，训练图像的表达系数和分成图像的表达系数，可以采用相同的目标函数，提高了通过表达系数生成图像高频分量的精准度，进而提高高分辨率图像重建质量。
在目标函数的约束下，根据映射关系矩阵M，待处理图像的表达系数αl，计算目标高分辨率图像对应的表达系数αh，等价的，
应理解，在本实施例中计算目标高分辨率图像对应的表达系数，使用了线性回归算法，还可以使用向量回归(SVR)、脊回归(Ridge Regression)或者其他非线性回归算法，不做限定。
根据高分辨率图像对应的表达系数αh和高分辨率词典Dh，计算待处理图像的高频分量xh，即xh＝Dhαh。
待处理图像的高频分量是指相对于采用上采样等算法放大后的待处理图 像相对于目标高分辨率图像缺失的图像细节部分的数字化表示。
得到所有的被抽取图像块的高频分量以后，将待处理图像的高频分量按照对应的图像块抽取时的顺序排列，重叠的部分求取平均值，作为目标高分辨率图像的高频分量图像Xh。
根据放大后的待处理图像和高频分量图像Xh，得到目标高分辨率图像X，即
为了更好的证明本发明实施例相对比现有技术的有益效果，测试了采用本发明实施例的方法和现有技术中的方法进行了对比，结果如表1所示
表1仿真结果
通过表1可以看写出，采用本发明实施例的图像处理方法，优于其他现有技术的重建效果。
在本发明实施例，通过独立地训练并获得低分辨率和高分辨率词典，适当放松了对相同稀疏表示的约束，能够更灵活地利用样本信息，同时，高低分辨率词典的训练过程的解耦合，重建图像的过程和样本训练的过程可以完全一致，训练阶段训练图像的表达系数和重建阶段生成图像的表达系数，使用相同的目标函数，相同的计算、推导流程，提高了训练结果的可靠性，进而提高了通过表达系数生成图像高频分量的精准度，提高高分辨率图像重建质量。
在本发明的另一实施例中，本发明还可以用于图像去模糊处理，具体为：
相对于实施例一包含高分辨率图像样本和对应的低分辨率图像样本的训练样本集合，用于图像去模糊处理的训练样本集包含清晰的图像样本和对应的模糊的图像样本。具体实施方案中，清晰图像对应于高分辨率图像，模糊图像对应于低分辨率图像，由模糊图像求取清晰图像的过程对应于由低分辨率图像求取高分辨率图像的过程，具体实现方式和实施例一相同，不再赘述。
图3为本发明图像处理装置实施例二的框图，如图3所示，本实施例的装置10，包括：
第一分类模块11，用于根据图像特征，对图像样本集合分类，得到图像样本子集合，其中，所述图像样本子集合包含高分辨率图像样本和对应的低分辨率图像样本；
第一获取模块12，用于根据第一目标函数和所述低分辨率图像样本，获得所述图像样本子集合对应的第一特征矩阵；
第二获取模块13，用于根据所述第一目标函数和所述高分辨率图像样本，获得所述图像样本子集合对应的第二特征矩阵；
第三获取模块14，用于根据所述第一特征矩阵、所述第二特征矩阵、所述低分辨率图像样本、所述高分辨率图像样本，获得所述图像样本子集合的高低分辨率图像样本间的映射关系矩阵；
第二分类模块15，用于确定待处理图像对应的图像样本子集合；
第四获取模块16，用于根据所述第一目标函数和所述待处理图像对应的图像样本子集合对应的第一特征矩阵、第二特征矩阵和高低分辨率图像样本间的映射关系矩阵，获得所述待处理图像对应的高分辨率图像。
应理解，根据本发明实施例的图像处理装置10可对应于执行本发明实施例中的图像处理的方法1000，并且图像处理装置10中的各个模块的上述和其它操作和/或功能分别为了实现图1中的各个方法的相应流程，为了简洁，在此不再赘述。
在本发明实施例，通过独立地训练并获得低分辨率和高分辨率词典，适当放松了对相同稀疏表示的约束，能够更灵活地利用样本信息，同时，高低分辨率词典的训练过程的解耦合，重建图像的过程和样本训练的过程可以完全一致，训练阶段训练图像的表达系数和重建阶段生成图像的表达系数，使 用相同的目标函数，相同的计算、推导流程，提高了训练结果的可靠性，进而提高了通过表达系数生成图像高频分量的精准度，提高高分辨率图像重建质量。
图4为本发明图像处理装置实施例三的框图，如图4所示，本实施例的装置20，包括：处理器21、存储器22和总线系统23。其中，处理器21和存储器22通过总线系统23相连，该存储器22用于存储指令，该处理器21用于执行该存储器22存储的指令。图像处理装置20的存储器22存储程序代码，且处理器21可以调用存储器22中存储的程序代码执行以下操作：根据图像特征，对图像样本集合分类，得到图像样本子集合，其中，图像样本子集合包含高分辨率图像样本和对应的低分辨率图像样本；根据第一目标函数和低分辨率图像样本，获得图像样本子集合对应的第一特征矩阵；根据第一目标函数和高分辨率图像样本，获得图像样本子集合对应的第二特征矩阵；根据第一特征矩阵、第二特征矩阵、低分辨率图像样本、高分辨率图像样本，获得图像样本子集合的高低分辨率图像样本间的映射关系矩阵；确定待处理图像对应的图像样本子集合；根据第一目标函数和待处理图像对应的图像样本子集合对应的第一特征矩阵、第二特征矩阵和高低分辨率图像样本间的映射关系矩阵，获得待处理图像对应的高分辨率图像。
应理解，在本发明实施例中，该处理器21可以是中央处理单元(Central Processing Unit，简称为“CPU”)，该处理器21还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器22可以包括只读存储器和随机存取存储器，并向处理器21提供指令和数据。存储器22的一部分还可以包括非易失性随机存取存储器。例如，存储器22还可以存储设备类型的信息。
该总线系统23除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线系统23。
在实现过程中，上述方法的各步骤可以通过处理器21中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明实施例所公开的方法的步骤可 以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器22，处理器21读取存储器22中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
可选地，作为一个实施例，该处理器21，具体用于：第一目标函数为min(||y-Dα||F+λ||α||F)，其中y表示样本子集合的低分辨率图像样本，D表示样本子集合的第一特征矩阵，α表示低分辨率图像样本对应的表达系数矩阵，||·||F表示范数运算，min表示求最小值运算，λ为正则化常量参数；对应地，根据第一目标函数和低分辨率图像样本，获得图像样本子集合对应的第一特征矩阵，包括：在第一目标函数的约束下，以预置次数迭代更新D和α，获得满足第一目标函数的第一特征矩阵。
可选地，作为一个实施例，该处理器21，具体用于：第一目标函数为min(||y-Dα||F+λ||α||F)，其中y表示样本子集合的高分辨率图像样本，D表示样本子集合的第二特征矩阵，α表示高分辨率图像样本对应的表达系数矩阵，||·||F表示范数运算，min表示求最小值运算，λ为正则化常量参数；对应地，根据第一目标函数和高分辨率图像样本，获得图像样本子集合对应的第二特征矩阵，包括：在第一目标函数的约束下，以预置次数迭代更新D和α，获得满足第一目标函数的第二特征矩阵。
可选地，作为一个实施例，该处理器21，具体用于：根据第一特征矩阵，在第一目标函数的约束下，编码低分辨率图像样本，获得第一表达系数矩阵；根据第二特征矩阵，在第一目标函数的约束下，编码高分辨率图像样本，获得第二表达系数矩阵；在第二目标函数的约束下，获得映射关系矩阵，其中αl表示第一表达系数矩阵，αh表示第二表达系数矩阵，M表示映射关系矩阵，表示全1矩阵，||·||F表示范数运算，min表示求最小值运算。
可选地，作为一个实施例，该处理器21，具体用于：提取待处理图像的图像特征；比较待处理图像的图像特征与图像样本集合中各图像样本子集合的图像特征的差别；确定待处理图像对应的图像样本子集合为差别最小的样本子集合。
可选地，作为一个实施例，该处理器21，具体用于：根据第一特征矩阵， 在第一目标函数的约束下，编码待处理图像，获取待处理图像对应的第三表达系数矩阵；根据映射关系矩阵和第三表达系数矩阵，在第二目标函数的约束下，获得待处理图像对应的第四表达系数矩阵；第四表达系数矩阵和第二特征矩阵相乘，获得待处理图像的高频分量；高频分量和放大后的待处理图像相加，获得待处理图像对应的高分辨率图像。
应理解，根据本发明实施例的图像处理装置20可对应于执行本发明实施例中的图像处理的方法1000，并且图像处理装置20中的各个模块的上述和其它操作和/或功能分别为了实现图1中的各个方法的相应流程，为了简洁，在此不再赘述。
在本发明实施例，通过独立地训练并获得低分辨率和高分辨率词典，适当放松了对相同稀疏表示的约束，能够更灵活地利用样本信息，同时，高低分辨率词典的训练过程的解耦合，重建图像的过程和样本训练的过程可以完全一致，训练阶段训练图像的表达系数和重建阶段生成图像的表达系数，使用相同的目标函数，相同的计算、推导流程，提高了训练结果的可靠性，进而提高了通过表达系数生成图像高频分量的精准度，提高高分辨率图像重建质量。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
另外，本文中术语“系统”和“网络”在本文中常可互换使用。应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明 的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称为“ROM”)、随机存取存储器(Random Access Memory，简称为“RAM”)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的几个实施例，本领域的技术人员依据申请文件公开的可以对本发明进行各种改动或变型而不脱离本发明的精神和范围。本领域普通技术人员可以理解所述实施例间或不同实施例的特征间在不发生冲突的情况下可以互相结合形成新的实施例。

Claims (12)

  1. 一种图像处理方法，其特征在于，包括：
    根据图像特征，对图像样本集合分类，得到多个图像样本子集合，其中，所述图像样本子集合包含高分辨率图像样本和低分辨率图像样本，所述低分辨率图像样本通过对所述高分辨率图像样本下采样获得；
    根据第一目标函数和所述低分辨率图像样本，获得所述图像样本子集合对应的第一特征矩阵；
    根据所述第一目标函数和所述高分辨率图像样本，获得所述图像样本子集合对应的第二特征矩阵；
    根据所述第一特征矩阵、所述第二特征矩阵、所述低分辨率图像样本、所述高分辨率图像样本，获得所述图像样本子集合的高低分辨率图像样本间的映射关系矩阵；
    确定待处理图像对应的图像样本子集合；
    根据所述第一目标函数和确定的所述待处理图像对应的图像样本子集合对应的第一特征矩阵、第二特征矩阵和高低分辨率图像样本间的映射关系矩阵，获得所述待处理图像对应的高分辨率图像。
  2. 根据权利要求1所述的方法，其特征在于：所述第一目标函数为min(||y-Dα||F+λ||α||F)，其中y表示所述样本子集合的低分辨率图像样本，D表示所述样本子集合的第一特征矩阵，α表示所述低分辨率图像样本对应的表达系数矩阵，||·||F表示范数运算，min表示求最小值运算，λ为正则化常量参数；
    对应地，所述根据第一目标函数和所述低分辨率图像样本，获得所述图像样本子集合对应的第一特征矩阵，包括：在所述第一目标函数的约束下，以预置次数迭代更新D和α，获得满足所述第一目标函数的所述第一特征矩阵。
  3. 根据权利要求1或2所述的方法，其特征在于，所述根据所述第一目标函数和所述高分辨率图像样本，获得所述图像样本子集合对应的第二特征 矩阵，包括：在所述第一目标函数的约束下，以预置次数迭代更新D和α，获得满足所述第一目标函数的所述第二特征矩阵。
  4. 根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述第一特征矩阵、所述第二特征矩阵、所述低分辨率图像样本、所述高分辨率图像样本，获得所述图像样本子集合的高低分辨率图像样本间的映射关系矩阵，包括：
    根据所述第一特征矩阵，在所述第一目标函数的约束下，编码所述低分辨率图像样本，获得第一表达系数矩阵；根据所述第二特征矩阵，在所述第一目标函数的约束下，编码所述高分辨率图像样本，获得第二表达系数矩阵；在第二目标函数的约束下，获得所述映射关系矩阵，其中αl表示所述第一表达系数矩阵，αh表示所述第二表达系数矩阵，M表示所述映射关系矩阵，表示全1矩阵，||·||F表示范数运算，min表示求最小值运算。
  5. 根据权利要求1至4任一项所述的方法，其特征在于，所述确定待处理图像对应的图像样本子集合，包括：
    提取所述待处理图像的图像特征；
    比较所述待处理图像的图像特征与所述图像样本集合中各图像样本子集合的图像特征的差别；
    确定所述待处理图像对应的图像样本子集合为所述差别最小的样本子集合。
  6. 根据权利要求1至5任一项所述的方法，其特征在于，所述根据所述第一目标函数和所述待处理图像对应的图像样本子集合对应的第一特征矩阵、第二特征矩阵和高低分辨率图像样本间的映射关系矩阵，获得所述待处理图像对应的高分辨率图像，包括：
    根据所述第一特征矩阵，在所述第一目标函数的约束下，编码所述待处理图像，获取所述待处理图像对应的第三表达系数矩阵；根据所述映射关系矩阵和所述第三表达系数矩阵，在所述第二目标函数的约束下，获得所述待处理图像对应的第四表达系数矩阵；所述第四表达系数矩阵和所述第二特征矩阵相乘，获得所述待处理图像的高频分量；所述高频分量和放大后的所述 待处理图像相加，获得所述待处理图像对应的高分辨率图像。
  7. 一种图像处理装置，包括：
    第一分类模块，用于根据图像特征，对图像样本集合分类，得到多个图像样本子集合，其中，所述图像样本子集合包含高分辨率图像样本和低分辨率图像样本，所述低分辨率图像样本通过对所述高分辨率图像样本下采样获得；
    第一获取模块，用于根据第一目标函数和所述低分辨率图像样本，获得所述图像样本子集合对应的第一特征矩阵；
    第二获取模块，用于根据所述第一目标函数和所述高分辨率图像样本，获得所述图像样本子集合对应的第二特征矩阵；
    第三获取模块，用于根据所述第一特征矩阵、所述第二特征矩阵、所述低分辨率图像样本、所述高分辨率图像样本，获得所述图像样本子集合的高低分辨率图像样本间的映射关系矩阵；
    第二分类模块，用于确定待处理图像对应的图像样本子集合；
    第四获取模块，用于根据所述第一目标函数和确定的所述待处理图像对应的图像样本子集合对应的第一特征矩阵、第二特征矩阵和高低分辨率图像样本间的映射关系矩阵，获得所述待处理图像对应的高分辨率图像。
  8. 根据权利要求7所述的装置，所述第一获取模块，包括：
    所述第一目标函数为min(||y-Dα||F+λ||α||F)，其中y表示所述样本子集合的低分辨率图像样本，D表示所述样本子集合的第一特征矩阵，α表示所述低分辨率图像样本对应的表达系数矩阵，||·||F表示范数运算，min表示求最小值运算，λ为正则化常量参数；
    对应地，所述第一获取模块具体用于：在所述第一目标函数的约束下，以预置次数迭代更新D和α，获得满足所述第一目标函数的所述第一特征矩阵。
  9. 根据权利要求7或8所述的装置，所述第二获取模块具体用于：在所述第一目标函数的约束下，以预置次数迭代更新D和α，获得满足所述第一目标函数的所述第二特征矩阵。
  10. 根据权利要求7至9任一项所述的装置，所述第三获取模块具体用于：
    根据所述第一特征矩阵，在所述第一目标函数的约束下，编码所述低分辨率图像样本，获得第一表达系数矩阵；根据所述第二特征矩阵，在所述第一目标函数的约束下，编码所述高分辨率图像样本，获得第二表达系数矩阵；在第二目标函数的约束下，获得所述映射关系矩阵，其中αl表示所述第一表达系数矩阵，αh表示所述第二表达系数矩阵，M表示所述映射关系矩阵，表示全1矩阵，||·||F表示范数运算，min表示求最小值运算。
  11. 根据权利要求7至10任一项所述的装置，所述第二分类模块具体用于：
    提取所述待处理图像的图像特征；
    比较所述待处理图像的图像特征与所述图像样本集合中各图像样本子集合的图像特征的差别；
    确定所述待处理图像对应的图像样本子集合为所述差别最小的样本子集合。
  12. 根据权利要求7至11任一项所述的装置，所述第四获取模块具体用于：
    根据所述第一特征矩阵，在所述第一目标函数的约束下，编码所述待处理图像，获取所述待处理图像对应的第三表达系数矩阵；根据所述映射关系矩阵和所述第三表达系数矩阵，在所述第二目标函数的约束下，获得所述待处理图像对应的第四表达系数矩阵；所述第四表达系数矩阵和所述第二特征矩阵相乘，获得所述待处理图像的高频分量；所述高频分量和放大后的所述待处理图像相加，获得所述待处理图像对应的高分辨率图像。
CN201580083784.1A 2015-10-27 2015-10-27 图像处理方法和装置 Active CN108475414B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2015/092946 WO2017070841A1 (zh) 2015-10-27 2015-10-27 图像处理方法和装置

Publications (2)

Publication Number Publication Date
CN108475414A true CN108475414A (zh) 2018-08-31
CN108475414B CN108475414B (zh) 2020-09-11

Family

ID=58629658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580083784.1A Active CN108475414B (zh) 2015-10-27 2015-10-27 图像处理方法和装置

Country Status (2)

Country Link
CN (1) CN108475414B (zh)
WO (1) WO2017070841A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977832A (zh) * 2019-03-19 2019-07-05 腾讯科技（深圳）有限公司 一种图像处理方法、装置及存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615576B (zh) * 2018-06-28 2023-07-21 北京元点未来科技有限公司 基于级联回归基学习的单帧图像超分辨重建方法
CN111431863B (zh) * 2020-02-28 2021-04-27 电子科技大学 基于关系网络的主机入侵检测方法
CN111159773B (zh) * 2020-04-01 2020-11-03 支付宝(杭州)信息技术有限公司 保护数据隐私的图片分类方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013026659A (ja) * 2011-07-15 2013-02-04 Univ Of Tsukuba 超解像画像処理装置及び超解像画像処理用辞書作成装置
CN103093444A (zh) * 2013-01-17 2013-05-08 西安电子科技大学 基于自相似性和结构信息约束的图像超分辨重建方法
CN104091364A (zh) * 2014-07-10 2014-10-08 西北工业大学 单幅图像超分辨重建方法
CN104778671A (zh) * 2015-04-21 2015-07-15 重庆大学 一种基于sae和稀疏表示的图像超分辨率方法
CN104778659A (zh) * 2015-04-15 2015-07-15 杭州电子科技大学 基于深度学习的单帧图像超分辨率重建方法
CN104867106A (zh) * 2015-05-29 2015-08-26 清华大学深圳研究生院 一种深度图超分辨率方法
CN104899835A (zh) * 2015-04-28 2015-09-09 西南科技大学 基于盲模糊估计与锚定空间映射的图像超分辨处理方法
CN104899830A (zh) * 2015-05-29 2015-09-09 清华大学深圳研究生院 一种图像超分辨方法
WO2015141463A1 (en) * 2014-03-20 2015-09-24 Mitsubishi Electric Corporation Method for processing input low-resolution (lr) image to output high-resolution (hr) image
CN104952053A (zh) * 2015-07-07 2015-09-30 西安电子科技大学 基于非线性压缩感知的人脸图像超分辨重构方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013026659A (ja) * 2011-07-15 2013-02-04 Univ Of Tsukuba 超解像画像処理装置及び超解像画像処理用辞書作成装置
CN103093444A (zh) * 2013-01-17 2013-05-08 西安电子科技大学 基于自相似性和结构信息约束的图像超分辨重建方法
WO2015141463A1 (en) * 2014-03-20 2015-09-24 Mitsubishi Electric Corporation Method for processing input low-resolution (lr) image to output high-resolution (hr) image
CN104091364A (zh) * 2014-07-10 2014-10-08 西北工业大学 单幅图像超分辨重建方法
CN104778659A (zh) * 2015-04-15 2015-07-15 杭州电子科技大学 基于深度学习的单帧图像超分辨率重建方法
CN104778671A (zh) * 2015-04-21 2015-07-15 重庆大学 一种基于sae和稀疏表示的图像超分辨率方法
CN104899835A (zh) * 2015-04-28 2015-09-09 西南科技大学 基于盲模糊估计与锚定空间映射的图像超分辨处理方法
CN104867106A (zh) * 2015-05-29 2015-08-26 清华大学深圳研究生院 一种深度图超分辨率方法
CN104899830A (zh) * 2015-05-29 2015-09-09 清华大学深圳研究生院 一种图像超分辨方法
CN104952053A (zh) * 2015-07-07 2015-09-30 西安电子科技大学 基于非线性压缩感知的人脸图像超分辨重构方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JASSIM S A: "Face Recognition from Degraded Images–Super Resolution Approach by Non-adaptive Image-Independent Compressive Sensing Dictionaries", 《IFIP INTERNATIONAL CONFERENCE ON COMMUNICATIONS AND MULTIMEDIA SECURITY》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977832A (zh) * 2019-03-19 2019-07-05 腾讯科技（深圳）有限公司 一种图像处理方法、装置及存储介质
CN109977832B (zh) * 2019-03-19 2024-03-29 腾讯科技（深圳）有限公司 一种图像处理方法、装置及存储介质

Also Published As

Publication number Publication date
WO2017070841A1 (zh) 2017-05-04
CN108475414B (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN109389552B (zh) 一种基于上下文相关多任务深度学习的图像超分辨算法
JP5555706B2 (ja) 高解像度映像獲得装置およびその方法
CN106920214B (zh) 空间目标图像超分辨率重建方法
CN105069424B (zh) 面部快速识别系统和方法
JP5331486B2 (ja) デジタル画像の解像度向上方法及び装置
CN108475414B (zh) 图像处理方法和装置
US11328184B2 (en) Image classification and conversion method and device, image processor and training method therefor, and medium
Wei et al. Improving resolution of medical images with deep dense convolutional neural network
Dai et al. Dictionary-based multiple frame video super-resolution
Zhao et al. A novel infrared image super-resolution method based on sparse representation
Temel et al. CSV: Image quality assessment based on color, structure, and visual system
Mandal et al. Edge preserving single image super resolution in sparse environment
Kang et al. Self-learning-based single image super-resolution of a highly compressed image
KR101427854B1 (ko) 단일 영상의 초고해상도 영상 복원 장치 및 방법
CN106780333B (zh) 一种图像超分辨率重建方法
Li et al. Quality control for the BPG lossy compression of three-channel remote sensing images
CN104813362B (zh) 图像处理设备及图像处理方法
Alvarez-Ramos et al. Image super-resolution via two coupled dictionaries and sparse representation
Zhu et al. Multi-frame image super-resolution reconstruction via low-rank fusion combined with sparse coding
CN106157251A (zh) 一种基于柯西正则化的人脸超分辨率方法
Yang et al. Infrared image super-resolution with parallel random Forest
US8897378B2 (en) Selective perceptual masking via scale separation in the spatial and temporal domains using intrinsic images for use in data compression
Graba et al. Non-additive imprecise image super-resolution in a semi-blind context
Liu et al. Arbitrary-scale super-resolution via deep learning: A comprehensive survey
Boss et al. Deep Dual Loss BRDF Parameter Estimation.

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