CN109345453B - 利用标准化组稀疏规则化的图像超分辨率重构系统及方法 - Google Patents
利用标准化组稀疏规则化的图像超分辨率重构系统及方法 Download PDFInfo
- Publication number
- CN109345453B CN109345453B CN201811059265.3A CN201811059265A CN109345453B CN 109345453 B CN109345453 B CN 109345453B CN 201811059265 A CN201811059265 A CN 201811059265A CN 109345453 B CN109345453 B CN 109345453B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- module
- reconstruction
- unit
- 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 50
- 238000001914 filtration Methods 0.000 claims abstract description 73
- 230000003044 adaptive effect Effects 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000009466 transformation Effects 0.000 claims description 25
- 230000000903 blocking effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000003786 synthesis reaction Methods 0.000 claims description 10
- 230000002194 synthesizing effect Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000002059 diagnostic imaging Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 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 transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- G06T5/77—
Abstract
本发明公开了一种利用标准化组稀疏规则化的图像超分辨率重构系统及方法,涉及图像复原技术领域。本发明首先采用双线性插值方法得到图像超分辨率重构的初始估计值;然后再利用图像块组的标准化稀疏先验,通过多次迭代图像块组PCA域自适应软阈值滤波与图像像素域的规则化最小二乘,有效提升超分辨率图像重构的质量。本系统是:输入低分辨率图像(00)、初始化模块(10)、路由选择模块(20)、图像滤波模块(30)、图像重构模块(40)和输出高分辨率图像(50)依次交互,图像重构模块(40)还和路由选择模块(20)交互。本发明能改善图像高频细节的恢复效果,有效提升超分辨率图像重构的质量;适用于视频监控、医学成像等应用。
Description
技术领域
本发明涉及图像复原技术领域,尤其涉及一种利用标准化组稀疏规则化的图像超分辨率重构系统及方法。
背景技术
图像超分辨率旨在由低分辨率图像恢复得到高分辨率图像,其在医学成像、数字摄影和计算机视觉等领域具有广泛应用。传统基于插值的超分辨率方法建立在图像的连续性假设基础上,利用邻近像素相似的先验知识,通过对邻近像素的灰度值加权求和生成带插值像素的灰度值。基于插值的超分辨率方法具有计算简单的优点。传统的插值方法包括:最近邻插值、双线性插值、双立方插值等。【参见文献:[1]Keys R.,‘Cubic convolutioninterpolation for digital image processing’,IEEE Trans.Acoust.,Speech SignalProcess.,1981,29,(6),pp.1153–1160】。
基于模型的图像超分辨率重构,利用图像的先验信息规则化图像成像模型的反向求解,能得到具有更高质量的高分辨率图像。近年来,自然图像具有的非局部稀疏先验已成为图像恢复应用的强有力工具,并在图像超分辨率研究领域得到广为关注【参见文献:[2]Kan Chang,Pak Lun Kevin Ding,Baoxin Li.Single image super-resolution usingcollaborative representation and non-local self-similarity,Signal Processing,2018,149,pp.49-61.】。
基于非局部稀疏的方法利用自然图像的结构相似性,通过寻找相似图像块组的有效稀疏表示规则化基于模型的优化重构。以往的方法通常假设稀疏变换系数具有零均值的统计特性,然而由于图像信号具有普遍的非平稳特性,不同区域的非局部相似图像块的统计特性会差异明显,基于零均值假设的稀疏表示限制了图像高频纹理细节信息的有效重构。
发明内容
本发明的目的就在于克服上述背景技术的不足,提供一种利用标准化组稀疏表示的图像超分辨率重构系统及方法,能够更好地恢复重建图像高频纹理和边缘等细节信息,从而有效提升重构图像的质量。
本发明的技术思路是:
首先采用双线性插值方法得到图像超分辨率重构的初始估计值;然后再利用图像块组的标准化稀疏先验,通过多次迭代图像块组PCA域自适应软阈值滤波与图像像素域的规则化最小二乘,有效提升超分辨率图像重构的质量。
一、利用标准化组稀疏规则化的图像超分辨率重构系统(简称系统)
本系统设置有初始化模块、路由选择模块、图像滤波模块和图像重构模块;
输入低分辨率图像、初始化模块、路由选择模块、图像滤波模块、图像重构模块和输出高分辨率图像依次交互,图像重构模块和路由选择模块交互。
二、利用标准化组稀疏规则化的图像超分辨率重构方法(简称方法)
本方法包括下列步骤:
①初始化模块接收输入的低分辨率图像y,采用经典的双线性插值方法,生成高分辨率图像的初始估计x,送入路由选择模块,初始设置最大迭代次数J、阈值τ、规则化参数λ和η;
②图像滤波:
A、路由选择模块首次输出初始化模块送入的高分辨图像的初始估计,之后均输出图像重构模块送入的高分辨率图像的更新估计;图像重叠分块单元对路由选择模块输出的图像x进行重叠分块,得到多个存在像素重叠的图像块xi,送入图像块组生成单元;图像块xi=Rix,i=1,2,…n,n为大于2的整数,表示图像分块的总数,Ri为提取第i图像块的运算矩阵,图像块大小B一般选取为6行×6列;
B、图像块组生成单元对图像重叠分块单元送入的每一图像块xi,在其所在图像的设定邻域窗内(通常为40×40),求取其K-1个最相似的图像块,K通常设定为40~60之间的正整数;将该图像块及其相似图像块矢量化后,生成与该图像块对应的数据矩阵Ai,分别送入自适应字典生成单元、图像块组自适应滤波单元;数据矩阵表示提取的第i图像块的图像块组,为提取第i图像块的图像块组的运算矩阵;
C、自适应字典生成单元接收图像块组生成单元送入的与图像块对应的数据矩阵Ai,利用主成分分析技术,得到对应图像块组的最优变换字典Di,送入图像块组自适应滤波单元;
D、图像块组自适应滤波单元根据图像块组生成单元送入的与图像块对应的数据矩阵Ai、自适应字典生成单元送入的最优变换字典Di,对与图像块对应的数据矩阵进行自适应滤波处理,送入图像合成单元;
E、图像合成单元对图像块组自适应滤波单元送入的所有图像块进行平均,得到路由选择模块送入图像重叠分块单元的图像x的滤波结果z,并送入图像重构模块;
③图像重构模块根据图像合成单元送入的图像x的滤波结果z,以及输入的原始的低分辨率图像y,得到高分辨率图像的更新估计,再将高分辨率图像的更新估计送入路由选择模块;
④计算更新前后高分辨率图像的均方误差值,如果均方误差值大于给定的阈值τ,并且迭代次数小于设定的最大值J,则返回到步骤②,路由选择模块将高分辨率图像的更新估计送入图像重叠分块单元,继续进行迭代运算,达到逐渐提升输出图像质量的目的;否则执行步骤⑤;
⑤结束运算,输出最后得到的高分辨率图像。
工作机理:
本发明的实现总体分为两个阶段:
第一阶段,采用经典的双线性插值方法,由已知的低分辨率图像得到高分辨率图像的初始估计值;
第二阶段,利用图像相似块组的标准化稀疏先验,通过多次的迭代优化改进高分辨率图像的质量,每次迭代包括两个过程:第一个过程是采用自适应的标准化组稀疏规则化技术对得到的高分辨率图像估计进行滤波处理;第二个过程是根据已知的低分辨率图像,第一个过程得到的高分辨率图像估计的滤波结果,采用规则化的最小二乘技术重构高分辨率图像。
与现有技术相比,本发明具有下列优点和积极效果:
本发明能改善图像高频细节的恢复效果,有效提升超分辨率图像重构的质量;适用于视频监控、医学成像等应用。
附图说明
图1是本系统的结构方框图;
图2-1是实验用的原始图像,
图2-2是采用文献[1]双线性插值方法的重构图像,
图2-3是采用本发明方法的重构图像。
图1中:
00—输入低分辨率图像;
10—初始化模块;
20—路由选择模块;
30—图像滤波模块;
31—图像重叠分块单元,
32—图像块组生成单元,
33—自适应字典生成单元,
34—图像块组自适应滤波单元,
35—图像合成单元;
40—图像重构模块;
50—输出高分辨率图像。
具体实施方式
下面结合附图和实施例详细说明:
一、系统
1、总体
如图1,本系统设置有初始化模块10、路由选择模块20、图像滤波模块30和图像重构模块40;
输入低分辨率图像00、初始化模块10、路由选择模块20、图像滤波模块30、图像重构模块40和输出高分辨率图像50依次交互,图像重构模块40和路由选择模块20交互。
详细地说:路由选择模块20有两个输入端、一个输出端,图像重构模块40有2个输入端、1个输出端;
路由选择模块20的一个输入端与初始化模块10的输出端交互,路由选择模块2的另一个输入端与图像重构模块40的输出端交互;
图像重构模块40的一个输入端与系统输入端交互,另一个输入端与图像滤波模块30的输出端交互;
路由选择模块20的输出端与图像重叠分块单元31的输入端交互,图像重叠分块单元31的输出端与图像相似块组生成单元32的输入端交互,图像相似块组生成单元32的输出端同时与自适应字典生成单元33的输入端和图像块组自适应滤波单元34一个输入端交互,自适应字典生成单元33的输出端与图像块组自适应滤波单元34的另一输入端交互,图像块组自适应滤波单元34的输出端为与图像合成单元35的输入端交互,图像合成单元35的输出端为图像滤波模块30的输出端。
2、功能模块
1)初始化模块10
初始化模块10接收输入低分辨率图像00的测量值,并采用双线性插值方法(也可以采用更多的其它类似方法),得到图像超分辨率重构的初始估计值,送入路由选择模块20。
2)路由选择模块20
路由选择模块20首次输出初始化模块10送入的图像超分辨率重构的初始估计值,之后均输出图像重构模块40送入的图像超分辨率重构的更新估计值。
3)图像滤波模块30
图像滤波模块3包括依次交互的图像重叠分块单元31、图像相似块组生成单元32、自适应字典生成单元33、图像块组自适应滤波单元34和图像合成单元35,图像相似块组生成单元32还和图像块组自适应滤波单元34交互;
(1)图像重叠分块单元31
图像重叠分块单元31对路由选择模块20输出的图像进行重叠分块,得到多个存在像素重叠的图像块,送入图像相似块组生成单元32;
(2)图像相似块组生成单元32
图像相似块组生成单元32对图像重叠分块31单元送入的每一图像块,在其所在图像的规定邻域范围内,寻找到一组相似图像块,将该组相似图像块矢量化后生成与该图像块对应的数据矩阵,再送入自适应字典生成单元33;
(3)自适应字典生成单元33
自适应字典生成单元33根据图像相似块组生成单元32送入的每一数据矩阵,采用主成分分析技术生成自适应变换字典,再送入图像块组自适应滤波单元34;
(4)图像块组自适应滤波单元34
图像块组自适应滤波单元34对图像相似块组生成32单元送入的每一数据矩阵,首先基于自适应字典生成单元33送入的变换字典进行正变换,然后计算子带系数的均值和方差,并进一步对子带系数进行软阈值收缩处理,最后将得到的阈值收缩处理的子带系数基于自适应字典生成单元33送入的变换字典进行正逆变换,再将结果送入图像合成单元35;
(5)图像合成单元35
图像合成单元35对图像块组自适应滤波单元34送入的数据矩阵,采用在像素域对对应像素进行求加权平均,得到图像的滤波结果;再将图像的滤波结果送入图像重构模块40。
4)图像重构模块40
图像重构模块40根据图像滤波模块30送入的图像滤波结果,以及系统输入的低分辨率图像,得到超分辨率重构图像的更新估计值,路由选择模块20将图像的更新估计值送入图像滤波模块30,继续进行迭代运算,达到逐渐提升输出图像质量的目的。
二、方法
1、步骤②D:
图像块组自适应滤波单元34对与图像块对应的数据矩阵进行自适应滤波处理的过程中,图像块组自适应滤波单元34分别对数据矩阵Ai的各列矢量基于自适应字典Di进行正交变换,得到其变换域系数αi,计算变换域系数αi的各子带均值μi和方差σi;再对所有数据矩阵Ai的变换域系数αi进行软阈值收缩运算,得到软阈值收缩的变换域系数再对变换域系数的各列矢量基于自适应变换字典Di进行正交逆变换,得到数据矩阵Ai的自适应滤波的结果图像块组自适应滤波单元34对数据矩阵Ai的变换域系数αi进行软阈值收缩运算的过程为:其中,soft(v,a)=sign(v)·max(|v|-a,0);
2、步骤②E:
3、步骤③:
三、仿真实验
为了证明本发明实施例的有效性,申请人在MATLAB平台下进行了仿真实验。图2-1、图2-2、图2-3给出了本发明与文献[1]方法在超分辨率放大因子设定为2的重构图像主观视觉效果比较,测试图像为256×256Leaves图像;图2-1是实验用原始图像,图2-2是采用文献[1]双线性插值方法的重构图像,图2-3是采用本发明方法的重构图像。在实验中,设置图像重叠分块的图像块的大小为8×8,块与块的间隔为4;在相似图像块组的提取中,结构相似图像块组的规模设定为K=60,搜索相似块的窗口大小为40×40,设置规则化参数λ=0.1、η=0.0025。
由此可见:本发明能更好保留图像的边缘和纹理细节信息,极大改善超分辨率图像重构的视觉效果。
本领域的技术人员可以对本发明实施例进行各种修改和变型,倘若这些修改和变型在本发明权利要求及其等同技术的范围之内,则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (9)
1.一种图像超分辨率重构系统的重构方法,其特征在于:
①初始化模块接收输入的低分辨率图像y,采用经典的双线性插值方法,生成高分辨率图像的初始估计x,送入路由选择模块,初始设置最大迭代次数J、阈值τ、规则化参数λ和η;
②图像滤波:
A、路由选择模块首次输出初始化模块送入的高分辨图像的初始估计,之后均输出图像重构模块送入的高分辨率图像的更新估计;图像重叠分块单元对路由选择模块输出的图像x进行重叠分块,得到多个存在像素重叠的图像块xi,送入图像块组生成单元;图像块xi=Rix,i=1,2,…n,n为大于2的整数,表示图像分块的总数,Ri为提取第i图像块的运算矩阵,图像块大小B选取为6行×6列;
B、图像块组生成单元对图像重叠分块单元送入的每一图像块xi,在其所在图像的设定邻域窗内,求取其K-1个最相似的图像块,K设定为40~60之间的正整数;将该图像块及其相似图像块矢量化后,生成与该图像块对应的数据矩阵Ai,分别送入自适应字典生成单元、图像块组自适应滤波单元;数据矩阵表示提取的第i图像块的图像块组,为提取第i图像块的图像块组的运算矩阵;
C、自适应字典生成单元接收图像块组生成单元送入的与图像块对应的数据矩阵Ai,利用主成分分析技术,得到对应图像块组的最优变换字典Di,送入图像块组自适应滤波单元;
D、图像块组自适应滤波单元根据图像块组生成单元送入的与图像块对应的数据矩阵Ai、自适应字典生成单元送入的最优变换字典Di,对与图像块对应的数据矩阵进行自适应滤波处理,送入图像合成单元;
E、图像合成单元对图像块组自适应滤波单元送入的所有图像块进行平均,得到路由选择模块送入图像重叠分块单元的图像x的滤波结果z,并送入图像重构模块;
③图像重构模块根据图像合成单元送入的图像x的滤波结果z,以及输入的原始的低分辨率图像y,得到高分辨率图像的更新估计,再将高分辨率图像的更新估计送入路由选择模块;
④计算更新前后高分辨率图像的均方误差值,如果均方误差值大于给定的阈值τ,并且迭代次数小于设定的最大值J,则返回到步骤②,路由选择模块将高分辨率图像的更新估计送入图像重叠分块单元,继续进行迭代运算,达到逐渐提升输出图像质量的目的;否则执行步骤⑤;
⑤结束运算,输出最后得到的高分辨率图像。
2.按权利要求1所述的重构方法,其特征在于所述的步骤②D:
3.按权利要求2所述的重构方法,其特征在于所述的步骤②E:
图像合成单元(35)得到图像x滤波的结果z的运算过程为:其中,表示为的转置,1B×K表示为大小为B×K且元素的值全为1的矩阵,./为矩阵点除运算符。
4.按权利要求3所述的重构方法,其特征在于所述的步骤③:
图像重构模块(40)通过对函数关于x求导数等于零,或者利用梯度下降法,得到高分辨率图像的更新估计;其中,H为图像降质测量矩阵,η为预先设定的规则化参数。
5.一种利用标准化组稀疏规则化的图像超分辨率重构系统,采用如权利要求1至4任一项所述的图像超分辨率重构系统的重构方法,其特征在于:
设置有初始化模块(10)、路由选择模块(20)、图像滤波模块(30)和图像重构模块(40);
输入低分辨率图像(00)、初始化模块(10)、路由选择模块(20)、图像滤波模块(30)、图像重构模块(40)和输出高分辨率图像(50)依次交互,图像重构模块(40)还和路由选择模块(20)交互。
6.按权利要求5所述的图像超分辨率重构系统,其特征在于:
所述的初始化模块(10)接收输入低分辨率图像(00)的测量值,并采用双线性插值方法,得到图像超分辨率重构的初始估计值,送入路由选择模块(20)。
7.按权利要求5所述的图像超分辨率重构系统,其特征在于:
所述的路由选择模块(20)首次输出初始化模块(10)送入的图像超分辨率重构的初始估计值,之后均输出图像重构模块(40)送入的图像超分辨率重构的更新估计值。
8.按权利要求5所述的图像超分辨率重构系统,其特征在于:
所述的图像滤波模块(30)包括依次交互的图像重叠分块单元(31)、图像相似块组生成单元(32)、自适应字典生成单元(33)、图像块组自适应滤波单元(34)和图像合成单元(35),图像相似块组生成单元(32)还和图像块组自适应滤波单元(34)交互;
图像重叠分块单元(31)对路由选择模块(20)输出的图像进行重叠分块,得到多个存在像素重叠的图像块,送入图像相似块组生成单元(32);
图像相似块组生成单元(32)对图像重叠分块单元(31)送入的每一图像块,在其所在图像的规定邻域范围内,寻找到一组相似图像块,将该组相似图像块矢量化后生成与该图像块对应的数据矩阵,再送入自适应字典生成单元(33);
自适应字典生成单元(33)根据图像相似块组生成单元(32)送入的每一数据矩阵,采用主成分分析技术生成自适应变换字典,再送入图像块组自适应滤波单元(34);
图像块组自适应滤波单元(34)对图像相似块组生成单元(32)送入的每一数据矩阵,首先基于自适应字典生成单元(33)送入的变换字典进行正变换,然后计算子带系数的均值和方差,并进一步对子带系数进行软阈值收缩处理,最后将得到的阈值收缩处理的子带系数基于自适应字典生成单元(33)送入的变换字典进行正逆变换,再将结果送入图像合成单元(35);
图像合成单元(35)对图像块组自适应滤波单元(34)送入的数据矩阵,采用在像素域对对应像素进行求加权平均,得到图像的滤波结果;再将图像的滤波结果送入图像重构模块(40)。
9.按权利要求5所述的图像超分辨率重构系统,其特征在于:
所述的图像重构模块(40)根据图像滤波模块(30)送入的图像滤波结果,以及系统输入的低分辨率图像,得到超分辨率重构图像的更新估计值,路由选择模块20将图像的更新估计值送入图像滤波模块(30),继续进行迭代运算,达到逐渐提升输出图像质量的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059265.3A CN109345453B (zh) | 2018-09-12 | 2018-09-12 | 利用标准化组稀疏规则化的图像超分辨率重构系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059265.3A CN109345453B (zh) | 2018-09-12 | 2018-09-12 | 利用标准化组稀疏规则化的图像超分辨率重构系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109345453A CN109345453A (zh) | 2019-02-15 |
CN109345453B true CN109345453B (zh) | 2022-12-27 |
Family
ID=65305425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811059265.3A Active CN109345453B (zh) | 2018-09-12 | 2018-09-12 | 利用标准化组稀疏规则化的图像超分辨率重构系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345453B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455988A (zh) * | 2013-09-17 | 2013-12-18 | 西安电子科技大学 | 基于结构自相似性与稀疏表示的超分辨率图像重构方法 |
CN106651974A (zh) * | 2016-11-03 | 2017-05-10 | 中南民族大学 | 利用加权结构组稀疏规则的图像压缩感知重构系统及方法 |
CN108093266A (zh) * | 2017-12-14 | 2018-05-29 | 中南民族大学 | 利用组归一化稀疏表示的图像压缩感知重构系统及其方法 |
WO2018120329A1 (zh) * | 2016-12-28 | 2018-07-05 | 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 |
-
2018
- 2018-09-12 CN CN201811059265.3A patent/CN109345453B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455988A (zh) * | 2013-09-17 | 2013-12-18 | 西安电子科技大学 | 基于结构自相似性与稀疏表示的超分辨率图像重构方法 |
CN106651974A (zh) * | 2016-11-03 | 2017-05-10 | 中南民族大学 | 利用加权结构组稀疏规则的图像压缩感知重构系统及方法 |
WO2018120329A1 (zh) * | 2016-12-28 | 2018-07-05 | 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 |
CN108093266A (zh) * | 2017-12-14 | 2018-05-29 | 中南民族大学 | 利用组归一化稀疏表示的图像压缩感知重构系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109345453A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Deep wavelet prediction for image super-resolution | |
CN112750082B (zh) | 基于融合注意力机制的人脸超分辨率方法及系统 | |
Xue et al. | Wavelet-based residual attention network for image super-resolution | |
CN112884851B (zh) | 基于展开迭代优化算法的深度压缩感知网络的构建方法 | |
CN111105352A (zh) | 超分辨率图像重构方法、系统、计算机设备及存储介质 | |
CN113808032A (zh) | 多阶段渐进式的图像去噪算法 | |
CN110400276B (zh) | 高光谱图像去噪方法、装置 | |
Cao et al. | New architecture of deep recursive convolution networks for super-resolution | |
Singh et al. | Sub-band energy constraints for self-similarity based super-resolution | |
Huang et al. | Two-step approach for the restoration of images corrupted by multiplicative noise | |
CN113554058A (zh) | 视觉目标图像分辨率增强的方法、系统、装置及存储介质 | |
Liu et al. | Multi-filters guided low-rank tensor coding for image inpainting | |
Shi et al. | Multi-scale deep networks for image compressed sensing | |
Li et al. | Detail-enhanced image inpainting based on discrete wavelet transforms | |
JP6528349B1 (ja) | 情報処理装置及び情報処理方法 | |
Alvarez-Ramos et al. | Image super-resolution via two coupled dictionaries and sparse representation | |
Moustafa et al. | Acceleration of super-resolution for multispectral images using self-example learning and sparse representation | |
CN108093266B (zh) | 利用组归一化稀疏表示的图像压缩感知重构系统及其方法 | |
CN109345453B (zh) | 利用标准化组稀疏规则化的图像超分辨率重构系统及方法 | |
CN116797456A (zh) | 图像超分辨率重建方法、系统、设备和存储介质 | |
CN114549300A (zh) | 图像字典的生成方法、图像重建方法及相关装置 | |
CN112991181B (zh) | 一种基于反应扩散方程的图像超分辨率重建方法 | |
Liu et al. | Residual attention network for wavelet domain super-resolution | |
Ghassab et al. | Plug-and-play video super-resolution using edge-preserving filtering | |
Du et al. | Single image super-resolution via multi-scale fusion convolutional neural 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 |