CN109214989B - 基于多方向特征预测先验的单幅图像超分辨率重建方法 - Google Patents
基于多方向特征预测先验的单幅图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN109214989B CN109214989B CN201811023219.8A CN201811023219A CN109214989B CN 109214989 B CN109214989 B CN 109214989B CN 201811023219 A CN201811023219 A CN 201811023219A CN 109214989 B CN109214989 B CN 109214989B
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- super
- prediction
- orientation features
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 20
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000006866 deterioration Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 230000008034 disappearance Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims 3
- 230000000593 degrading effect Effects 0.000 claims 2
- 239000000203 mixture Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 238000002059 diagnostic imaging Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 241000721047 Danaus plexippus Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多方向特征预测先验的单幅图像超分辨率重建方法。主要包括以下步骤:构建特征预测深度卷积神经网络;针对四个方向特征,分别训练构建的网络;利用训练好的网络模型对输入的低分辨率图像进行多方向特征预测;利用上一步骤预测的四类方向特征,构建多方向特征预测先验;构建基于深度卷积神经网络特征预测与降质约束的超分辨率重建代价函数;利用TFOCS技术来最优化重建代价函数,得到高辨率图像估计。本发明所述的单幅图像超分辨率重建方法,能够获得很好的主客观效果,且抗噪声性能良好。因此,本发明是一种高性能的单幅图像超分辨率重建方法,在航空航天、交通监控、医学成像、影视娱乐等领域有着极高的应用潜力。
Description
技术领域
本发明涉及图像分辨率提升技术,具体涉及一种基于多方向特征预测先验的单幅图像超分辨率重建方法,属于图像处理领域。
背景技术
随着信息技术的不断发展,高分辨率的图像及视频在航空航天、交通监控、医学成像、影视娱乐等领域有着极高的应用需求。但是受硬件成本、成像环境等多方面因素的制约,以及传输过程中受到的噪声干扰,获取的图像/视频质量有时仍然不能达到实际应用的需求,如存在分辨率不足、噪声干扰、模糊等降质问题。超分辨率重建技术可以对已采集的降质图像及视频进行分辨率提升,具有成本低、实用性强的特点。国内外学者们对超分辨率技术进行了深入的研究,并针对单幅图像的超分辨率重建提出了很多有效的方法。单幅图像超分辨率重建方法主要包含三类:基于插值的方法、基于重建的方法与基于学习的方法。近年来,由于机器学习的发展,基于学习的超分辨率重建方法取到了较大的进步,其中最为典型的就是基于深度学习的超分辨率方法。但是基于深度学习的超分辨率方法直接训练单个网络来将低分辨率图像映射到高分辨率图像,而传统基于重建方法中的图像降质约束在很大程度上被忽略了,所以重建得到的图像可能会产生人工痕迹,限制性能的进一步提升。
发明内容
本发明的目的是提出用于多方向特征预测的深度卷积神经网络,并结合图像降质约束,构建一种高性能的单幅图像超分辨率重建方法。
本发明提出的基于多方向特征预测先验的单幅图像超分辨率重建方法,主要包括以下操作步骤:
(1)针对输入的低分辨率图像,构建一种深度卷积神经网络,用于预测未知的高分辨率特征;
(2)针对每一类方向特征,利用训练图像数据集,训练步骤(1)中构建的网络,总共训练四类方向特征;
(3)利用步骤(2)中训练好的深度卷积神经网络模型对输入的低分辨率图像进行多方向特征预测,得到预测的四类方向特征;
(4)利用步骤(3)预测的四类方向特征,构建多方向特征预测先验;
(5)将降质约束与步骤(4)中构建的多方向特征预测先验进行融合,构建基于深度卷积神经网络与降质约束的超分辨率重建代价函数;
(6)利用TFOCS技术来最优化重建代价函数,得到高辨率图像估计。
附图说明
图1是本发明基于多方向特征预测先验的单幅图像超分辨率重建方法的原理框图
图2是本发明特征预测网络的网络结构图
图3是本发明使用的9张测试图像
图4是本发明与四种方法对测试图像“Castle”的重建结果的对比图(超分辨率重建因子为3,高斯模糊核尺寸7×7,标准差1.5):其中,(a)为测试图像,(b)为低分辨率图像,(c)(d)(e)(f)(g)(h)分别为双三次插值、方法1、方法2、方法3、方法4及本发明的重建结果
图5是本发明与四种方法对测试图像“Monarch”的重建结果的对比图(超分辨率重建因子为3,高斯模糊核尺寸7×7,标准差1.5,噪声级为5):其中,(a)为测试图像,(b)为低分辨率图像,(c)(d)(e)(f)(g)(h)分别为双三次插值、方法1、方法2、方法3、方法4及本发明的重建结果
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,基于多方向特征预测先验的单幅图像超分辨率重建方法,具体可以分为以下六个步骤:
(1)针对输入的低分辨率图像,构建一种深度卷积神经网络,用于预测未知的高分辨率特征;
(2)针对每一类方向特征,利用训练图像数据集,训练步骤(1)中构建的网络,总共训练四类方向特征;
(3)利用步骤(2)中训练好的深度卷积神经网络模型对输入的低分辨率图像进行多方向特征预测,得到预测的四类方向特征;
(4)利用步骤(3)预测的四类方向特征,构建多方向特征预测先验;
(5)将降质约束与步骤(4)中构建的多方向特征预测先验进行融合,构建基于深度卷积神经网络与降质约束的超分辨率重建代价函数;
(6)利用TFOCS技术来最优化重建代价函数,得到高辨率图像估计。
具体地,所述步骤(1)中,我们构建如图2所示的用于方向特征预测的深度卷积神经网络(简称为MDFP CNN)。首先,降质的低分辨率输入图像Y被双三次插值上采样为Y↑。接着,我们通过特征提取函数Ek(·)提取Y↑的方向特征图。然后,通过使用变换函数T(x)=x/510+0.5,将特征的值域从[-255 255]规范化至[0 1]。接下来,每个变换的低分辨率特征T(Ek(Y↑))被MDFP CNN映射到期望的高分辨率变换特征T(Ek(X)),其中X为高分辨率图像。最后,预测的高分辨率特征可以通过逆变换T-1(x)=510x-255得到。关于MDFP CNN结构的详细介绍如下:
在MDFP CNN中,由于网络输入T(Ek(Y↑))与输出T(Ek(X))非常相似,我们采用全局残差策略。另外,为了降低MDFP CNN参数的优化求解难度,在网络内部我们也采用了局部残差学习策略。具体而言,第一个卷积层(64个滤波核,尺寸3×3×1)用于提取输入图的特征。该层的输出作为接下来的预激活残差块的输入。MDFP CNN中的预激活残差块包含两个卷积层(64个滤波核,尺寸3×3×64,其中ReLU被放到每一个卷积层的前面),这些层预测局部残差,然后与当前残差块的局部输入相加,得到局部特征输出。在多个预激活残差块组(本发明中,残差块个数设为9)之后,输出经ReLU校正后输入最后一个卷积层(1个滤波核,尺寸3×3×64),并产生MDFP网络的最终残差图像。其中,预激活残差模块的公式如下:
式中,ul是第l个残差块的输入特征,Fl={Fl,m|m=1,2}与Bl={Bl,m|m=1,2}为对应于第l个残差块的权重与偏移集合。表示局部残差函数。在预激活残差块中,
其中为ReLU函数,“*”为卷积操作。不难证明,对第v个残差块,其特征uv可以表示为更浅的残差块ul与两个残差块之间所有的残差函数的输出的和,可以表示如下:
接下来,我们将证明上式有很好的梯度传递特性,能够避免梯度消失。令代价函数为则
其中第一项直接将第v个残差块对应的梯度信息反向传递到更浅的第l个残差块,而第二项保证梯度不会消失。这是因为第二项的值不可能对所有的样本始终为因为前述良好的梯度特性,MDFP CNN能够得到很好的训练,并预测出高质量的方向特征。
所述步骤(2)中,即训练阶段,我们首先对训练图像数据集进行降质,然后将降质图像数据集与原始图像数据集采用相同的梯度滤波核进行方向特征提取,构建高低分辨率的训练图像对。在本发明中,我们提取0度,45度,90度,135度四个方向的梯度特征,对应梯度滤波核为:
f1=[0 0 0;-1 1 0;0 0 0],f2=[-1 0 0;0 1 0;0 0 0]
f3=[0 -1 0;0 1 0;0 0 0],f4=[0 0 -1;0 1 0;0 0 0]
此后,我们利用每一个方向特征对应的训练集,采用最小化二范数损失函数来分别更新本发明步骤(1)中所构建的卷积神经网络的参数,最终得到四类方向特征的网络。记第k个方向特征对应的可训练的参数集为对应的残差图像为Λk=T(Ek(X))-T(Ek(Y↑)),然后我们定义全局残差映射函数为则期望的变换特征T(Ek(X))可以通过累加低分辨率输入T(Ek(Y↑))与高分辨率残差估计Λk得到。其训练代价函数可用下式表示:
其中为样本数。本发明采用ADAM来优化上述代价函数。
所述步骤(3)中,我们利用步骤(2)中训练好的四类方向特征的网络对经输入的低分辨率图像进行四个方向的特征预测。第k个方向的特征预测具体公式如下:
所述步骤(4)中,利用步骤(3)预测的四方向特征构建多方向特征预测先验,对图像边缘进行充分约束。具体公式如下:
所述步骤(5)中,我们构建基于深度卷积神经网络特征预测与降质约束的超分辨率重建代价函数:
其中H为模糊矩阵,D为下采样矩阵,λ为正则化系数。
所述步骤(6)中,我们利用TFOCS技术来最优化重建代价函数,进而获得估计的高分辨率图像。
为了验证本发明方法的有效性,本发明用标准测试图像“Hat”、“Comic”、“Flowers”、“Forman、“Monarch”、“Woman”、“Castle”、“Fish”及“Plane”进行了实验。降质的低分辨率图像的生成方式为:用高斯核对高分辨率测试图像进行模糊,然后进行3倍下采样,最后用不同噪声级(0与5)对采样后的图像进行加噪处理。选取双三次插值及四种基于学习的单幅图像超分辨率算法作为对比方法。其中,四种基于学习的方法的模型都按照本发明中的降质过程进行了重新训练。四种对比超分辨率重建算法为:
方法1:Timofte等人提出的方法,参考文献“R.Timofte,V.Smet,and L.Gool,“Anchored neighborhood regression for fast example-based super-resolution,”inProc.IEEE Int.Conf.Comput.Vis.,Dec.2013,pp.1920–1927.”
方法2:Timofte等人提出的方法,参考文献“R.Timofte,V.De Smet,and L.VanGool,“A+:Adjusted anchored neighborhood regression for fast super-resolution,”in Proc.Asian Conf.Comput.Vis.Springer,2014,pp.111–126.”
方法3:Dong等人提出的方法,参考文献“C.Dong,C.C.Loy,K.He,and X.Tang,“Image super-resolution using deep convolutional networks,”IEEE Trans.PatternAnal.Mach.Intell.,vol.38,no.2,pp.295-307,Feb.2015.”
方法4:Zhang等人提出的方法,参考文献“K.Zhang,W.Zuo,S.Gu,and L.Zhang,“Learning deep CNN denoiser 348 prior for image restoration,”in Proc.IEEEConf.Comput.Vis.Pattern 349 Recognit.,2017,pp.2808–2817.”
对比实验的内容如下:
实验1,分别用双三次插值,方法1,方法2,方法3,方法4,以及本发明方法对9张测试图像模拟生成的低分辨率图像进行3倍重建。本实验中,模糊核取为高斯模糊核尺寸7×7,标准差1.5,高斯噪声级为0。表一给出了各个方法重建结果的PSNR(Peak Signal toNoise Ratio)和SSIM(Structure Similarity Index)参数。另外,为了进行视觉比较,给出了“Castle”图像的结果。“Castle”原始图像、低分辨率图像及各方法的重建结果分别如图4(a)、图4(b)、图4(c)、图4(d),图4(e)、图4(f)、图4(g)及图4(h)所示。
表一
实验2,分别用双三次插值,方法1,方法2,方法3,方法4,以及本发明方法对9张测试图像模拟生成的低分辨率图像进行3倍重建。本实验中,模糊核取为高斯模糊核尺寸7×7,标准差1.5,高斯噪声级为5。表二给出了各个方法重建结果的PSNR(Peak Signal toNoise Ratio)和SSIM(Structure Similarity Index)参数。另外,为了进行视觉比较,给出了“Monarch”图像的结果。“Monarch”原始图像、低分辨率图像及各方法的重建结果分别如图5(a)、图5(b)、图5(c)、图5(d),图5(e)、图5(f)、图5(g)及图5(h)所示。
表二
从图4及图5所示的实验结果可以看出,双三次插值方法的结果中含有比较明显的阶梯效应以及残留噪声,图像视觉效果差;在无噪声干扰时,方法1与方法2能够获得一定的分辨率提升,但是当图像存在噪声干扰时,超分辨率性能急剧下降,结果中存在大量残留噪声;方法3能去除部分噪声,但图像整体较为模糊;方法4有着更好的噪声抑制以及超分辨率性能,但是重建图像仍然有一定模糊;相对而言,本发明的结果中无明显噪声,并且图像比较清晰,边缘保持更好,视觉效果更佳。另外,从表一及表二所给的PSNR及SSIM参数上看,本发明在两个指标上都取得了最高的值,并且提升明显。因此,综合比较各方法重建结果的主观视觉效果及客观参数,可以看出,本发明方法的重建效果更好,并且适用于噪声图像。综上所述,本发明是一种有效的单幅图像超分辨率重建方法。
Claims (5)
1.基于多方向特征预测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:针对输入的低分辨率图像,构建一种深度卷积神经网络,用于预测未知的高分辨率特征;
步骤二:针对每一类方向特征,利用训练图像数据集,训练步骤一中构建的网络,总共训练四类方向特征;
步骤三:利用步骤二中训练好的深度卷积神经网络模型对输入的低分辨率图像进行多方向特征预测,得到预测的四类方向特征;
步骤四:利用步骤三预测的四类方向特征,构建多方向特征预测先验;
步骤五:将降质约束与步骤四中构建的多方向特征预测先验进行融合,构建基于深度卷积神经网络与降质约束的超分辨率重建代价函数;
步骤六:利用TFOCS技术来最优化重建代价函数,得到高辨率图像估计。
2.根据权利要求1所述的基于多方向特征预测先验的单幅图像超分辨率重建方法,其特征在于步骤一所述的用于预测未知高分辨率图像特征的深度卷积神经网络:不同于传统的基于深度学习的超分辨率方法直接训练单个网络来将低分辨率图像映射到高分辨率图像,该重建方法构建的深度卷积神经网络能预测输入图像的多个高分辨率方向特征,进而应用于图像超分辨率环节;并且,该模型中使用了提出的预激活残差块,该残差块是由两个卷积层和两个激励层组成,且激励层位于卷积层的前面,理论分析表明该残差块能够避免网络训练过程中出现的梯度消失问题, 其中,激励层采用ReLU函数。
3.根据权利要求1所述的基于多方向特征预测先验的单幅图像超分辨率重建方法,其特征在于步骤二所述的训练四类方向特征的网络:首先对训练图像数据集进行降质,然后将降质图像数据集与原始图像数据集采用相同的梯度滤波核进行方向特征提取,构建高低分辨率的训练图像对;该重建方法提取0度,45度,90度,135度四个方向的梯度特征,对应梯度滤波核为:
f1=[0 0 0;-1 1 0;0 0 0],f2=[-1 0 0;0 1 0;0 0 0]
f3=[0 -1 0;0 1 0;0 0 0],f4=[0 0 -1;0 1 0;0 0 0]
此后,利用每一个方向特征对应的训练集,采用最小化二范数损失函数来分别更新该重建方法步骤一中所构建的卷积神经网络的参数,最终得到四个方向特征预测网络。
4.根据权利要求1所述的基于多方向特征预测先验的单幅图像超分辨率重建方法,其特征在于步骤三与步骤四所述的多方向特征预测先验的构建:利用步骤二中训练好的四类方向特征的网络对经输入的低分辨率图像进行四个方向的特征预测,其中第k个方向的特征预测具体公式如下:
其中Y为低分辨率输入图像,Y↑为双三次插值上采样结果,Ek(·)为梯度特征提取函数,T(x)=x/510+0.5 为值域变换函数,表示全局残差函数,为第k个方向特征对应的可训练的参数集,为预测的第k个方向特征;
通过上述公式预测的四方向特征该重建方法构建多方向特征预测先验,对图像边缘进行充分约束,对应具体公式如下:
其中X为高分辨率图像。
5.根据权利要求4所述的基于多方向特征预测先验的单幅图像超分辨率重建方法,其特征在于步骤五与步骤六所述的基于深度卷积神经网络与降质约束的超分辨率重建代价函数的构建与求解:传统的基于深度学习的超分辨率方法很大程度上忽略了图像的降质约束,该重建方法通过最大后验框架,将深度学习与图像降质约束进行了联合,得到了很好的超分辨率效果;构建的基于深度卷积神经网络特征预测与降质约束的超分辨率重建代价函数如下:
其中H为模糊矩阵,D为下采样矩阵,λ为正则化系数;
通过利用TFOCS技术来最优化重建代价函数,可以获得估计的高分辨率图像;实际上,该重建方法还可以适用于图像去噪、图像去模糊、图像修复这些图像复原应用中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811023219.8A CN109214989B (zh) | 2018-09-04 | 2018-09-04 | 基于多方向特征预测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 |
---|---|---|---|
CN201811023219.8A CN109214989B (zh) | 2018-09-04 | 2018-09-04 | 基于多方向特征预测先验的单幅图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214989A CN109214989A (zh) | 2019-01-15 |
CN109214989B true CN109214989B (zh) | 2019-08-13 |
Family
ID=64986891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811023219.8A Active CN109214989B (zh) | 2018-09-04 | 2018-09-04 | 基于多方向特征预测先验的单幅图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214989B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135464B (zh) * | 2019-04-18 | 2021-05-11 | 深兰科技(上海)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN112150354B (zh) * | 2019-06-26 | 2021-08-24 | 四川大学 | 联合轮廓增强与去噪统计先验的单幅图像超分辨率方法 |
CN112150356A (zh) * | 2019-06-28 | 2020-12-29 | 四川大学 | 基于级联框架的单幅压缩图像超分辨率重建方法 |
CN110443768B (zh) * | 2019-08-08 | 2023-05-12 | 齐鲁工业大学 | 基于多重一致性约束的单帧图像超分辨率重建方法 |
CN110796584A (zh) * | 2019-10-28 | 2020-02-14 | 国网内蒙古东部电力有限公司电力科学研究院 | 运动模糊图像建模方法、装置、存储介质及巡检机器人 |
CN111080688A (zh) * | 2019-12-25 | 2020-04-28 | 左一帆 | 一种基于深度卷积神经网络的深度图增强方法 |
CN111161386A (zh) * | 2019-12-30 | 2020-05-15 | 无锡触典科技有限公司 | 超声图像的渲染方法、装置及超声设备 |
CN113935928B (zh) * | 2020-07-13 | 2023-04-11 | 四川大学 | 基于Raw格式岩心图像超分辨率重建 |
CN114331853B (zh) * | 2020-09-30 | 2023-05-12 | 四川大学 | 基于目标向量更新模块的单幅图像复原迭代框架 |
CN112650069A (zh) * | 2020-12-13 | 2021-04-13 | 福州市长乐区三互信息科技有限公司 | 智能化家居设备控制方法及其系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708556A (zh) * | 2012-05-10 | 2012-10-03 | 武汉大学 | 一种基于反向图保持的单张图像超分辨率方法 |
CN102750668A (zh) * | 2012-07-04 | 2012-10-24 | 西南交通大学 | 结合局部方向特征的数字图像三倍插值放大方法 |
CN103236041A (zh) * | 2013-04-25 | 2013-08-07 | 北京交通大学 | 一种基于Contourlet变换的图像超分辨率重建方法 |
CN103366347A (zh) * | 2013-07-16 | 2013-10-23 | 苏州新视线文化科技发展有限公司 | 基于稀疏表示的图像超分辨率重建方法 |
CN103607591A (zh) * | 2013-10-28 | 2014-02-26 | 四川大学 | 结合超分辨率重建的图像压缩方法 |
CN106157244A (zh) * | 2016-06-08 | 2016-11-23 | 南京航空航天大学 | 一种基于稀疏表示的QR Code图像超分辨重建方法 |
CN106204489A (zh) * | 2016-07-12 | 2016-12-07 | 四川大学 | 结合深度学习与梯度转换的单幅图像超分辨率重建方法 |
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 |
CN107833182A (zh) * | 2017-11-20 | 2018-03-23 | 西安建筑科技大学 | 基于特征提取的红外图像超分辨率重建方法 |
-
2018
- 2018-09-04 CN CN201811023219.8A patent/CN109214989B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708556A (zh) * | 2012-05-10 | 2012-10-03 | 武汉大学 | 一种基于反向图保持的单张图像超分辨率方法 |
CN102750668A (zh) * | 2012-07-04 | 2012-10-24 | 西南交通大学 | 结合局部方向特征的数字图像三倍插值放大方法 |
CN103236041A (zh) * | 2013-04-25 | 2013-08-07 | 北京交通大学 | 一种基于Contourlet变换的图像超分辨率重建方法 |
CN103366347A (zh) * | 2013-07-16 | 2013-10-23 | 苏州新视线文化科技发展有限公司 | 基于稀疏表示的图像超分辨率重建方法 |
CN103607591A (zh) * | 2013-10-28 | 2014-02-26 | 四川大学 | 结合超分辨率重建的图像压缩方法 |
CN106157244A (zh) * | 2016-06-08 | 2016-11-23 | 南京航空航天大学 | 一种基于稀疏表示的QR Code图像超分辨重建方法 |
CN106204489A (zh) * | 2016-07-12 | 2016-12-07 | 四川大学 | 结合深度学习与梯度转换的单幅图像超分辨率重建方法 |
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 |
CN107833182A (zh) * | 2017-11-20 | 2018-03-23 | 西安建筑科技大学 | 基于特征提取的红外图像超分辨率重建方法 |
Non-Patent Citations (3)
Title |
---|
A Novel Sparse Representation Based SuperResolution Approach Using Multi-Scale and Multi-Directional Feature Descriptor;Selen Ayas etal;《 2018 26th Signal Processing and Communications Applications Conference (SIU)》;20180709;第2018年卷;第1-4页 |
Single Image Superresolution via Directional Group Sparsity and Directional Features;Xiaoyan Li et al;《 IEEE Transactions on Image Processing》;20150513;第24卷(第9期);第2874-2887页 |
基于振铃抑制的多视频超分辨率重建;彭海霞等;《光电子·激光》;20140930;第25卷(第9期);第1771-1776页 |
Also Published As
Publication number | Publication date |
---|---|
CN109214989A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN108460726B (zh) | 一种基于增强递归残差网络的磁共振图像超分辨重建方法 | |
CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
CN108898560B (zh) | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 | |
CN110310227A (zh) | 一种基于高低频信息分解的图像超分辨率重建方法 | |
Sood et al. | An application of generative adversarial networks for super resolution medical imaging | |
CN112767417B (zh) | 一种基于级联U-Net网络的多模态图像分割方法 | |
CN113506222A (zh) | 一种基于卷积神经网络的多模态图像超分辨方法 | |
Yan et al. | SMIR: A Transformer-Based Model for MRI super-resolution reconstruction | |
CN116309062A (zh) | 一种遥感图像超分辨率重建方法 | |
CN116739899A (zh) | 基于saugan网络的图像超分辨率重建方法 | |
CN113313728B (zh) | 一种颅内动脉分割方法及系统 | |
Zhu et al. | Super resolution reconstruction method for infrared images based on pseudo transferred features | |
Sander et al. | Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI | |
CN113096015A (zh) | 基于渐进式感知和超轻量级网络的图像超分辨率重建方法 | |
CN116612009A (zh) | 一种多尺度连接生成对抗网络医学图像超分辨率重建方法 | |
Rashid et al. | Single MR image super-resolution using generative adversarial network | |
CN116029908A (zh) | 基于跨模态和跨尺度特征融合的3d磁共振超分辨率方法 | |
Yin et al. | Super resolution reconstruction of CT images based on multi-scale attention mechanism | |
CN116630178A (zh) | 基于U-Net的极低场磁共振图像工频伪影抑制方法 | |
CN115311135A (zh) | 一种基于3dcnn的各向同性mri分辨率重建方法 | |
CN114418854A (zh) | 一种基于图像递归性的无监督遥感图像超分辨率重建方法 | |
CN112529949A (zh) | 一种基于t2图像生成dwi图像的方法及系统 | |
CN116805284B (zh) | 基于特征迁移的三维磁共振平面间超分辨重建方法和系统 | |
CN113012045B (zh) | 一种用于合成医学图像的生成对抗网络 |
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 |