CN108596831B - 一种基于AdaBoost实例回归的超分辨率重建方法 - Google Patents
一种基于AdaBoost实例回归的超分辨率重建方法 Download PDFInfo
- Publication number
- CN108596831B CN108596831B CN201810320295.9A CN201810320295A CN108596831B CN 108596831 B CN108596831 B CN 108596831B CN 201810320295 A CN201810320295 A CN 201810320295A CN 108596831 B CN108596831 B CN 108596831B
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- low
- features
- regression
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000003321 amplification Effects 0.000 claims description 8
- 238000006731 degradation reaction Methods 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 16
- 238000004088 simulation Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 230000016776 visual perception Effects 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
- G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于AdaBoost实例回归的超分辨率重建方法,通过统计机器学习方法和最优化估计理论,首先利用K‑SVD字典学习方法从训练集中学习一个具有强表征能力的字典作为锚点,假定每个锚点的K个最近邻初始均为均匀分布的;接着利用脊回归的方法建立一组K个回归器做为初始回归器。然后估计高分辨特征,计算估计误差和回归器系数,更新权重分布,采用AdaBoost回归的思想经过T次增强回归建立一组K个强回归器;最后用于重建的目标回归器与初始回归器和强回归器两部分组成,以有效逼近低分辨与高分辨特征之间复杂的非线性关系,实现处理速度快、重建质量高的实例回归超分辨重建。本发明可以实现快速、高效、性能更好地实例回归超分辨重建。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于AdaBoost实例回归的超分辨率重建方法。
背景技术
在日常生活与生产实践的应用中,图像是应用最为广泛的信息载体之一。然而成像系统受器件成本、传输带宽、计算资源以及成像环境等诸多因素的限制,往往很难获得期望的高分辨图像,这给后续的图像处理、分析和理解任务带来极大的挑战。那么,如何获取高分辨率的数字图像是人们非常关心的课题。无疑,提高成像系统物理分辨率是获取高分辨率图像最直接有效的手段。然而,该方法受制造技术和器件成本的限制,仅限于某些特殊应用场合,不便于在实际应用中推广;而且,对许多远距离成像领域,由于受成像环境和各种条件的约束,即使是装配价格昂贵、分辨率级别高的成像设备,也难以获取目标区域的高分辨率影像;此外,随着各种低成本移动多媒体终端的日益普及,人们很容易获取大量具有应用价值的低分辨率影像资源,如何提高它们在高分辨显示设备上的兼容性,增强用户体验感,也是视觉信息处理领域面临的一项重要挑战。
超分辨重建是一种借用信号处理技术,将低分辨图像重建成高分辨图像的技术。该技术能有效克服成像设备固有分辨率的不足,突破成像环境的限制,在不改变现有成像系统的前提下,能以最低的成本获取高于成像系统物理分辨率的高质量图像。因此,图像超分辨重建技术是解决上述问题较为经济且有效的手段之一。该技术具有非常广泛的应用前景,是低质量智能安全监控系统中人脸检测与识别技术、智能机器人关键技术,以及多通道、多尺度图像融合技术的基础。该技术的成功应用能有效促进光电子信息技术的发展,同时也能推动物联网视频感知与智能分析技术、车联网智能交通关键技术、遥感成像技术以及移动多媒体通信技术等多个高新技术产业的进步和发展。
多年来,经过各个领域专家学者的研究,图像超分辨重建技术取得了重大进展。在现有的超分辨方法中,基于实例学习的超分辨重建技术被广泛一致的认为在重建性能上由于其他基于插值和基于重构的超分辨重建方法,能够恢复出一个具有较高质量的高分辨图像。然而,现有的大多数基于实例学习的算法仍没有很好的恢复出图像的纹理细节与边缘轮廓信息,伪影较为明显。因此,研究重建质量更好的超分辨重建算法,是实例回归超分辨重建技术成功应用的关键所在。
基于实例回归超分辨重建方法的主要思想是通过建立低分辨与高分辨图像之间的映射关系,估计在分辨图像中丢失的高频信息,实现高分辨图像的重建。根据重建过程中映射关系建立的方法不同,已有的基于实例学习的超分辨率重建方法可以被细分为四类:基于k–NN (k–Nearest Neighbor)学习的方法、基于流形学习的方法、基于字典学习的方法、基于实例回归的方法。虽然基于基于k–NN和基于流形学习的超分辨算法结构简单,重建质量较好,但为了使图像中的复杂结构能得到最优化表示,该类方法对每一个输入特征,都要搜索庞大规模的数据集来做相似性匹配,导致计算时间和空间复杂度都非常高,这也是该类算法一般难以应用在实际中的原因;基于字典的超分辨重建方法假定一个自然图像块可以通过一个学习的超完备字典进行稀疏表示,通过求解正则化最小二乘优化问题建立低分辨与高分辨图像之间的关系。虽然该类算法与与基于k–NN和流形学习的超分辨算法相比,有更好的重建性能和视觉感知效果,但对每一个输入的低分辨特征,该类算法在训练和测试两个阶段均需要求解超完备字典的稀疏表示。因而,当字典规模或需要重建的图像较大时,该类算法的计算成本十分高,难以在实际中普遍应用;基于实例回归的方法通过在低分辨与高分辨特征之间直接做回归进行超分辨重建。虽然该类方法在能保证重建质量和重建速度的同时提高了重建性能,但基于实例回归的方法在映射低分辨与高分辨之间非线性关系时,采用一次简单映射,这难以表征低分辨与高分辨图像之间几何的复杂结构。近些年来,利用卷积神经网络点对点映射低分辨与高分辨图像之间的关系的方法颇受欢迎。与基于实例回归的方法相比,该方法不需要任何有监督特征,同时也能取得更为准确的超分辨结果。
发明内容
为了更有效的提升高分辨重建的准确性,本发明提出利用AdaBoost回归的思想建立一组能够表征低分辨与高分辨特征之间非线性关系的强回归器的实例回归超分辨重建方法,以单帧低分辨图像的超分辨重建技术为研究对象,利用统计机器学习和最优化理论,学习表征低分辨与高分辨图像之间的复杂结构关系,构造不同的强回归器,逼近低分辨与高分辨之间的非线性关系,实现快速、高效、性能更好地实例回归超分辨重建。
为实现上述目的,本发明采取的技术方案为:
一种基于AdaBoost实例回归的超分辨率重建方法,其特征在于,包括如下步骤:
S1、采集高分辨自然图像,模拟图像降质过程,得到低分辨图像;
使用双立方插值将低分辨图像放大到所需大小,得到插值图像;
分别提取插值图像和原始高分辨图像的低分辨特征以及对应的高分辨特征;
构建第i个锚点对应的低分辨特征训练集上的K个最近邻构成的子集;以及第i个锚点对应的高分辨特征的K个最近邻构成的子集;其中,K表示欧式距离约束的最相关特征,表示K个最近邻的第个低分辨特征,表示K个最近邻的第个高分辨特征,K=2048;
S4、利用低分辨图像块特征与高分辨图像块特征间的共现表示关系,建立K个低分辨特征与高分辨特征间的初始线性映射关系,初始时权重,,这里表示由第个低分辨与高分辨特征建立的映射关系,是一个用来调节奇异解问题的很小的正常数,取,表示单位矩阵;
S5、 用得到的初始回归器与对应的低分辨训练集,估计出对应的高分辨特征集,计算估计误差,计算回归器系数,更新权重的分布;其中,表示低分辨特征中的第个特征,表示估计出的与对应的第个高分辨特征,是损耗函数,这里,表示对误差求均值;
S6、利用AdaBoost回归的思想,重复步骤S3 -S6 ,经过T次迭代得到一组强回归器,;其中表示第次残差回归得到的回归器;特别地,在AdaBoost增强过程中,假设当前是第t次迭代增强,那么要更新的第t+1次的权重为:,,其中,表示次迭代时第个特征的权重,是归一化常数,,是损耗函数,;
S14、对输入的低分辨彩色图像在YCbCr颜色空间中的两个色差分量Cb和Cr直接采用双立方插值进行目标放大,并组合亮度分量Y的超分辨估计,将YCbCr颜色空间的超分辨结果转换到RGB颜色空间,得到输入的低分辨图像被放大了的RGB图像。
优选地,所述步骤S6中所述用AdaBoost回归的思想得到一组强回归器的过程按如下步骤进行:
S61、经过步骤S4、S5估计出第t次的高分辨特征集,计算出估计误差和回归器系数;其中,表示高分辨特征中的第个特征,表示估计出的第个高分辨特征,是第迭代的第个特征的权重,是损耗函数,这里,表示对第次得到的误差求均值;
S62、更新用于第t+1次增强的权重:
S63、重复步骤S3- S6,直至T次迭代结束,得到T组弱回归器,加权组合成一个强回归器;其中是第次迭代得到的回归器,是第次迭代得到的回归器系数,表示对求和,表示将次回归得到的回归器组合成的一个强回归器,与迭代时得到弱回归器不同。
S122、将估计得到的高分辨特征叠加在插值的低分辨图像上,得到目标估计图像:
与已有的实例回归超分辨重建方法相比,本发明具有以下优点:
(1)本发明由于提出一种基于AdaBoost实例回归的超分辨重建方法,对输入的低分辨特征进行学习得到一个字典,结合对应的高分辨特征重建出估计的高分辨特征,并计算估计误差和回归器系数,接着利用AdaBoost回归思想学习一个强回归器,使得回归过程能有效逼近低分辨与高分辨特征之间的复杂关系,有利于提高超分辨重建的质量,恢复出质量更高的超分辨率图像。
(2)我们提出了一种新的基于AdaBoost实例回归的超分辨重建方法。与已有弱回归模型相比较,本文提出的算法能够有效地提升回归器的表征性能。
(3)仿真结果表明,与现有实例回归超分辨率重建方法相比,本发明能够获得图像更多的丢失的细节,重建出更加清晰边缘,能有效减少失真和伪像。
附图说明
图1为本发明基于AdaBoost实例回归的超分辨方法中训练阶段的流程图。
图2为本发明基于AdaBoost实例回归的超分辨方法中测试阶段的流程图。
具体实施方式
为了使本发明的目的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。
参照图1和图2,本发明实施例提供了一种基于AdaBoost实例回归的超分辨重建方法主要包括两个阶段:训练阶段和测试阶段(图像超分辨阶段),在训练阶段,采集大量的高分辨自然图像,模拟图像降质过程生成训练集,利用K-SVD字典学习算法从训练集中学习一个表征能力强的低分辨字典作为锚点。对每个字典原子,分别在低分辨与高分辨特征集中选择K个最近邻特征做回归映射,初始时,假定每K个近邻为均匀分布的,得到一组初始化回归器。然后估计高分辨特征并计算重建误差和回归器系数。然后,利用AdaBoost回归思想经过T次增强回归,得到一组强回归器。最后,用于测试的目标回归器由初始回归器和强回归器两部分组成。在测试阶段,在第一层种查找与输入低分辨特征向量最匹配的字典原子与回归器,估计出第一层高分辨特征,把重建的第一层高分辨特征在作为当重建特征的同时,作为第二层的测试特征进行第二次估计。最后将估计出的高分辨进行叠加。具体包括如下步骤:
一.训练集生成阶段
步骤1、模拟图像降质过程,构建特征库,生成训练集。
1a) 采集大量的高分辨自然图像,对每个高分辨图像经过4×4平均模糊和3倍下采样得到对应低分辨图像;
1b) 对每个低分辨图像,使用双立方插值进行目标放大,得到插值图像,将插值图像自上而下,从左到右划分成大小为6×6的图像块,使相邻块之间重叠3个像素,随机选择图像块并提取特征,构成低分辨训练集。对降质之前的高分辨图像选择与插值图像对应位置上的图像块,提取特征构成高分辨训练集,其中表示第i个低分辨特征向量,表示对应的第i个高分辨特征向量,N表示训练集中样本总个数;
步骤2、建立目标回归器。
2a) 利用K-SVD字典学习算法从低分辨训练集中学习得到一个低分辨字典作为锚点,其中表示字典中的第i个字典原子,表示第i个锚点对应的低分辨训练集上的K个最近邻所构成的子集,是第i个锚点对应的高分辨训练集上的K个最近邻构成的子集, M表示低分辨字典原子的个数,K表示欧式距离约束的最相关的特征块,M=1024,K=2048;
二.图像超分辨阶段
步骤A,读入待处理的低分辨彩色图像,提取低分辨特征,构造测试集。
A3) 将插值图像自上而下,从左到右划分成大小为6×6的图像块,使相邻块之间重叠3个像素,随机选择图像块并提取特征构成低分辨测试集,其中表示低分辨图像块测试集中的第j个特征向量,S表示该测试集中样本总个数;
步骤B,使用欧氏距离,查找最匹配的锚点与回归器,估计高分辨特征。
C1) 依次执行上述过程,将估计得到的高分辨特征叠加在插值的低分辨图像上,得到目标估计图像:
步骤D,对输入的低分辨彩色图像在YCbCr颜色空间中的两个色差分量Cb和Cr直接采用双立方插值进行3倍放大,并组合亮度分量Y的超分辨估计,将YCbCr颜色空间的超分辨结果转换到RGB颜色空间,得到输入的低分辨图像被放大了3倍的RGB图像。
以下通过仿真实验验证本发明的重建性能。
仿真内容:
(1)在使用相同的训练集和测试图像的情况下,采用对比实验形式,选择双立方插值和卷积神经网络的图像超分辨方法以及其它四个具有代表性的实例超分辨方法与本发明仿真结果进行比较,以验证本发明的有效性。四个具有代表性的实例回归超分辨方法分别为:①Yang等人提出的方法,简称为Yang’s方法,具体参考文献“Yang J, Wright J,Huang T S, et al. Image super-resolution via sparse representation[J]. IEEETransactions on Image Processing, 2010, 19(11):2861-2873.”;②Zeyde等人提出的方法,简称Zeyde’s方法,具体参考文献“Zeyde R, Elad M, Protter M. On Single ImageScale-Up Using Sparse-Representations[J]. 2010, 6920:711-730.”③Timofte等人提出的方法,简称为ANR方法,具体参考文献“Timofte R, De V, Gool L V. AnchoredNeighborhood Regression for Fast Example-Based Super-Resolution[C]// IEEEInternational Conference on Computer Vision. IEEE Computer Society, 2013:1920-1927.”;④Hu, Y等人提出的方法,简称为SERF方法,具体参考文献“Hu Y, Wang N,Tao D, et al. SERF: A Simple, Effective, Robust, and Fast Image Super-Resolver From Cascaded Linear Regression[J]. IEEE Transactions on ImageProcessing, 2016, 25(9):4091-4102.”; 最后,是Dong C,等人提出的方法,即卷积神经网络的图像超分辨方法,简称CNN,具体参考文献“Dong C, Chen C L, He K, et al.Learning a Deep Convolutional Network for Image Super-Resolution[J]. 2014,8692:184-199.”
(2)使用具有不同代表特征的自然图像进行仿真实验,以验证本发明对不同性质的低分辨图像经过3倍放大重建的视觉质量,同时给出PSNR和SSIM 质量评价值。具体仿真实验详见如下描述。
实验一:对一幅高分辨动物自然图像,采用4×4平均模糊和3倍下采样降质过程生成对应大小的低分辨图像,对得到的低分辨图像,使用双立方插值,Yang’s方法,Zeyde’s方法, ANR方法,SERF方法,CNN方法和本发明的方法进行3倍放大后进行超分辨重建,得到真实图像(a); 是双立方插值放大的结果图(b); 基于Yang’s方法的超分辨结果图(c);Zeyde’s方法的超分辨结果图(d); ANR方法的超分辨结果图(e); SERF方法的超分辨结果图(f);CNN方法的超分辨结果图(g); 本发明的超分辨结果(h);每个图中对标记的不同颜色的矩形局部区域进行了局部放大展示。
从各图的仿真结果可以看出:(b)中经过双立方插值放大的图像的边缘有非常明显的伪影,纹理也非常模糊;与(b)的结果相比,(c)-(e)的重建图像能在一定程度上表现出视觉细节信息,但重要的边缘部分和纹理区域仍然不理想,且有噪声存在;(f)-(h)的超分辨图像再说视觉上明显比3(c)-(e)的超分辨图像更清晰明了;而(h)的超分辨图像展示出更多的细节信息,边缘和纹理部分比(c)-(f)的清晰,且噪声和伪影较少,结果更加自然清晰,没有明显的失真。这是因为本发明AdaBoost回归的思想逼近低分辨与高分辨特征之间的复杂非线性关系,将估计误差较大、包含更多信息的特征块进行选择和重新分布,在一定程度上能有效逼近低分辨与高分辨特征之间的关系。
实验二:对一幅高分辨景物自然图像,采用与实验一相同的降质过程生成对应大小的低分辨图像,对得到的低分辨图像,使用双立方插值,Yang’s方法,Zeyde’s方法, ANR方法,SERF方法,CNN方法和本发明的方法进行3倍放大后进行超分辨重建,可以直观看出:与其它超分辨方法得到的结果相比,本发明得到的超分辨图像恢复出的边缘更为清晰,纹理区域包含的细节也更为丰富。并且从给出的PSNR和SSIM值也可以看出,本发明的重建性能远优于其他方法的性能。
实验三:对一幅高分辨人物自然图像,采用与实验一相同的降质过程生成对应大小的低分辨图像,对得到的低分辨图像,使用双立方插值,Yang’s方法,Zeyde’s方法, ANR方法,SERF方法,CNN方法和本发明的方法进行3倍放大后进行超分辨重建,可以看出:与其他实例回归的超分辨方法相比,本发明恢复出的高分辨图像的边缘更为真实和清晰,没有不必要的失真和伪影。其他细节部分与原始高分辨图像更为贴近。
上述试验结果表明,本发明与已有的实例回归超分辨方法相比,所得的回归器具有更强的表征能力。本发明具有更强的超分辨重建能力,能够恢复出在视觉上有较好的感知效果,不存在明显的失真和伪像,更接近于真实图像。同时,本发明重建图像在客观评价上也展示出其与其他实例回归的超分辨方法相比更为巨大的优势和潜力。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于AdaBoost实例回归的超分辨率重建方法,其特征在于,包括如下步骤:
S1、采集高分辨自然图像,模拟图像降质过程,得到低分辨图像;
使用双立方插值将低分辨图像放大到所需大小,得到插值图像;
分别提取插值图像和原始高分辨图像的低分辨特征以及对应的高分辨特征;
构建第i个锚点对应的低分辨特征训练集上的K个最近邻构成的子集;以及第i个锚点对应的高分辨特征的K个最近邻构成的子集;其中,K表示欧式距离约束的最相关特征,表示K个最近邻的第个低分辨特征,表示K个最近邻的第个高分辨特征,K=2048;
S4、利用低分辨图像块特征与高分辨图像块特征间的共现表示关系,建立K个低分辨特征与高分辨特征间的初始线性映射关系,初始时权重,,这里表示由第个低分辨与高分辨特征建立的映射关系,是一个用来调节奇异解问题的很小的正常数,取,表示单位矩阵;
S5、用得到的初始回归器与对应的低分辨训练集,估计出对应的高分辨特征集,计算估计误差,计算回归器系数,更新权重的分布;其中,表示低分辨特征中的第个特征,表示估计出的与对应的第个高分辨特征,是损耗函数,这里,表示对误差求均值;
S6、利用AdaBoost回归的思想,重复步骤S3 -S6 ,经过T次迭代得到一组强回归器,;其中表示第次残差回归得到的回归器;特别地,在AdaBoost增强过程中,假设当前是第t次迭代增强,那么要更新的第t+1次的权重为:,,其中,表示次迭代时第个特征的权重,是归一化常数,,是损耗函数,;
2.根据权利要求1所述的基于AdaBoost实例回归的超分辨率重建方法,其特征在于,所述步骤S6中所述用AdaBoost回归的思想得到一组强回归器的过程按如下步骤进行:
S61、经过步骤S4、S5估计出第t次的高分辨特征集,计算出估计误差和回归器系数;其中,表示高分辨特征中的第个特征,表示估计出的第个高分辨特征,是第迭代的第个特征的权重,是损耗函数,这里,表示对第次得到的误差求均值;
S62、更新用于第t+1次增强的权重:
S122、将估计得到的高分辨特征叠加在插值的低分辨图像上,得到目标估计图像:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810320295.9A CN108596831B (zh) | 2018-04-02 | 2018-04-02 | 一种基于AdaBoost实例回归的超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810320295.9A CN108596831B (zh) | 2018-04-02 | 2018-04-02 | 一种基于AdaBoost实例回归的超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596831A CN108596831A (zh) | 2018-09-28 |
CN108596831B true CN108596831B (zh) | 2022-03-18 |
Family
ID=63621621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810320295.9A Expired - Fee Related CN108596831B (zh) | 2018-04-02 | 2018-04-02 | 一种基于AdaBoost实例回归的超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596831B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116526B (zh) * | 2019-06-19 | 2024-06-11 | 中国石油化工股份有限公司 | 基于深度卷积神经网络的火炬烟雾图像的超分辨率方法 |
CN112446826A (zh) * | 2019-09-03 | 2021-03-05 | 联咏科技股份有限公司 | 用于图像超分辨率、图像增强及模型训练的方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657962A (zh) * | 2014-12-12 | 2015-05-27 | 西安电子科技大学 | 基于级联线性回归的图像超分辨重建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101624210B1 (ko) * | 2010-08-27 | 2016-05-31 | 한화테크윈 주식회사 | 초해상도 영상 복원 방법, 및 이를 이용한 불법 주정차 단속 시스템 |
WO2013142706A1 (en) * | 2012-03-21 | 2013-09-26 | The Johns Hopkins University | A method of analyzing multi-sequence mri data for analysing brain abnormalities in a subject |
-
2018
- 2018-04-02 CN CN201810320295.9A patent/CN108596831B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657962A (zh) * | 2014-12-12 | 2015-05-27 | 西安电子科技大学 | 基于级联线性回归的图像超分辨重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108596831A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741256B (zh) | 基于稀疏表示和深度学习的图像超分辨率重建方法 | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
Zhang et al. | CCR: Clustering and collaborative representation for fast single image super-resolution | |
CN108537733B (zh) | 基于多路径深度卷积神经网络的超分辨率重建方法 | |
Yang et al. | Coupled dictionary training for image super-resolution | |
CN102142137B (zh) | 基于高分辨率字典的稀疏表征图像超分辨重建方法 | |
CN103150713B (zh) | 利用图像块分类稀疏表示与自适应聚合的图像超分辨方法 | |
CN105825477B (zh) | 基于多字典学习与非局部信息融合的遥感图像超分辨率重建方法 | |
CN105631807B (zh) | 基于稀疏域选取的单帧图像超分辨重建方法 | |
CN109598220B (zh) | 一种基于多元输入多尺度卷积的人数统计方法 | |
CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
CN109615576B (zh) | 基于级联回归基学习的单帧图像超分辨重建方法 | |
CN112967210B (zh) | 一种基于全卷积孪生网络的无人机图像去噪方法 | |
CN102243711A (zh) | 一种基于邻域嵌套的图像超分辨率重建方法 | |
CN106952317A (zh) | 基于结构稀疏的高光谱图像重建方法 | |
CN114898284B (zh) | 一种基于特征金字塔局部差异注意力机制的人群计数方法 | |
Yang et al. | License plate image super-resolution based on convolutional neural network | |
CN105513033A (zh) | 一种非局部联合稀疏表示的超分辨率重建方法 | |
CN108550111B (zh) | 一种基于多级字典学习的残差实例回归超分辨重建方法 | |
Shi et al. | Multi-scale deep networks for image compressed sensing | |
CN108596831B (zh) | 一种基于AdaBoost实例回归的超分辨率重建方法 | |
CN115526779A (zh) | 一种基于动态注意力机制的红外图像超分辨率重建方法 | |
CN111461976A (zh) | 基于高效轻量级坐标神经网络的图像超分辨率方法 | |
CN112150356A (zh) | 基于级联框架的单幅压缩图像超分辨率重建方法 | |
CN102222321A (zh) | 一种视频序列盲重建方法 |
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: 20220318 |
|
CF01 | Termination of patent right due to non-payment of annual fee |