CN109064403B - 基于分类耦合字典稀疏表示的指纹图像超分辨率方法 - Google Patents

基于分类耦合字典稀疏表示的指纹图像超分辨率方法 Download PDF

Info

Publication number
CN109064403B
CN109064403B CN201810908519.8A CN201810908519A CN109064403B CN 109064403 B CN109064403 B CN 109064403B CN 201810908519 A CN201810908519 A CN 201810908519A CN 109064403 B CN109064403 B CN 109064403B
Authority
CN
China
Prior art keywords
resolution
fingerprint
block
low
classification
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.)
Active
Application number
CN201810908519.8A
Other languages
English (en)
Other versions
CN109064403A (zh
Inventor
卞维新
徐德琴
接标
丁玉祥
方群
罗永龙
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.)
Anhui Normal University
Original Assignee
Anhui Normal 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 Anhui Normal University filed Critical Anhui Normal University
Priority to CN201810908519.8A priority Critical patent/CN109064403B/zh
Publication of CN109064403A publication Critical patent/CN109064403A/zh
Application granted granted Critical
Publication of CN109064403B publication Critical patent/CN109064403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于图形处理技术领域，提供了一种基于分类耦合字典稀疏表示的指纹图像超分辨率方法，该方法包括如下步骤：S1、基于构建的字典学习模型，对分类耦合字典学习样本块集进行分类训练，构建高低分辨率分类耦合字典；S2、基于输入的低分辨率指纹图像块的脊线方向，选择对应类的高低分辨率分类耦合字典，重构高分辨率指纹图像。充分考虑了点梯度模在指纹块脊线方向估计中的贡献，通过块点梯度矢量集加权线性投影分析对指纹块脊线方向进行估计，提高了指纹块脊线方向估计的准确性和可靠性，基于脊线约束的分类耦合字典的使用提高了指纹图像稀疏建模的有效性，在保证指纹脊线可靠重构的同时，尽可能地抑制了噪声，更好地保存了脊线模式信息。

Description

基于分类耦合字典稀疏表示的指纹图像超分辨率方法
技术领域
本发明属于图像处理技术领域，提供了一种基于分类耦合字典稀疏表示的指纹图像超分辨率方法。
背景技术
图像超分辨率重构技术是当前图像处理领域的研究热点之一。图像超分辨率是一种图像分辨率增强技术，广泛应用在低质量医学图像、遥感图像和卫星图像等诊断或分析极为困难的场合。图像超分辨率技术的目的是依据输入低分辨率(Low Resolution，LR)图像得到高分辨率(High Resolution，HR)输出图像。显然，高分辨率图像中的像素密度高，能够提供更多的细节，而这些细节在许多实际应用中不可或缺。目前对图像超分辨率增强问题的研究在人脸图像超分辨率和核磁共振图像超分辨率等领域取得了极大成功。
生物识别技术是当前信息科学技术领域研究的热点之一，而指纹识别则是目前应用最多，也是目前应用最好的生物识别技术之一。尽管人们对自动指纹识别技术已经进行了广泛而深入的研究，也取得了丰硕的成果，但对于低质量指纹图像的识别仍然存在很多挑战性的问题。在已有的研究文献中，低质量指纹图像的质量可以通过各种增强方法来改进，但绝大多数指纹增强方法都是基于不变分辨率进行的，指纹图像超分辨率的研究并不常见。而在实际应用中，由于受到各种现实条件的限制(如移动设备等)，在某些情况下，我们只能获得低分辨率的指纹，而对低分辨率的指纹图像的识别是非常困难的，有时甚至会变得毫无意义，因此，对低分辨率指纹图像进行高分辨率重构时十分必要的。
在单个图像超分辨率重构算法中，为了使单个图像超分辨率更具鲁棒性，获得一个可靠且有效的图像先验信息是至关重要的。指纹图像超分辨的目的是设计一种可行的方法，实现低分辨率输入指纹的高分辨率重构问题，进而提高指纹识别系统的性能。与自然界一般真实图像不同，指纹具有非常稳定可靠的脊线模式先验。指纹脊线方向描述了指纹局部脊线模式，它在自动指纹识别系统的各个阶段都起着重要的作用。因此，将指纹脊线模式先验引入指纹图像超分辨率重构时可行的。已有研究文献提出基于聚类的方法对指纹图像训练集进行分类，从而构建分类字典进行指纹图像超分辨率重构。然而，由于指纹图像块方向分布的不一致性，使用聚类得到的训练集会导致每类的样本分布不均匀。在极端情况下，某些类可能只有少量的训练样本，可能导致该类字典学习变得毫无意义，进而使得该类指纹块的超分辨率重构出现严重错误。
发明内容
本发明实施例提供了一种基于分类耦合字典稀疏表示的指纹图像超分辨率方法，旨在解决现有基于分类字典进行指纹图像超分辨率重构方法，由于某些类可能只有少量的训练样本，可能使得该类字典学习存在偏差，导致该类指纹块的超分辨率重构出现严重错误的问题。
本发明是这样实现的，一种基于分类耦合字典稀疏表示的指纹图像超分辨率方法，该方法包括如下步骤：
S1、基于构建的字典学习模型，对分类耦合字典学习样本块集进行分类训练，构建高低分辨率分类耦合字典；
S2、基于输入的低分辨率指纹图像块的脊线方向，选择对应类的高低分辨率分类耦合字典，重构高分辨率指纹图像。
进一步的，所述分类耦合字典学习样本块集的构建方法包括如下步骤：
S11、构建高分辨率指纹图像训练集及对应的低分辨率指纹图像训练集；
S12、对高分辨率指纹图像训练集及低分辨率指纹图像训练集中的指纹图像分块，分别构建高分辨率训练指纹块候选集及低分辨率训练指纹块候选集；
S13、计算高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中指纹块内所有点的梯度矢量及指纹块内点方向相似度R(i,j)，以点方向相似度为权值，基于指纹块的点梯度矢量集，采用加权线性投影分析方法计算对应指纹块的脊线方向θ及块点方向的一致性参数Coh；
S14、依据脊线方向对高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中的所有指纹块进行分类，分别得到高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集；
S15、依据块点方向一致性参数Coh，从高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集中分别抽取高质量的样本，构成高分辨率分类指纹图像块训练集及低分辨率分类指纹图像块训练集；
S16、将低分辨率分类指纹图像块训练集中的每类指纹块转换到特征空间，构建对应的低分辨率训练块分类特征样本集；
高分辨率分类指纹图像块训练集及低分辨率训练块分类特征样本集构建分类耦合字典学习样本块集。
进一步的，高低分辨率分类耦合字典的构建方法具体如下：
基于构建的字典学习模型，对分类耦合字典学习样本块集进行训练，每类分类耦合字典学习样本块集分别学习一个稀疏字典，即构建高低分辨率分类耦合字典。
进一步的，所述步骤S2具体包括如下步骤：
S21、上采样输入的低分辨率指纹图像，将低分辨率指纹图像的尺度缩放至超分辨率指纹图像的尺度，以获得标准尺寸的低分辨率指纹图像；
S22、在空域基于重叠窗口对标准尺寸的低分辨率指纹图像分块，计算低分辨率指纹块的脊线方向；
S23、根据块脊线方向将每个低分辨率指纹块划分到对应的类
Figure BDA0001761163630000031
并提取低分辨率指纹块的特征
Figure BDA0001761163630000032
S24、对于每一类指纹块特征
Figure BDA0001761163630000033
从高低分辨率分类耦合字典D中选择相应的低分辨率分类特征字典
Figure BDA0001761163630000034
计算对应的稀疏系数向量
Figure BDA0001761163630000035
S25、将重建的高分辨率块
Figure BDA0001761163630000041
反馈回对应的低分辨率指纹块，即重建的高分辨率指纹图像Y。
本发明具有如下有益技术效果：
(1)充分考虑了点梯度模在指纹块脊线方向估计中的贡献，通过块点梯度矢量集加权线性投影分析对指纹块脊线方向进行估计，提高了指纹块脊线方向估计的准确性和可靠性；
(2)基于块脊线方向和块点方向一致性抽样高质量的指纹图像块构建指纹块分类训练样本集，保证了分类样本中拥有更为准确、可靠的脊线模式信息；
(3)将指纹脊线模式先验引入字典学习，使得分类耦合字典能够学习到更为可靠的指纹脊线特征；
(4)基于脊线约束的分类耦合字典的使用提高了指纹图像稀疏建模的有效性，在保证指纹脊线可靠重构的同时，尽可能地抑制了噪声，更好地保存了脊线模式信息；
(5)提出的方法能够有效重构低分辨率指纹图像，拥有很强的普适性和鲁棒性，具有一定的优势。
附图说明
图1为本发明实施例提供的基于分类耦合字典稀疏表示的指纹图像超分辨率方法流程图；
图2为本发明实施例提供的分类耦合字典学习样本块集构建方法流程图；
图3为本发明实施例提供的高分辨率指纹图像重构方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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。
本发明充分考虑点梯度矢量模在指纹块方向估计中的贡献，采用基于指纹块点梯度向量加权线性投影分析的方法对指纹脊线方向进行估计，得到准确、可靠的指纹脊线方向，从而保证分类样本中拥有可靠的脊线模式信息。为了进一步捕获更可靠的脊线模式先验，依据指纹图像块点方向一致性方法抽样每类中的高质量块来构建相应的训练集。对低分辨率字典而言，这里在特征空间中进行构造，使用LR指纹块的一阶和二阶导数构建LR分类特征字典学习训练集，完成LR分类特征字典的构建。在重构高分辨率指纹图像时，依据输入低分辨率指纹块的脊线方向，选择对应的高低分辨率分类耦合字典重构高分辨率指纹图像。基于脊线约束的分类耦合字典的使用提高了指纹图像稀疏建模的有效性，在保证脊线能够可靠重构的同时，尽可能地抑制了噪声，更好地保存了脊线模式信息。
图1为本发明实施例提供的基于分类耦合字典稀疏表示的指纹图像超分辨率方法流程图，该方法包括如下步骤：
S1、基于无监督自适应字典学习模型，对分类耦合字典学习样本块集分类训练，构建具有脊线先验约束的高低分辨率分类耦合字典D；
其中，分类耦合字典学习样本块集由高分辨率分类指纹图像块训练集及低分辨率训练块分类特征样本集组成；高分辨率分类指纹图像块训练集中分类存储有指纹块点方向一致性好的高分辨率指纹块样本，将与高分辨率分类指纹块图像训练集相应的低分辨分类指纹图形块训练集转换到特征空间，即构成低分辨率训练块分类特征样本集，低分辨率分类指图像纹块训练集中分类存储有指纹块点方向一致性好的低分辨率指纹块样本；
高低分辨率分类耦合字典D由C组低分辨率分类特征字典
Figure BDA0001761163630000051
及高分辨率分类字典
Figure BDA0001761163630000052
对耦合而成，C组即对应于高分辨率分类指纹图形块训练集及低分辨率训练块分类特征样本集中的样本种类数，高低分辨率分类耦合字典D可以描述为：
Figure BDA0001761163630000061
图2为本发明实施例提供的分类耦合字典学习样本块集构建方法流程图，该方法包括如下步骤：
S11、构建高分辨率指纹图像训练集及对应的低分辨率指纹图像训练集；
抽样高分辨率指纹图形训练样本构成高分辨率指纹图像训练集，将高分辨率指纹图像训练集中每个指纹图像以缩放因子m向下采样生成对应的低分辨率指纹图像，然后再将低分辨率指纹图像向上采样到对应的高分辨率指纹图像的大小，构建低分辨率指纹图像训练集。
S12、对高分辨率指纹图像训练集及低分辨率指纹图像训练集中的指纹图像分块，分别构建高分辨率训练指纹块候选集及低分辨率训练指纹块候选集；
在空域基于重叠窗口对高分辨率指纹图像训练集及低分辨率指纹图像训练集中的指纹图像分块，窗口尺度为8×8像素，即分块后的指纹图像块的大小为8×8像素，分别构建高分辨率训练指纹块候选集和低分辨率训练指纹块候选集。
S13、计算高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中指纹块内所有点的梯度矢量及指纹块内点方向相似度R(i,j)，以点方向相似度为权值，基于指纹块的点梯度矢量集，采用加权线性投影分析方法计算对应指纹块的脊线方向θ及块点方向的一致性参数Coh；
针对高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中的所有指纹块样本，计算指纹块内所有点的梯度矢量及指纹块内点方向相似度R(i,j)，梯度矢量的计算公式如公式(1)所示，
Figure BDA0001761163630000062
其中，Gx(x,y)、Gy(x,y)分别为像素P(x,y)在x方向和y方向的梯度。
点方向相似度R(i,j)的计算公式如公式(2)所示：
Figure BDA0001761163630000071
其中，(i、j)为指纹块内某个像素点的坐标，m、n为块内所有像素点坐标；W为指纹块尺度大小，即为窗口大小。
以点方向相似度为权值，基于块点梯度矢量集(块点梯度矢量集中存储某个指纹块的块内所有点的梯度矢量)，使用加权线性投影分析方法计算指纹块的脊线方向θ和块内点方向一致性参数Coh，
指纹块的脊线方向θ的计算公式如公式(3)至公式(6)所示：
Figure BDA0001761163630000072
Figure BDA0001761163630000073
Figure BDA0001761163630000074
Figure BDA0001761163630000075
Figure BDA0001761163630000076
其中，λ1,λ2为加权梯度向量投影矩阵Vs的特征值，Gxx、Gyy分别为块内所有梯度向量x方向、y方向的加权平方和；Gxy为块内所有梯度向量x方向、y方向分量加权乘积的和；Rj为块内对应像素点的权值；Vj为块内某点对应的梯度向量，Φ为指纹块梯度方向。
块内点方向一致性参数Coh的计算公式如公式(7)所示
Figure BDA0001761163630000077
其中，λ1,λ2为加权梯度向量投影矩阵Vs的特征值。
S14、依据脊线方向对高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中的所有指纹块进行分类，分别得到高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集；
令高低分辨率分类训练指纹块候选集为P＝{Yh，Xl}，Yh为高分辨率分类训练指纹块候选集，Xl为低分辨率分类训练指纹块候选集，高分辨率样本候选块对应的脊线方向为θ＝{θ1,θ2,…,θn}，依据脊线方向θi(i＝1,2,…,n)，所有的高分辨率候选样本块被划分到C类，得到高分辨率分类训练指纹块候选集：
Figure BDA0001761163630000081
其中
Figure BDA0001761163630000082
对应的低分辨率分类训练样本块候选集为：
Figure BDA0001761163630000083
其中
Figure BDA0001761163630000084
M为第i类高分辨率分类训练指纹块候选集所含样本块的数量，N为第i类低分辨率分类训练指纹块候选集所含样本块的数量。
S15、依据块点方向一致性参数Coh，从高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集中分别抽取高质量的样本，构成高分辨率分类指纹图像块训练集及低分辨率分类指纹图像块训练集；
，在本发明实施例中，高质量的指纹块样本定义为块点方向一致性参数Coh(Coh∈[0,1])大于阈值参数的指纹块样本，例如参数阈值为0.8，即大于0.8的Coh对应的样本指纹块即为高质量样本指纹块。
S16、将低分辨率分类指纹图像块训练集中的每类指纹块转换到特征空间，构建对应的低分辨率训练块分类特征样本集，高分辨率分类指纹图像块训练集及低分辨率训练块分类特征样本集构建分类耦合字典学习样本块集；
为了更好地学习到低分辨率指纹图像的内在特征，这里构建低分辨率训练块分类特征样本集
Figure BDA0001761163630000085
Figure BDA0001761163630000086
其中，G为梯度特征算子，P(u,v)为指纹图像块。
Figure BDA0001761163630000087
在本发明实施例中，高低分辨率分类耦合字典的构建方法具体如下：
构建无监督自适应字典学习模型，基于分类耦合字典学习样本块集，对构建的字典学习模型进行训练，每类分类耦合字典学习样本块集分别学习一个稀疏字典，构建高低分辨率分类耦合字典。
第i类高低分辨率耦合字典Di的构建可转化为求解下面的最优化问题：
Figure BDA0001761163630000091
Figure BDA0001761163630000092
其中，H为向量形式的高分辨率维度，L为向量形式的低分辨率维度；αi为稀疏系数。
Figure BDA0001761163630000093
S2、计算输入的低分辨率指纹图像块的脊线方向，选择对应类的高低分辨率分类耦合字典，重构高分辨率指纹图像；
图3为本发明实施例提供的高分辨率指纹图像重构方法流程图，该方法包括如下步骤：
S21、上采样输入的低分辨率指纹图像，将低分辨率指纹图像的尺度缩放至超分辨率指纹图像的尺度，以获得标准尺寸的低分辨率指纹图像；
S22、在空域基于重叠窗口对标准尺寸的低分辨率指纹图像分块，计算低分辨率指纹块的脊线方向；
S23、根据块脊线方向将每个低分辨率指纹块划分到对应的类
Figure BDA0001761163630000094
并提取低分辨率指纹块的特征
Figure BDA0001761163630000095
S24、对于每一类指纹块特征
Figure BDA0001761163630000096
从高低分辨率分类耦合字典D中选择相应的低分辨率分类特征字典
Figure BDA0001761163630000097
计算对应的稀疏系数向量
Figure BDA0001761163630000098
Figure BDA0001761163630000099
S25、将重建的高分辨率块
Figure BDA00017611636300000910
反馈回对应的低分辨率指纹块，即重建的高分辨率指纹图像Y；
本发明具有如下有益技术效果：
(1)充分考虑了点梯度模在指纹块脊线方向估计中的贡献，通过块点梯度矢量集加权线性投影分析对指纹块脊线方向进行估计，提高了指纹块脊线方向估计的准确性和可靠性；
(2)基于块脊线方向和块点方向一致性抽样高质量的指纹图像块构建指纹块分类训练样本集，保证了分类样本中拥有更为准确、可靠的脊线模式信息；
(3)将指纹脊线模式先验引入字典学习，使得分类耦合字典能够学习到更为可靠的指纹脊线特征；
(4)基于脊线约束的分类耦合字典的使用提高了指纹图像稀疏建模的有效性，在保证指纹脊线可靠重构的同时，尽可能地抑制了噪声，更好地保存了脊线模式信息；
(5)提出的方法能够有效重构低分辨率指纹图像，拥有很强的普适性和鲁棒性，具有一定的优势。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于分类耦合字典稀疏表示的指纹图像超分辨率方法，其特征在于，所述方法包括如下步骤：
S1、基于构建的字典学习模型，对分类耦合字典学习样本块集进行分类训练，构建高低分辨率分类耦合字典；
S2、基于输入的低分辨率指纹图像块的脊线方向，选择对应类的高低分辨率分类耦合字典，重构高分辨率指纹图像；
所述分类耦合字典学习样本块集的构建方法包括如下步骤：
S11、构建高分辨率指纹图像训练集及对应的低分辨率指纹图像训练集；
S12、对高分辨率指纹图像训练集及低分辨率指纹图像训练集中的指纹图像分块，分别构建高分辨率训练指纹块候选集及低分辨率训练指纹块候选集；
S13、计算高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中指纹块内所有点的梯度矢量及指纹块内点方向相似度R(i,j)，以点方向相似度为权值，基于指纹块的点梯度矢量集，采用加权线性投影分析方法计算对应指纹块的脊线方向θ及块点方向的一致性参数Coh；
S14、依据脊线方向对高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中的所有指纹块进行分类，分别得到高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集；
S15、依据块点方向一致性参数Coh，从高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集中分别抽取高质量的样本，构成高分辨率分类指纹图像块训练集及低分辨率分类指纹图像块训练集；
S16、将低分辨率分类指纹图像块训练集中的每类指纹块转换到特征空间，构建对应的低分辨率训练块分类特征样本集；
高分辨率分类指纹图像块训练集及低分辨率训练块分类特征样本集构建分类耦合字典学习样本块集；
所述步骤S2具体包括如下步骤：
S21、上采样输入的低分辨率指纹图像，将低分辨率指纹图像的尺度缩放至超分辨率指纹图像的尺度，以获得标准尺寸的低分辨率指纹图像；
S22、在空域基于重叠窗口对标准尺寸的低分辨率指纹图像分块，计算低分辨率指纹块的脊线方向；
S23、根据块脊线方向将每个低分辨率指纹块划分到对应的类
Figure FDA0003811357210000024
并提取低分辨率指纹块的特征
Figure FDA0003811357210000025
S24、对于每一类指纹块特征
Figure FDA0003811357210000023
从高低分辨率分类耦合字典D中选择相应的低分辨率分类特征字典
Figure FDA0003811357210000022
计算对应的稀疏系数向量
Figure FDA0003811357210000026
S25、将重建的高分辨率块
Figure FDA0003811357210000021
反馈回对应的低分辨率指纹块，即重建的高分辨率指纹图像Y。
2.如权利要求1所述基于分类耦合字典稀疏表示的指纹图像超分辨率方法，其特征在于，高低分辨率分类耦合字典的构建方法具体如下：
基于构建的字典学习模型，对分类耦合字典学习样本块集进行训练，每类分类耦合字典学习样本块集分别学习一个稀疏字典，即构建高低分辨率分类耦合字典。
CN201810908519.8A 2018-08-10 2018-08-10 基于分类耦合字典稀疏表示的指纹图像超分辨率方法 Active CN109064403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810908519.8A CN109064403B (zh) 2018-08-10 2018-08-10 基于分类耦合字典稀疏表示的指纹图像超分辨率方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810908519.8A CN109064403B (zh) 2018-08-10 2018-08-10 基于分类耦合字典稀疏表示的指纹图像超分辨率方法

Publications (2)

Publication Number Publication Date
CN109064403A CN109064403A (zh) 2018-12-21
CN109064403B true CN109064403B (zh) 2022-11-01

Family

ID=64683179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810908519.8A Active CN109064403B (zh) 2018-08-10 2018-08-10 基于分类耦合字典稀疏表示的指纹图像超分辨率方法

Country Status (1)

Country Link
CN (1) CN109064403B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046669B (zh) * 2019-04-22 2019-12-24 广东石油化工学院 基于素描图像的半耦合度量鉴别字典学习的行人检索方法
CN116601589A (zh) * 2020-08-01 2023-08-15 华为技术有限公司 用于指纹感测的设备及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934766A (zh) * 2017-03-15 2017-07-07 西安理工大学 一种基于稀疏表示的红外图像超分辨率重建方法
US9865036B1 (en) * 2015-02-05 2018-01-09 Pixelworks, Inc. Image super resolution via spare representation of multi-class sequential and joint dictionaries
CN108335264A (zh) * 2018-01-30 2018-07-27 武汉大学 一种基于混合分辨率稀疏字典学习的图像超分辨率方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780342A (zh) * 2016-12-28 2017-05-31 深圳市华星光电技术有限公司 基于稀疏域重构的单帧图像超分辨重建方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9865036B1 (en) * 2015-02-05 2018-01-09 Pixelworks, Inc. Image super resolution via spare representation of multi-class sequential and joint dictionaries
CN106934766A (zh) * 2017-03-15 2017-07-07 西安理工大学 一种基于稀疏表示的红外图像超分辨率重建方法
CN108335264A (zh) * 2018-01-30 2018-07-27 武汉大学 一种基于混合分辨率稀疏字典学习的图像超分辨率方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于低秩约束和字典学习的图像超分辨率重建;穆瑞娟等;《山东师范大学学报(自然科学版)》;20161215(第04期);全文 *
指纹图像多尺度分类字典稀疏增强;徐德琴等;《中国图象图形学报》;20180716(第07期);全文 *

Also Published As

Publication number Publication date
CN109064403A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
Jiang et al. Robust feature matching for remote sensing image registration via linear adaptive filtering
Yang et al. Single-image super-resolution reconstruction via learned geometric dictionaries and clustered sparse coding
Chen et al. Convolutional neural network based dem super resolution
CN106845341B (zh) 一种基于虚拟号牌的无牌车辆识别方法
JP5063776B2 (ja) 幾何学変換に基づく一般化統計的テンプレートマッチング
WO2010078698A1 (zh) 一种手写字符识别方法及系统
CN110659665A (zh) 一种异维特征的模型构建方法及图像识别方法、装置
CN110889865B (zh) 一种基于局部加权稀疏特征选择的视频目标跟踪方法
CN115496928B (zh) 基于多重特征匹配的多模态图像特征匹配方法
CN109064403B (zh) 基于分类耦合字典稀疏表示的指纹图像超分辨率方法
Etezadifar et al. A new sample consensus based on sparse coding for improved matching of SIFT features on remote sensing images
Aburas et al. OffLine Omni-Style Handwriting Arabic Character Recognition System Based on Wavelet Compression
CN110781822B (zh) 基于自适应多方位角字典对学习的sar图像目标识别方法
Li et al. An improved two-step approach to hallucinating faces
CN108256569B (zh) 一种复杂背景下的对象识别方法及使用的计算机技术
CN109858353A (zh) 基于迹变换与lbp的人脸图像特征提取方法
Wei et al. A license plate super-resolution reconstruction algorithm based on manifold learning
CN114360058A (zh) 一种基于行走视角预测的跨视角步态识别方法
Ge et al. Robust tensor principal component analysis based on F-norm
CN108154107B (zh) 一种确定遥感图像归属的场景类别的方法
Shi et al. Vehicle face recognition algorithm based on weighted nonnegative matrix factorization with double regularization terms
CN116503914B (zh) 行人重识别方法、系统、可读存储介质及计算机设备
CN113705430B (zh) 基于检测模型的表格检测方法、装置、设备及存储介质
Zhao et al. Improving GAN for Image Super-Resolution by Using Attention Mechanism and Dense Module
Li et al. Object-based and semantic image segmentation using MRF

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