CN109064402A - 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 - Google Patents
基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN109064402A CN109064402A CN201810839664.5A CN201810839664A CN109064402A CN 109064402 A CN109064402 A CN 109064402A CN 201810839664 A CN201810839664 A CN 201810839664A CN 109064402 A CN109064402 A CN 109064402A
- Authority
- CN
- China
- Prior art keywords
- image
- non local
- pixel
- resolution
- similar
- 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 63
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 230000006641 stabilisation Effects 0.000 claims 1
- 238000011105 stabilization Methods 0.000 claims 1
- 238000005303 weighing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000287531 Psittacidae Species 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于增强非局部总变分模型先验的单幅图像超分辨率重建方法。主要包括以下步骤：对输入低分辨率图像进行双三次插值，得到初始高分辨率估计；利用多偏移搜索策略，得到每个像素对应的非局部相似像素组；基于衰减核策略，对多偏移搜索处理中的偏移目标图像块分配随偏移距离衰减的权重；基于稳定的组相似性可靠度策略，得到每个相似像素组与目标像素间的相似性可靠度；构建基于增强非局部总变分的超分辨率代价函数，并求解高分辨率图像；重复前述几个步骤，直到迭代次数到达预设值。本发明重建得到的图像在主客观效果上均具有明显的优势，因此本发明是一种有效的单幅图像超分辨率重建方法，且可广泛应用于军事、医疗、农业等领域。
Description
技术领域
本发明涉及非局部变分模型与图像超分辨率重建技术，具体涉及一种增强非局部总变分模型先验，并将该先验运用于单幅图像超分辨率重建中，属于数字图像处理领域的图像复原方向。
背景技术
随着计算机科学与信息科学的蓬勃发展，图像/视频等数字化视觉信号在军事、医疗、农业、民生等领域有着越来越广泛的应用，这也对高分辨率图像/视频提出了极大的应用需求。但是由于采集设备和拍摄环境的限制，最终采集到的图像/视频不可避免地存在一定程度的降质(如：分辨率不足、噪声污染、模糊等)，可能导致获取的图像/视频的质量无法满足实际需求。因此，提升图像/视频信号的分辨率是十分必要的。根据单幅降质图像对原始真实高分辨率图像进行估计的单幅图像超分辨率重建技术是重要的图像质量提升方法，其具有成本低、适用性强等特点。由于同一低分辨率图像可能对应多个不同的高分辨率图像，单幅图像超分辨率重建属于典型的逆问题，具有明显的病态性。为了获得可靠的高分辨率图像估计，需要对真实解空间进行正则化约束，这会涉及到自然图像的先验信息。在过去的几十年中，图像处理领域的学者们提出了许多有效的图像模型先验，其中非局部总变分在图像处理中得到了广泛的应用。自适应高维度非局部总变分(Adaptive HighDimensional Non-local Total Variation,AHNLTV)作为非局部总变分最新的成果之一，已经在单幅图像超分辨率中取得了可喜的效果。但是，该模型仍然存在两大问题：(1)在多偏移处理中，对不同偏移的目标块未考虑进入偏移距离的影响；(2)使用传统非归一化的权重来定义非局部流，导致非局部相似像素的可靠度无法被精确地估计。这些问题将影响到AHNLTV对图像进行非局部建模的能力(特别是在图像高频区域)，进而影响到对图像高频信息的复原。
发明内容
本发明的目的是将衰减核策略以及稳定的组相似性可靠度策略引入到AHNLTV算法中，以构建全新的增强非局部总变分模型先验，进而获得一种高性能的单幅图像超分辨率重建方法。本发明重建得到的图像具有良好的超分辨率重建性能，主要包括以下操作步骤：
(1)对输入低分辨率图像进行双三次插值，得到初始高分辨率图像估计；
(2)利用多偏移搜索策略，对估计的高分辨率图像的每个目标图像块进行相似块搜索，进而得到每个像素对应的非局部相似像素组；
(3)基于衰减核策略，对多偏移搜索处理中的小偏移目标图像块分配大的权重，而对大偏移目标图像块分配小的权重；
(4)计算基于衰减核策略下，每个相似像素与目标参考像素间的非局部相似权重，并进行归一化处理；
(5)基于稳定的组相似性可靠度策略，得到每个相似像素组与目标参考像素间的相似性可靠度度量；
(6)联合步骤(4)与步骤(5)，得到增强非局部总变分模型先验；
(7)根据步骤(6)得到的模型先验，构建对应的超分辨率重建代价函数；
(8)利用Split Bregman Iteration技术来最优化重建代价函数，得到估计的高分辨率图像；
(9)重复步骤(2)至(8)，直到迭代次数到达预设值。
附图说明
图1是本发明基于增强非局部总变分模型先验的单幅图像超分辨率重建方法的原理框图
图2是本发明基于衰减核策略的图解说明
图3是本发明实验中使用的10张常用测试图
图4是本发明与四种对比方法对“Plants”图像进行三倍重建的结果的对比图
图5是本发明与四种对比方法对“Leaves”图像进行三倍重建的结果的对比图
具体实施方式
下面结合附图对本发明作进一步说明：
图1中，基于增强非局部总变分模型先验的单幅图像超分辨率重建方法，具体可以分为以下几个步骤：
(1)对输入低分辨率图像进行双三次插值，得到初始高分辨率图像估计；
(2)利用多偏移搜索策略，对估计的高分辨率图像的每个目标图像块进行相似块搜索，进而得到每个像素对应的非局部相似像素组；
(3)基于衰减核策略，对多偏移搜索处理中的小偏移目标图像块分配大的权重，而对大偏移目标图像块分配小的权重；
(4)计算基于衰减核策略下，每个相似像素与目标参考像素间的非局部相似权重，并进行归一化处理；
(5)基于稳定的组相似性可靠度策略，得到每个相似像素组与目标参考像素间的相似性可靠度度量；
(6)联合步骤(4)与步骤(5)，得到增强非局部总变分模型先验；
(7)根据步骤(6)得到的模型先验，构建对应的超分辨率重建代价函数；
(8)利用Split Bregman Iteration技术来最优化重建代价函数，得到估计的高分辨率图像；
(9)重复步骤(2)至(8)，直到迭代次数到达预设值。
具体地，所述步骤(1)中，我们采用双三次插值方法获取初始高分辨率图像估计。
所述步骤(2)中，我们使用多偏移搜索策略，对估计的高分辨率图像的每个目标图像块进行相似块搜索(其中块尺寸p×p取为7×7，非局部相似块数目L设为10)，进而得到每个像素对应的非局部相似像素组。具体使用Ren等提出的方法，参考文献“Ren C,He X H,Nguyen T Q.Single Image Super-Resolution via Adaptive High-Dimensional Non-Local Total Variation and Adaptive Geometric Feature.IEEE transactions onimage processing.2017,26(1):90-106.”。
所述步骤(3)中，衰减核策略的目的是对多偏移搜索处理中不同偏移距离的目标块分配不同的权重。原本的AHNLTV方法采用多偏移的策略来构建高维度的相似像素组。假设目标块尺寸为p×p，那么对像素Xi而言，包含像素Xi的所有目标块共有p2个。但是这p2个目标块被同等对待，没有考虑进入偏移距离的影响。为此，本发明采用衰减核策略来对每一个偏移目标块分配权重：对小偏移的目标块分配大的权重，而对大偏移的目标块分配小的权重。该策略意味着权重函数应该具有随偏移距离增加而降低的空间自适应衰减核形式。图2给出了当块尺寸为7×7时，非偏移目标块、第3个偏移目标块以及第33个偏移目标块的示意图，其中块内每个点对应的颜色亮暗对应以该点为块中心的偏移目标块对应的衰减权重大小。由于高斯函数能够很好地满足衰减核策略的要求，本发明采用高斯函数来构建衰减核。又由于在AHNLTV中，cij索引j在Xi对应的高维度非局部相似像素的索引集Ni中的重复次数(即)与相似权重有相同的变化趋势，于是本发明通过对cij进行处理，来达到对不同偏移进行自适应加权的目的。本发明定义如下变量
其中，表示j在Xi对应的高维度非局部相似像素的索引集Ni中的子索引集，定义如下：
其中δi为每个偏移目标块相对非偏移目标块的偏移距离，σ是p×p高斯核的标准差，Zσ是核归一化参数。为了稳定性和进一步降低维度，本发明把小概率的相似像素点丢弃，这等效于对小于阈值τdis(本发明中，τdis取为3)的相似像素进行剔除。本发明中，将剔除小概率相似像素后的相似像素索引集合记为
所述步骤(4)中，参照AHNLTV方法，计算得到每个相似像素与目标参考像素间的非局部相似权重。具体地，非局部相似权重定义为：
其中，为Xj与Xi间的基于概率的权重，wd(i,j)为Xj与Xi间的基于亮度的像素距离权重，依次定义为：
其中，是的第j个相似像素，exp为自然指数函数，α、β、h是常量(本发明依次设为0.5、0.1、24)。得到所有wDK(i,j)之后，我们对每个像素对应的相似权重进行归一化处理：
所述步骤(5)中，由于步骤(4)中的权重仅仅体现非局部相似像素组内部的权重，忽略了整个相似像素组本身的可靠程度，为此本发明提出稳定的组相似性可靠度估计方法。首先，定义为对应整个图像所有像素点的可靠度度量向量，其中是与归一化非局部梯度幅值相关的加权函数，M、N为图像的行数与列数。接着，定义ζi为当前像素Xi与其相似像素组构成的集合的方差。根据以上定义，本发明基于方差的可靠度度量策略如下：如果方差越小，则相似像素组越可靠，应该给Xi对应的非局部约束分配一个更大的权重，反之亦然。据此，最终定义如下：
其中A、B为常数，分别取为2、0.75。由于反映的是图像的组相似性可靠度度量，强烈依赖于图像结构，应该具有较强的局部一致性，因此本发明将置信图滤波的概念引入到的计算中。置信图滤波具体过程如下：
a.首先将表示为一个二维(2D)形式的置信图
b.由于导向核能够很好地捕获图像的结构信息，并且对局部图像数据的扰动具有非常强的鲁棒性，因此本发明利用局部导向核对进行滤波，以提高局部可靠度度量一致性。导向核具体使用Takeda等提出的方法，参考文献“H.Takeda,S.Farsiu,andP.Milanfar,“Kernel regression for image processing and reconstruction,”IEEETrans.Image Process.,vol.16,no.2,pp.349–366,Feb.2007.”。通过使用该方法，可以计算出每一个p'×p'(本发明p'取为13)窗口的导向核
c.经过置信图滤波的可表示为：
其中，Ri(·)是提取第i个图像块的提取函数，“*”表示卷积操作，Ω为图像中所有像素的索引坐标。
d.最后将转化为一维的列向量形式，即
所述步骤(6)中，构造的基于衰减核策略和稳定的组相似性可靠度策略的增强非局部变分模型先验如下：
其中“⊙”为点乘操作，为非局部梯度强度，定义如下：
可以得出，通过稳定的组相似可靠度度量向量，上述J(X)实现了对各像素处非局部梯度强度的自适应约束。
所述步骤(7)中，本发明构建如下单幅图像超分辨率重建代价函数：
其中Y为输入的低分辨率图像，X为未知高分辨率图像，H为模糊矩阵，D为下采样矩阵，λ为正则化系数。
所述步骤(8)中，由于步骤(7)提出的代价函数为L1范数形式，本发明采用SplitBregman Iteration技术来最优化重建代价函数，得到估计的高分辨率图像。
所述步骤(9)中，我们称完整地执行一次步骤(2)至(8)为一次外部迭代。在每次外部迭代中会重新搜索相似块并构建非局部模型先验。本发明中，当外部迭代次数达到3时，停止进行迭代。
为了更好地说明本发明的有效性，本发明在如图3所示的10张常用测试图像(记这10张图像集合为Set10)上进行了对比实验。这10张图以及对应尺寸依次为：Bird(288×288),Butterfly(256×256),Chip(244×200),Flower(256×256),House(256×256),Leaves(256×256),Parrot(256×256),Plants(256×256),Woman(228×344),Yacht(512×480)。本发明对应的低分辨率图像生成方式：用大小为7×7，方差为1.5的高斯模糊核对高分辨率测试图像进行模糊，然后进行3倍下采样。对比实验选取双三次插值Bicubic与5个具有代表性的单幅图像超分辨率重建方法与本发明进行比较。这5个具有代表性的单幅图像超分辨率重建方法为：
方法1：Zhang等人提出的方法，参考文献“K.Zhang,X.Gao,D.Tao,and X.Li,“Single image super-resolution with non-local means and steering kernelregression,”IEEE Trans.Image Process.,vol.21,no.11,pp.4544-4556,Nov.2012.”。
方法2：Zhang等人提出的方法，参考文献“X.Zhang,M.Burger,X.Bresson,andS.Osher,“Bregmanized nonlocal regularization for deconvolution and sparsereconstruction,”SIAM Journal on Imaging Sciences,vol.3,no.3,pp.253–276,2010.”。
方法3：Ren等人提出的方法，参考文献“C.Ren,X.He,and T.Q.Nguyen,“Singleimage super-resolution via adaptive high-dimensional non-local totalvariation and adaptive geometric feature,”IEEE Trans.Image Process.,vol.26,no.1,pp.90–106,Jan.2017.”。需要说明的是，为了公平比较提出的增强非局部变分模型先验与AHNLTV模型先验，我们去掉了方法3中的局部先验部分。
方法4：Dong等人提出的方法，参考文献“W.Dong,L.Zhang,G.Shi,and X.Li,“Nonlocally centralized sparse representation for image restoration,”IEEETrans.Image Process.,vol.22,no.4,pp.1620-1630,Apr.2013.”。
方法5：Papyan等人提出的方法，参考文献“V.Papyan and M.Elad,“Multi-scalepatch-based image restoration,”IEEE Trans.Image Process.,vol.25,no.1,pp.249–261,Jan.2016.”。
对比实验的内容如下：
分别用Bicubic，方法1，方法2，方法3，方法4，方法5以及本发明对由测试图像模拟生成的低分辨率图像进行3倍重建。“Plants”图像(如图4(a)所示)超分辨率重建结果分别如图4(b)、图4(c)、图4(d)、图4(e)、图4(f)、图4(g)及图4(h)所示，“Leaves”图像(如图5(a)所示)超分辨率重建结果分别如图5(b)、图5(c)、图5(d)、图5(e)、图5(f)、图5(g)及图5(h)所示。在Set10上重建结果的客观评价参数如表一所示。其中客观评价参数PSNR(PeakSignal to Noise Ratio)及SSIM(Structure Similarity Index)均为值越大，代表图像质量越好。
表一
从实验结果可以得出：
双三次插值图像有明显的模糊痕迹，在边缘处有明显的阶梯效应，性能最差。方法1与方法5在主观与客观质量上较双三次有明显提升。方法2虽有较方法1与5有更好的表现，但是在重建的边缘仍然较模糊。方法3与方法4能更好地推断丢失的细节，获得更好的客观指标，但是模糊以及扭曲仍然发生，如：“Plants”图像中植物的花瓣与茎叶，以及“Leaves”图像中植物的茎干的边缘轮廓。总的来说，本发明提出的基于增强非局部总变分模型先验的方法能够获得最好的PSNR/SSIM值，以及最佳的视觉效果。
综上所述，本发明重建得到的图像在主观视觉效果与客观评价参数值上具有明显的优势。因此，本发明是一种有效的单幅图像超分辨率重建方法。
Claims (6)
1.基于增强非局部总变分模型先验的单幅图像超分辨率重建方法，其特征在于包括以下步骤：
步骤一：对输入低分辨率图像进行双三次插值，得到初始高分辨率图像估计；
步骤二：利用多偏移搜索策略，对估计的高分辨率图像的每个目标图像块进行相似块搜索，进而得到每个像素对应的非局部相似像素组；
步骤三：基于衰减核策略，对多偏移搜索处理中的小偏移目标图像块分配大的权重，而对大偏移目标图像块分配小的权重；
步骤四：计算基于衰减核策略下，每个像素与目标参考像素间的非局部相似权重，并进行归一化处理；
步骤五：基于稳定的组相似性可靠度策略，得到每个相似像素组与目标参考像素间的相似性可靠度度量；
步骤六：联合步骤四与步骤五，得到增强非局部总变分模型先验；
步骤七：根据步骤六得到的模型先验，构建对应的超分辨率重建代价函数；
步骤八：利用Split Bregman Iteration技术来最优化重建代价函数，得到估计的高分辨率图像；
步骤九：重复步骤二至八，直到迭代次数到达预设值。
2.根据权利要求1所述的基于增强非局部总变分模型先验的单幅图像超分辨率重建方法，其特征在于步骤三所述的衰减核策略：采用高斯形式的衰减核策略来对多偏移搜索处理中不同偏移距离的目标块分配不同的权重；为了实现对不同偏移进行自适应加权，定义如下变量
其中，表示j在Xi对应的高维度非局部相似像素的索引集Ni中的子索引集，定义如下：
其中δι为每个偏移目标块相对非偏移目标块的偏移距离，σ是p×p尺寸的高斯核的标准差，Zσ是核归一化参数；
为了避免低相似度像素的影响和进一步降低维度，把小于阈值τdis的相似像素丢弃，仅保留大概率的相似像素。
3.根据权利要求1所述的基于增强非局部总变分模型先验的单幅图像超分辨率重建方法，其特征在于步骤四所述的基于衰减核策略的归一化相似权重计算：在衰减核策略基础上采用了归一化的权重处理，为后续更加灵活的权重计算方法提供了很好的条件；采用如下方式计算每个相似像素与目标参考像素间的非局部相似权重：
其中，为Xj与Xi间的基于概率的权重，wd(i,j)为Xj与Xi间的基于亮度的像素距离权重，依次定义为：
其中，是的第j个相似像素，exp(·)为自然指数函数，α、β、h为常量；
得到所有wDK(i,j)之后，对每个像素对应的相似权重进行归一化处理：
其中为步骤三中，剔除小概率相似像素后的相似像素索引集合。
4.根据权利要求1所述的基于增强非局部总变分模型先验的单幅图像超分辨率重建方法，其特征在于步骤五所述的稳定的组相似性可靠度策略：由于步骤四中的权重仅仅体现非局部相似像素组内部的权重，忽略了整个相似像素组本身的可靠程度，为此提出稳定的组相似性可靠度估计方法；首先，定义为对应整个图像所有像素点的可靠度度量向量，其中是与归一化非局部梯度幅值相关的加权函数，M、N为图像的行数与列数；接着，定义ζi为当前像素Xi与其相似像素组构成的集合的方差；根据以上定义，基于方差的可靠度度量策略如下：如果方差越小，则相似像素组越可靠，应该给Xi对应的非局部约束分配一个更大的权重，反之亦然；据此，最终定义如下：
其中A、B为常数；
由于反映的是图像的组相似性可靠度度量，强烈依赖于图像结构，应该具有较强的局部一致性，因此将置信图滤波的概念引入到的计算中，其具体过程如下：
首先将表示为一个二维(2D)形式的置信图利用局部导向核对进行滤波，以提高局部可靠度度量一致性，其中第i个导向核记为经过置信图滤波的可表示为：
其中，Ri(·)是提取第i个图像块的提取函数，“*”表示卷积操作，Ω为图像中所有像素的索引坐标；最后将转化为一维的列向量形式，即
5.根据权利要求1所述的基于增强非局部总变分模型先验的单幅图像超分辨率重建方法，其特征在于步骤六所述的增强非局部总变分模型先验：构造的基于衰减核策略和稳定的组相似性可靠度策略的增强非局部变分模型先验如下：
其中“⊙”为点乘操作，为非局部梯度强度，定义如下：
可以得出，通过稳定的组相似性可靠度度量向量，上述J(X)实现了对各像素处非局部梯度强度的自适应约束。
6.根据权利要求1-5所述的基于增强非局部总变分模型先验的单幅图像超分辨率重建方法，其特征在于该方法是针对单幅低分辨率图像设计的超分辨率重建方法，但是本方法可以拓展到其它图像/视频复原应用，例如：图像/视频去噪、去模糊以及修复。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810839664.5A CN109064402B (zh) | 2018-07-27 | 2018-07-27 | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810839664.5A CN109064402B (zh) | 2018-07-27 | 2018-07-27 | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109064402A true CN109064402A (zh) | 2018-12-21 |
| CN109064402B CN109064402B (zh) | 2019-12-10 |
Family
ID=64836529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810839664.5A Active CN109064402B (zh) | 2018-07-27 | 2018-07-27 | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109064402B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741263A (zh) * | 2019-01-11 | 2019-05-10 | 四川大学 | 基于自适应联合约束的遥感图像超分辨率重建算法 |
| CN109767389A (zh) * | 2019-01-15 | 2019-05-17 | 四川大学 | 基于局部和非局部联合先验的自适应加权双范数遥感图像盲超分辨重建方法 |
| CN110298789A (zh) * | 2019-06-03 | 2019-10-01 | 辽宁师范大学 | 基于tv先验的单幅图像超分辨率重建方法 |
| CN113010038A (zh) * | 2021-02-09 | 2021-06-22 | 北京工业大学 | 一种基于超分辨率重构的超声兰姆波触控载荷识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101441765A (zh) * | 2008-11-19 | 2009-05-27 | 西安电子科技大学 | 保持边缘清晰的自适应正则超分辨图像重建方法 |
| CN107085826A (zh) * | 2017-04-11 | 2017-08-22 | 四川大学 | 基于加权重叠非局部回归先验的单幅图像超分辨率重建方法 |
-
2018
- 2018-07-27 CN CN201810839664.5A patent/CN109064402B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101441765A (zh) * | 2008-11-19 | 2009-05-27 | 西安电子科技大学 | 保持边缘清晰的自适应正则超分辨图像重建方法 |
| CN107085826A (zh) * | 2017-04-11 | 2017-08-22 | 四川大学 | 基于加权重叠非局部回归先验的单幅图像超分辨率重建方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741263A (zh) * | 2019-01-11 | 2019-05-10 | 四川大学 | 基于自适应联合约束的遥感图像超分辨率重建算法 |
| CN109767389A (zh) * | 2019-01-15 | 2019-05-17 | 四川大学 | 基于局部和非局部联合先验的自适应加权双范数遥感图像盲超分辨重建方法 |
| CN109767389B (zh) * | 2019-01-15 | 2023-06-20 | 四川大学 | 基于局部和非局部联合先验的自适应加权双范数遥感图像盲超分辨重建方法 |
| CN110298789A (zh) * | 2019-06-03 | 2019-10-01 | 辽宁师范大学 | 基于tv先验的单幅图像超分辨率重建方法 |
| CN110298789B (zh) * | 2019-06-03 | 2023-04-14 | 辽宁师范大学 | 基于tv先验的单幅图像超分辨率重建方法 |
| CN113010038A (zh) * | 2021-02-09 | 2021-06-22 | 北京工业大学 | 一种基于超分辨率重构的超声兰姆波触控载荷识别方法 |
| CN113010038B (zh) * | 2021-02-09 | 2024-02-02 | 北京工业大学 | 一种基于超分辨率重构的超声兰姆波触控载荷识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109064402B (zh) | 2019-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Wavelet-based dual-branch network for image demoiréing | |
| CN107123089B (zh) | 基于深度卷积网络的遥感图像超分辨重建方法及系统 | |
| CN112507997B (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
| CN107025632B (zh) | 一种图像超分辨率重建方法及系统 | |
| Efrat et al. | Accurate blur models vs. image priors in single image super-resolution | |
| CN106408524B (zh) | 基于二维图像辅助的深度图像增强方法 | |
| CN110599401A (zh) | 遥感图像超分辨率重建方法、处理装置及可读存储介质 | |
| CN105976330B (zh) | 一种嵌入式雾天实时视频稳像方法 | |
| CN109064402A (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
| CN109146787B (zh) | 一种基于插值的双相机光谱成像系统的实时重建方法 | |
| Gao et al. | Improving the performance of infrared and visible image fusion based on latent low-rank representation nested with rolling guided image filtering | |
| CN115170410A (zh) | 融合小波变换和注意力机制的图像增强方法及装置 | |
| Iwasokun et al. | Image enhancement methods: a review | |
| CN116739899A (zh) | 基于saugan网络的图像超分辨率重建方法 | |
| CN115578262A (zh) | 基于afan模型的偏振图像超分辨率重建方法 | |
| CN107944497A (zh) | 基于主成分分析的图像块相似性度量方法 | |
| Chen et al. | Attention-based Broad Self-guided Network for Low-light Image Enhancement | |
| CN117197627B (zh) | 一种基于高阶退化模型的多模态图像融合方法 | |
| CN113034371A (zh) | 一种基于特征嵌入的红外与可见光图像融合方法 | |
| CN110084774B (zh) | 一种增强的梯度传递和总变差最小化融合图像的方法 | |
| Lu et al. | GradDT: Gradient-Guided Despeckling Transformer for Industrial Imaging Sensors | |
| CN109615584A (zh) | 一种基于单应性约束的sar图像序列map超分辨率重建方法 | |
| CN107767342B (zh) | 一种基于积分平差模型的小波变换超分辨率图像重建方法 | |
| CN115937302A (zh) | 结合边缘保持的高光谱图像亚像元定位方法 | |
| Peng et al. | MND-GAN: A Research on Image Deblurring Algorithm Based on Generative Adversarial Network |
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 |