CN108830789A - 基于稀疏表示的汽车主动安全图像处理方法 - Google Patents
基于稀疏表示的汽车主动安全图像处理方法 Download PDFInfo
- Publication number
- CN108830789A CN108830789A CN201810413331.6A CN201810413331A CN108830789A CN 108830789 A CN108830789 A CN 108830789A CN 201810413331 A CN201810413331 A CN 201810413331A CN 108830789 A CN108830789 A CN 108830789A
- Authority
- CN
- China
- Prior art keywords
- resolution
- block
- component
- definition picture
- rarefaction representation
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000011478 gradient descent method Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims description 14
- 238000012958 reprocessing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing 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 Processing (AREA)
- Image Analysis (AREA)
Abstract
基于稀疏表示的汽车主动安全图像处理方法。传统稀疏表示采用一个字典表示图像超分辨率先验信息，训练样本量大，导致计算代价高昂。本发明方法，将输入的低分辨率输入图像利用MCA方法分解为平滑分量和纹理分量；将稀疏编码向量化，将向量在低分辨率字典上进行稀疏表示可得到稀疏系数，得到提取的平滑分量当前高分辨率块和已重建好的高分辨率图像块；对纹理分量处理也得到提取当前高分辨率块和已重建好的高分辨率图像块；融合全部高分辨率分量块得到对应高分辨率形态分量；融合全部的高分辨率形态分量得到高分辨率图像；通过梯度下降法对高分辨率图像引入全局重建约束进行优化。本发明具有重建的高分辨率图像准确，计算代价低的优点。
Description
技术领域：
本发明涉及一种基于稀疏表示的汽车主动安全图像处理方法。
背景技术：
由于在汽车主动安全中对车辆、道路标志、车牌和交通标志识别等任务具有巨大需求，但是受成像条件、成本和环境等因素影响，经常存在低分辨率的图像或视频，使得图像超分辨率方法经常用作图像预处理步骤，实现对感兴趣区域的准确分析。例如，有文献中提出了结合不连续正则项的马尔科夫随机场方法实现车牌图像超分辨率，或有文献提出了基于最大后验概率的边缘保持图像超分辨率方法应用于交通监控图像序列的超分辨率。但图像包含大量复杂信息，然而传统稀疏表示采用一个字典表示图像超分辨率先验信息，为准确重建高分辨率图像，势必需要大量训练样本和高维数字典，从而导致计算代价高昂。
发明内容：
本发明的目的是提供一种基于稀疏表示的汽车主动安全图像处理方法。
上述的目的通过以下的技术方案实现：
一种基于稀疏表示的汽车主动安全图像处理方法，所述的汽车主动安全图像处理方法通过以下步骤实现：
步骤一、将输入的低分辨率输入图像利用MCA方法分解为平滑分量和纹理分量；
步骤二、将平滑分量用块方式表示为为分辨率形态分量的稀疏编码，将稀疏编码进行向量化，将向量在低分辨率字典上进行稀疏表示可得到稀疏系数；
步骤三、再处理当前块的与毗邻块之间的一致性和连续性，得到提取的平滑分量当前高分辨率块和已重建好的高分辨率图像块；
步骤四、再对当前高分辨率块和已重建好的高分辨率图像块之间的重叠区域进行约束优化；
步骤五、对纹理分量采用步骤二至步骤四的方法，也得到提取的纹理分量的当前高分辨率块和已重建好的高分辨率图像块；
步骤六、融合全部高分辨率分量块，得到对应高分辨率形态分量；
步骤七、融合全部的高分辨率形态分量得到高分辨率图像；
步骤八、最后通过梯度下降法对高分辨率图像引入全局重建约束进行优化，保证重建的高分辨率图像下采样后和低分辨率图像之间的相似性。
有益效果：
现有的重建高分辨率图像相，依据样本的聚类方法提出了多字典方案用来表示图像中的复杂结构，并取得了较好的重建结果。本发明从图像中存在不同形态特征的角度，针对当前基于稀疏表示的图像超分辨率方法中存在的单个字典难以准确表示图像中不同形态分量的问题，提出多形态稀疏表示的图像超分辨率方法。具有主动安全图标识别的普适性，重建的高分辨率图像准确，且重建的高分辨率图像所需练样本数量少，计算代价低。
具体实施方式：
具体实施方式一：
本实施方式的基于稀疏表示的汽车主动安全图像处理方法，所述的汽车主动安全图像处理方法通过以下步骤实现：
步骤一、将输入的低分辨率输入图像利用MCA方法分解为平滑分量和纹理分量；
步骤二、将平滑分量用块方式表示为为分辨率形态分量的稀疏编码，将稀疏编码进行向量化，将向量在低分辨率字典上进行稀疏表示可得到稀疏系数；
步骤三、再处理当前块的与毗邻块之间的一致性和连续性，得到提取的平滑分量当前高分辨率块和已重建好的高分辨率图像块；
步骤四、再对当前高分辨率块和已重建好的高分辨率图像块之间的重叠区域进行约束优化；
步骤五、对纹理分量采用步骤二至步骤四的方法，也得到提取的纹理分量的当前高分辨率块和已重建好的高分辨率图像块；
步骤六、融合全部高分辨率分量块，得到对应高分辨率形态分量；
步骤七、融合全部的高分辨率形态分量得到高分辨率图像；
步骤八、最后通过梯度下降法对高分辨率图像引入全局重建约束进行优化，保证重建的高分辨率图像下采样后和低分辨率图像之间的相似性。
具体实施方式二：
与具体实施方式一不同的是，本实施方式的基于稀疏表示的汽车主动安全图像处理方法，所述的稀疏系数求解过程具体为，
设为低分辨率形态分量的块，其中，Ek是从分量Xi的k位置提取大小为的图像块并对图像块进行向量化；将向量在低分辨率字典上进行稀疏表示可得到系数αik，(i＝c,t)，对应的稀疏系数求解过程表示为：
其中，F为提取特征操作，由4个滤波器构成，分别执行一阶微分和二阶微分计算；
在稀疏系数求解过程中组合优化采用如下范数松弛方法求解：
其中，ζ是拉格朗日乘子用来控制对表示的准确性。
具体实施方式三：
与具体实施方式一或二不同的是，本实施方式的基于稀疏表示的汽车主动安全图像处理方法，步骤三所述的处理当前块的与毗邻块之间的一致性和连续性的过程为，与毗邻块之间的一致性和连续性处理通过下式实现：
其中，G为提取当前高分辨率块和已重建好的高分辨率图像块Wi之间的重叠区域。
具体实施方式四：
与具体实施方式三不同的是，本实施方式的基于稀疏表示的汽车主动安全图像处理方法，步骤四所述的对当前高分辨率块和已重建好的高分辨率图像块之间的重叠区域进行约束优化的过程为，约束优化问题改写为：其中，和参数β，用来约束和Wi间的一致性，得到优化解
具体实施方式五：
与具体实施方式一、二或四不同的是，本实施方式的基于稀疏表示的汽车主动安全图像处理方法，步骤六所述的融合全部高分辨率分量块，得到对应高分辨率形态分量的过程为，根据优化解则高分辨率形态分量块能够通过结合稀疏稀疏和对应高分辨率字典计算得到：然后融合全部高分辨率块得到对应高分辨率分量
具体实施方式六：
与具体实施方式五不同的是，本实施方式的基于稀疏表示的汽车主动安全图像处理方法，步骤七所述的融合全部的高分辨率形态分量得到高分辨率图像的过程为，高分辨率图像通过融合全部的高分辨率形态分量得到：
全局重建约束公式为：
优化问题通过梯度下降法求解得：
其中，为第m此迭代得到的高分辨率凸显个，v是梯度下降步长，θ约束高分辨率图像与低分辨率图像X之间的相似度。
Claims (6)
1.一种基于稀疏表示的汽车主动安全图像处理方法，其特征是：所述的汽车主动安全图像处理方法通过以下步骤实现：
步骤一、将输入的低分辨率输入图像利用MCA方法分解为平滑分量和纹理分量；
步骤二、将平滑分量用块方式表示为为分辨率形态分量的稀疏编码，将稀疏编码进行向量化，将向量在低分辨率字典上进行稀疏表示可得到稀疏系数；
步骤三、再处理当前块的与毗邻块之间的一致性和连续性，得到提取的平滑分量当前高分辨率块和已重建好的高分辨率图像块；
步骤四、再对当前高分辨率块和已重建好的高分辨率图像块之间的重叠区域进行约束优化；
步骤五、对纹理分量采用步骤二至步骤四的方法，也得到提取的纹理分量的当前高分辨率块和已重建好的高分辨率图像块；
步骤六、融合全部高分辨率分量块，得到对应高分辨率形态分量；
步骤七、融合全部的高分辨率形态分量得到高分辨率图像；
步骤八、最后通过梯度下降法对高分辨率图像引入全局重建约束进行优化，保证重建的高分辨率图像下采样后和低分辨率图像之间的相似性。
2.根据权利要求1所述的基于稀疏表示的汽车主动安全图像处理方法，其特征是：所述的稀疏系数求解过程具体为，
设(i＝c,t)为低分辨率形态分量的块，其中，Ek是从分量Xi的k位置提取大小为的图像块并对图像块进行向量化；将向量(i＝c,t)在低分辨率字典(i＝c,t)上进行稀疏表示可得到系数αik，(i＝c,t)，对应的稀疏系数求解过程表示为：
其中，F为提取特征操作，由4个滤波器构成，分别执行一阶微分和二阶微分计算；
在稀疏系数求解过程中组合优化采用如下范数松弛方法求解：
(i＝c,t)，其中，ζ是拉格朗日乘子用来控制对表示的准确性。
3.根据权利要求1或2所述的基于稀疏表示的汽车主动安全图像处理方法，其特征是：步骤三所述的处理当前块的与毗邻块之间的一致性和连续性的过程为，与毗邻块之间的一致性和连续性处理通过下式实现：
其中，G为提取当前高分辨率块Ψi Hαik和已重建好的高分辨率图像块Wi之间的重叠区域。
4.根据权利要求3所述的基于稀疏表示的汽车主动安全图像处理方法，其特征是：步骤四所述的对当前高分辨率块和已重建好的高分辨率图像块之间的重叠区域进行约束优化的过程为，约束优化问题改写为：(i＝c,t)；其中，和参数β，用来约束Ψi Hαik和Wi间的一致性，得到优化解
5.根据权利要求1、2或4所述的基于稀疏表示的汽车主动安全图像处理方法，其特征是：步骤六所述的融合全部高分辨率分量块，得到对应高分辨率形态分量的过程为，根据优化解则高分辨率形态分量块(i＝c,t)能够通过结合稀疏稀疏和对应高分辨率字典(i＝c,t)计算得到：(i＝c,t)；然后融合全部高分辨率块得到对应高分辨率分量(i＝c,t)。
6.根据权利要求5所述的基于稀疏表示的汽车主动安全图像处理方法，其特征是：步骤七所述的融合全部的高分辨率形态分量得到高分辨率图像的过程为，高分辨率图像通过融合全部的高分辨率形态分量(i＝c,t)得到：
全局重建约束公式为：
优化问题通过梯度下降法求解得：
其中，为第m此迭代得到的高分辨率凸显个，v是梯度下降步长，θ约束高分辨率图像与低分辨率图像X之间的相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810413331.6A CN108830789A (zh) | 2018-05-03 | 2018-05-03 | 基于稀疏表示的汽车主动安全图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810413331.6A CN108830789A (zh) | 2018-05-03 | 2018-05-03 | 基于稀疏表示的汽车主动安全图像处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108830789A true CN108830789A (zh) | 2018-11-16 |
Family
ID=64148067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810413331.6A Pending CN108830789A (zh) | 2018-05-03 | 2018-05-03 | 基于稀疏表示的汽车主动安全图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830789A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949636A (zh) * | 2021-03-31 | 2021-06-11 | 上海电机学院 | 一种车牌超分辨率识别方法、系统及计算机可读介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915527A (zh) * | 2012-10-15 | 2013-02-06 | 中山大学 | 基于形态学成分分析的人脸图像超分辨率重建方法 |
| CN104867116A (zh) * | 2015-04-21 | 2015-08-26 | 重庆大学 | 一种基于mca和字典学习的车牌超分辨率重构方法 |
| KR101770977B1 (ko) * | 2016-03-25 | 2017-08-24 | 연세대학교 산학협력단 | 고해상도 컬러 영상 생성 장치 및 방법 |
-
2018
- 2018-05-03 CN CN201810413331.6A patent/CN108830789A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915527A (zh) * | 2012-10-15 | 2013-02-06 | 中山大学 | 基于形态学成分分析的人脸图像超分辨率重建方法 |
| CN104867116A (zh) * | 2015-04-21 | 2015-08-26 | 重庆大学 | 一种基于mca和字典学习的车牌超分辨率重构方法 |
| KR101770977B1 (ko) * | 2016-03-25 | 2017-08-24 | 연세대학교 산학협력단 | 고해상도 컬러 영상 생성 장치 및 방법 |
Non-Patent Citations (3)
| Title |
|---|
| 刘微容: "面向汽车主动安全的图像处理关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
| 徐志刚等: "基于稀疏表示和多成分字典学习的超分辨率重建", 《系统工程与电子技术》 * |
| 杨存强等: "基于图像块迭代和稀疏表示的超分辨率图像重建算法", 《计算机应用》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949636A (zh) * | 2021-03-31 | 2021-06-11 | 上海电机学院 | 一种车牌超分辨率识别方法、系统及计算机可读介质 |
| CN112949636B (zh) * | 2021-03-31 | 2023-05-30 | 上海电机学院 | 一种车牌超分辨率识别方法、系统及计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443842B (zh) | 基于视角融合的深度图预测方法 | |
| CN111369581B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
| CN106339998A (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
| Chen et al. | Large-scale individual building extraction from open-source satellite imagery via super-resolution-based instance segmentation approach | |
| CN105335929A (zh) | 一种深度图超分辨方法 | |
| CN103065292A (zh) | 一种基于主成份稀疏表达的人脸超分辨率重建方法 | |
| CN113706562B (zh) | 图像分割方法、装置、系统及细胞分割方法 | |
| CN104091364B (zh) | 单幅图像超分辨重建方法 | |
| Diao et al. | Automatic computer-aided histopathologic segmentation for nasopharyngeal carcinoma using transformer framework | |
| Wang et al. | Joint depth map super-resolution method via deep hybrid-cross guidance filter | |
| CN112686830B (zh) | 基于图像分解的单一深度图的超分辨率方法 | |
| Wang et al. | Automatic consecutive context perceived transformer GAN for serial sectioning image blind inpainting | |
| CN113724267A (zh) | 一种乳腺超声图像肿瘤分割方法及装置 | |
| CN109886869A (zh) | 一种基于上下文信息的非线性拓展的人脸幻构方法 | |
| CN108830789A (zh) | 基于稀疏表示的汽车主动安全图像处理方法 | |
| CN116994245A (zh) | 基于深度学习的空间转录组分析方法、装置及可读介质 | |
| CN116778164A (zh) | 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法 | |
| CN116309278A (zh) | 基于多尺度上下文感知的医学图像分割模型及方法 | |
| CN115565034A (zh) | 基于双流增强网络的红外小目标检测方法 | |
| Dadon et al. | DDNeRF: Depth Distribution Neural Radiance Fields | |
| CN114821067A (zh) | 基于点标注数据的病理图像分割方法 | |
| CN114119874A (zh) | 基于gan的单图重建高清3d面部纹理的方法 | |
| CN113487546A (zh) | 一种特征-输出空间双对齐的变化检测方法 | |
| CN113450394A (zh) | 一种基于Siamese网络的异尺寸图像配准方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181116 |
|
| WD01 | Invention patent application deemed withdrawn after publication |