CN109697695B - 可见光图像引导的超低分辨率热红外图像插值算法 - Google Patents
可见光图像引导的超低分辨率热红外图像插值算法 Download PDFInfo
- Publication number
- CN109697695B CN109697695B CN201811495665.9A CN201811495665A CN109697695B CN 109697695 B CN109697695 B CN 109697695B CN 201811495665 A CN201811495665 A CN 201811495665A CN 109697695 B CN109697695 B CN 109697695B
- Authority
- CN
- China
- Prior art keywords
- image
- interpolation
- resolution
- thermal infrared
- data
- 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 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 240000007651 Rubus glaucus Species 0.000 description 3
- 235000011034 Rubus glaucus Nutrition 0.000 description 3
- 235000009122 Rubus idaeus Nutrition 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000013618 yogurt Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum 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 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
- G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
可见光图像引导的超低分辨率热红外图像插值算法，先给定一个输入图像I和一个引导图像G，输出图像O可以通过多组迭代优化而得到。本发明技术方案采用分层多组迭代插值方法获得结果图像，由粗糙层逐渐插值到精细层最终得到高分辨率热红外图像；在每一层采用一次三双次平滑插值和二次引导插值，得到的结果图像作为下一个精细层的稀疏输入；通过上述方式迭代插值至最精细层最终可以获得清晰的高分辨率热红外图像。该算法根据场景表面温度分布与场景物体表面分布相关的规律，利用高分辨率可见光图像提取场景物体表面分布图引导超低分辨率热红外传感器数据插值，可以得到真实场景的温度分布。
Description
技术领域
本发明涉及一种可见光图像引导的低分辨率热红外图像插值算法，属于数字图像处理、数字信号处理领域。
背景技术
对于数字图像而言，分辨率是一个非常重要的质量指标。通常廉价热红外传感器采集到的图像数据分辨率极低，而价格高昂的热红外成像设备成像结果分辨率仍然不够高，无法满足一般的应用需求。
提高图像分辨率算法主要分为三大类：基于插值、基于多帧重构和基于学习的方法。基于插值的算法比较简单，应用广泛，能够满足一定分辨率技术的需求。插值算法根据维度不同又分为多种。比如一维插值算法最近邻插值算法过程简单，计算方便。但在实际的应用中，该方法对图像全局信息的考虑不足，使得结果图像产生很大的误差。二维插值方法中的最近邻域插值法算法过程简单且易于理解和实现，对较小的运算插值速度很快，但是在水平和垂直方向上对图像频谱衰减不够，使得插值结果图像质量不够高。双线性插值会使得图像比较平滑，但是精度不够高。双三次插值会创造更平滑的图像。相较于双线性插值，效果比较好，但是运行速度非常慢。基于多帧重建的图像分辨率算法虽然在图像质量的改善优于插值算法，但是算法的复杂度太高，远超过插值算法的复杂度。基于学习的方法重建图像分辨率起步较晚，并且也需要对适用的图像划分为专用算法与通用算法，但是专用算法只适应于某种特定类型、尺寸的视频或者图像。
发明内容
针对超低分辨率热红外图像，本发明提出了一种可见光图像引导的超低分辨率热红外图像插值算法，该算法是一种利用高分辨率可见光自然图像引导超低分辨率热红外图像插值成为具有清晰细节的高分辨热红外图像的算法。该算法根据场景表面温度分布与场景物体表面分布相关的规律，利用高分辨率可见光图像提取场景物体表面分布图来引导超低分辨率热红外传感器数据插值，可以得到与真实场景温度分布相似的高分辨率热红外图像。
本发明采取的技术方案为：
可见光图像引导的低分辨率热红外图像插值算法，该算法是一种基于加权最小二乘法 (Weighted Least Squares,WLS)的热红外图像快速引导插值(Thermal InfraredImage Fast Guided Interpolation,TIIFGI)算法，具体采用：将低分辨率热红外图像，利用高分辨率可见光图像引导插值成为高分辨率热红外图像。TIIFGI低分辨率热红外图像插值算法，其特征在于：给定一个输入图像I和一个引导图像G，输出图像O可以通过多组迭代优化而得到。本发明技术方案采用分层多组迭代插值方法获得结果图像，由粗糙层逐渐插值到精细层最终得到高分辨率热红外图像；在每一层采用一次三双次平滑插值和二次引导插值，得到的结果图像作为下一个精细层的稀疏输入；通过上述方式迭代插值至最精细层最终可以获得清晰的高分辨率热红外图像。
基于WLS的可见光图像引导的超低分辨率热红外图像插值算法，包括以下步骤：
步骤一：稀疏数据双三次插值：在第l级的插值过程直接采用双三次插值算法将低层次稀疏低分辨率数据S插值成为高层次密集高分辨率数据I；
步骤二：稀疏数据彩色图像引导插值：将引导图像下采样到与当前层数据图像分辨率相同。利用WLS算法，以下采样后的自然图像为引导图像，将低分辨率的数据N插值成为高分辨率数据R；
步骤三：双三次插值和引导插值结果联合滤波：以步骤一和步骤二的输出I和R为输入，执行联合滤波，得到滤波结果N；
步骤四：双三次插值结果和联合滤波数据一致性检验：在TIIFGI分层的插值框架中，任何中间级中都不会产生一个全密集的数据集，否则会传播低信度的数据点到下一级中。因此，需要谨慎的选取数据点增加到稀疏的输入数据集中。在当前迭代的最后一步进行一致性检验，评估两次WLS插值后的数据和双三次插值后的数据点N之间的一致性。数据的有效性记录在矩阵M中。M中为1的位置表示有效点，否则为无效点；
步骤五：迭代循环：循环迭代上述步骤一至步骤四，直至插值结果的分辨率与引导图像的分辨率相同为止,最终得到的高分辨率结果S，即为本算法的输出结果。
上述步骤通过廉价低分辨率红外传感器获取的超低分辨率热红外图像，经过引导插值之后得到高分辨率热红外图像。
高分辨率数据R通过求解公式一得到：
这里N4(p)表示像素p的四个邻域点，λ为平衡数据项和正规化项的权重，增加λ会导致R越平滑，wp,q是一个空间变化的权重函数，用来度量引导图像G中的两个像素p和q 相似性。
本发明中使用快速全局平滑技术(FGS)求解该线性系统，该技术通过一种分离的方式，求解一系列一维的子系统来近似求解一个大的线性系统，对于一个二维输入图像，一维子系统由水平和垂直方向定义。通过下列表达式可得出相应的联合滤波数据N:
所述步骤五中，输入数据I是密集的，不同于第一次WLS中滤波数据N的输入，使用的 TIIFGI框架级数为六级，即N＝6,进行了六次迭代，对于每一级，引导图像c也进行下采样， c0＝c，cn＝cn-1↓，↓表示下采样的因子为2。
本发明一种可见光图像引导的超低分辨率热红外图像插值算法，有益效果如下：
1)通过该算法可以通过廉价低分辨率红外传感器和可见光相机获取高分辨率热红外图像。该算法精度高，效果明显，且插值后的图像细节清晰，能准确描绘物体表面的温度分布，灵敏度高。
2)可以解决通过廉价热红外传感器获取到高分辨率图像，给人清晰的画面感，传递更多语义信息。
3)本发明提出的可见光图像引导的超低分辨率热红外图像插值算法，根据场景表面温度分布与场景物体表面分布相关的规律，利用高分辨率可见光图像提取场景物体表面分布图引导超低分辨率热红外传感器数据插值，可以得到与真实场景温度分布相似的高分辨率热红外图像；并且能清晰描绘物体的温度分布。
附图说明
图1为TIIFGI算法流程图。
图2(a)为高分辨率可见光单手指引导图像
图2(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图2(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图2(d)为对图2(c)伪彩色可视化显示的单手指高分辨率热红外图像
图3(a)为高分辨率可见光玻璃杯引导图像
图3(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图3(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图3(d)为对图3(c)伪彩色可视化显示的单手指高分辨率热红外图像
图4(a)为高分辨率可见光手掌引导图像
图4(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图4(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图4(d)为对图4(c)伪彩色可视化显示的手掌高分辨率热红外图像
图5(a)为高分辨率可见光多手指引导图像
图5(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图5(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图5(d)为对图5(c)伪彩色可视化显示的多手指高分辨率热红外图像
图6(a)为高分辨率可见光均匀球体的橙子引导图像
图6(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图6(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图6(d)为对图6(c)伪彩色可视化显示的橙子高分辨率热红外图像
图7(a)为高分辨率可见光酸奶盒引导图像
图7(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图7(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图7(d)为对图7(c)伪彩色可视化显示的酸奶盒高分辨率热红外图像
具体实施方式
可见光图像引导的超低分辨率热红外图像插值算法，是一种基于加权最小二乘法WLS 的热红外图像快速引导插值(Thermal Infrared Image Fast GuidedInterpolation, TIIFGI)算法。先给定一个输入图像I和一个引导图像G，输出图像O可以通过多组迭代优化而得到。本发明技术方案采用分层多组迭代插值方法获得结果图像，由粗糙层逐渐插值到精细层最终得到高分辨率热红外图像；在每一层采用一次三双次平滑插值和二次引导插值，得到的结果图像作为下一个精细层的稀疏输入；通过上述方式迭代插值至最精细层最终可以获得清晰的高分辨率热红外图像。
步骤一：稀疏数据双三次插值：在第l级的插值过程。直接采用双三次插值算法将低层次稀疏低分辨率数据S插值成为高层次密集高分辨率数据I。
p和q代表引导图像G中的像素点；rp表示输出图像p点像素值；gp为输入图像p点的像素值；wp,q为权重函数。
这里N4(p)表示像素p的四个邻域点，λ为平衡数据项和正规化项的权重，增加λ会导致R越平滑，wp,q是一个空间变化的权重函数，用来度量引导图像G中的两个像素p和q 相似性。
步骤二：稀疏数据彩色图像引导插值：将引导图像下采样到与当前层数据图像分辨率相同。利用WLS算法，以下采样后的自然图像为引导图像，将低分辨率的数据S插值成为高分辨率数据R。
步骤三：双三次插值和引导插值结果联合滤波。本发明中使用快速全局平滑技术(FGS) 求解该线性系统，该技术通过一种分离的方式，求解一系列一维的子系统来近似求解一个大的线性系统，对于一个二维输入图像，一维子系统由水平和垂直方向定义。通过下列表达式可得出相应的联合滤波数据N:
N为联合滤波数据，I为上级输出图像，wp,q为权重函数。
步骤四：双三次插值结果和联合滤波数据一致性检验。在TIIFGI分层的插值框架中，任何中间级中都不会产生一个全密集的数据集，否则会传播一些信度较低的数据点到下一级中。因此，这就需要谨慎的选取数据点增加到稀疏的输入数据集中。在当前迭代的最后一步进行一致性检验，评估两次WLS插值后的数据和双三次插值后的数据点N之间的一致性。数据的有效性记录在矩阵M中。M中为1的位置表示有效点，否则为无效点。
步骤五：迭代循环。循环迭代上述步骤一至四至插值结果的分辨率与引导图像的分辨率相同为止,得到的高分辨率结果N即为本算法的输出结果。这里输入数据I是密集的，不同于第一次WLS中N是稀疏输入。本发明使用的TIIFGI框架级数为六级，即N＝6,进行了六次迭代，对于每一级，引导图像c也进行下采样，c0＝c，cn＝cn-1↓(↓表示下采样的因子为2)。
本发明算法，输入图像像素为8×8,结果输出图像为240×240。
本发明算法，能够还原场景物体真实的温度分布。
本发明算法，TIIFGI以一种由粗到细的迭代方式将问题分解成一系列较小尺度的插值任务，逐渐缩小稀疏测量数据和密集真实数据之间的距离。假设TIIFGI层次结构有N级，从最粗的一级(n＝N-1)开始引导插值，逐步产生信任的数据点，增加到稀疏的输入数据中。重复这个过程直到最细的一级(n＝0)，这样原始的数据就逐渐趋于密集。
本发明算法中，双三次插值得到光滑插值。
本发明算法中，稀疏数据彩色图像引导插值。
本发明算法中，双三次插值和引导插值结果联合滤波。
本发明算法中一致性检验：利用一致性检验就可以剔除低信度的数据点，这一方案可以防止低信度的新数据点污染下一个插值过程。
本发明算法，循环迭代算法6次，分层求解。
本发明算法，提高热红外图像分辨率和描绘场景温度分布。
实施例：
使用C++语言开发,开发环境为Visual Studio 2015,电脑配置为Intel Core i5CPU(3.2GHz)，内存为16GB。采用树莓派摄像头获取的视频帧作为引导图像，热红外传感器获取的数据为输入数据。本发明使用的热传感器的型号为AMG8833，平均每秒可以获得10组8×8的数据，利用I2C接口将其搭载到树莓派开发板上，然后将树莓派摄像头数据和热红外数据通过网络同步传输至PC端。在实验中，固定参数λ1＝302，λ2＝302，设置 w(s,t)(g)中σc为0.005。
实验结果如图3(a)、图3(b)、图3(c)、图3(d)所示，左侧图3(a)为树莓派摄像头获取的自然引导图像，分辨率设置为360×240，将其裁剪至240×240，图3(b)为将原始8×8热红外输入数据通过双三次插值得到与引导图像大小一致的图像，图3(c)为使用本发明算法引导插值得到的灰度图像，图3(d)为对插值结果进行伪彩色可视化显示的结果。实验过程中可通过调节引导图像分辨率大小来得到不同分辨率大小的输出图像。从图图3(b)中可以看出，由于输入数据过于稀疏，信息较少，直接对原始数据使用双三次插值得到的结果十分模糊，几乎分辨不清场景中的物体信息。
图3(c)和图3(d)表明：使用本发明的方法能够得到一个较为清晰的热红外图像，图3(d) 通过对插值结果进行伪彩色可视化显示，能直观反映出场景中物体表面的温度分布情况，且物体与场景结构层次分明，能够展示更多的细节信息，并对物体的边缘信息保留十分完整。
Claims (4)
1.可见光图像引导的超低分辨率热红外图像插值算法，其特征在于包括以下步骤：
步骤一：稀疏数据双三次插值：在第l级的插值过程直接采用双三次插值算法将低层次低分辨率热红外图像插值成为高层次密集高分辨率插值结果图像I；
步骤二：稀疏数据彩色图像引导插值：将高分辨率可见光引导图像G下采样到与当前迭代的双三次平滑插值结果分辨率相同；利用WLS算法，以下采样后的自然图像为引导图像，将低分辨率热红外图像插值成为高分辨率引导插值结果数据R；
步骤三：双三次插值和引导插值结果联合滤波：以步骤一和步骤二的输出I和R为输入，执行联合滤波，得到联合滤波数据结果N；
步骤四：双三次插值结果和联合滤波数据结果N一致性检验：在该算法的循环迭代插值框架中，任何中间级中都不会产生一个全密集的数据集，否则会传播低信度的数据点到下一级中；因此，需要谨慎的选取数据点增加到稀疏的输入数据集中；在当前迭代的最后一步进行一致性检验，评估步骤二与步骤三中经两次加权最小二乘法WLS算法做引导插值后的滤波数据结果N和双三次平滑插值后的高分辨率插值结果图像I之间的一致性；数据的有效性记录在矩阵M中；M中为1的位置表示有效点，否则为无效点；
步骤五：迭代循环：循环迭代上述步骤一至步骤四，直至双三次平滑插值结果的分辨率与高分辨率可见光引导图像G的分辨率相同为止,最终得到的高分辨率结果，即为本算法的输出结果。
2.根据权利要求1所述可见光图像引导的超低分辨率热红外图像插值算法，其特征在于：
上述步骤通过廉价低分辨率红外传感器获取的超低分辨率热红外图像，经过引导插值之后得到高分辨率热红外图像。
3.根据权利要求1所述可见光图像引导的超低分辨率热红外图像插值算法，其特征在于：高分辨率数据R通过求解公式(1)得到：
这里N4(p)表示像素p的四个邻域点，λ为平衡数据项和正规化项的权重，增加λ会导致R越平滑，wp，q(Gp)是一个空间变化的权重函数，用来度量引导图像G中的两个像素p和q相似性。
4.根据权利要求3所述可见光图像引导的超低分辨率热红外图像插值算法，其特征在于：使用快速全局平滑技术FGS求解线性系统，通过一种分离的方式，求解一系列一维的子系统来近似求解一个大的线性系统，对于一个二维输入图像，一维子系统由水平和垂直方向定义；通过下列表达式可得出相应的联合滤波数据结果N:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811495665.9A CN109697695B (zh) | 2018-12-07 | 2018-12-07 | 可见光图像引导的超低分辨率热红外图像插值算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811495665.9A CN109697695B (zh) | 2018-12-07 | 2018-12-07 | 可见光图像引导的超低分辨率热红外图像插值算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109697695A CN109697695A (zh) | 2019-04-30 |
| CN109697695B true CN109697695B (zh) | 2023-03-10 |
Family
ID=66230388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811495665.9A Active CN109697695B (zh) | 2018-12-07 | 2018-12-07 | 可见光图像引导的超低分辨率热红外图像插值算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109697695B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445421A (zh) * | 2020-04-08 | 2020-07-24 | Oppo广东移动通信有限公司 | 图像滤波方法、装置、存储介质及移动设备 |
| CN112577439A (zh) * | 2020-12-03 | 2021-03-30 | 华中科技大学 | 基于红外和光学图像的微电子基板翘曲测量方法和系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101246545A (zh) * | 2008-02-22 | 2008-08-20 | 华南师范大学 | 一种光学遥感图像去云的泊松方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8724928B2 (en) * | 2009-08-31 | 2014-05-13 | Intellectual Ventures Fund 83 Llc | Using captured high and low resolution images |
| CN108780570B (zh) * | 2016-01-16 | 2022-12-06 | 特利丹菲力尔有限责任公司 | 使用迭代协同滤波的图像超分辨率的系统和方法 |
-
2018
- 2018-12-07 CN CN201811495665.9A patent/CN109697695B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101246545A (zh) * | 2008-02-22 | 2008-08-20 | 华南师范大学 | 一种光学遥感图像去云的泊松方法 |
Non-Patent Citations (4)
| Title |
|---|
| Dust Removal with Boundary and Spatial Constraint for Videos Captured in Car;Biao Xiong;《IEEE》;20171231;全文 * |
| 协作稀疏字典学习实现单幅图像超分辨率重建;邱康等;《光学学报》;20180418(第09期);全文 * |
| 基于MLX90620的低成本红外热成像系统设计;杨风健等;《传感器与微系统》;20151120(第11期);全文 * |
| 结合同场景彩色图像的深度图超分辨率重建;王宇等;《光学学报》;20171231(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109697695A (zh) | 2019-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cho et al. | Weakly-and self-supervised learning for content-aware deep image retargeting | |
| CN111369440B (zh) | 模型训练、图像超分辨处理方法、装置、终端及存储介质 | |
| US20200349391A1 (en) | Method for training image generation network, electronic device, and storage medium | |
| Zeng et al. | A generalized DAMRF image modeling for superresolution of license plates | |
| CN110910437B (zh) | 一种复杂室内场景的深度预测方法 | |
| CN114936995A (zh) | 基于大核注意力机制的多尺度特征增强的遥感图像融合方法 | |
| CN108876716B (zh) | 超分辨率重建方法及装置 | |
| CN106169174B (zh) | 一种图像放大方法 | |
| CN113160294A (zh) | 图像场景深度的估计方法、装置、终端设备和存储介质 | |
| CN109697695B (zh) | 可见光图像引导的超低分辨率热红外图像插值算法 | |
| Lei et al. | Super-resolution enhancement of UAV images based on fractional calculus and POCS | |
| Huang et al. | Fast blind image super resolution using matrix-variable optimization | |
| Muhammad et al. | Multi-scale Xception based depthwise separable convolution for single image super-resolution | |
| CN107392855B (zh) | 基于稀疏自编码网络与极速学习的图像超分辨重建方法 | |
| CN115035171A (zh) | 基于自注意力导向特征融合的自监督单目深度估计方法 | |
| Slyusar et al. | Segmentation of analogue meter readings using neural networks. | |
| CN117456376A (zh) | 一种基于深度学习的遥感卫星影像目标检测方法 | |
| CN111242839B (zh) | 一种基于尺度等级的图像缩放裁剪方法 | |
| Polasek et al. | Vision UFormer: Long-range monocular absolute depth estimation | |
| CN116343034A (zh) | 一种遥感图像的变化检测方法、系统、电子设备及介质 | |
| Wang | [Retracted] An Old Photo Image Restoration Processing Based on Deep Neural Network Structure | |
| Boss et al. | Deep Dual Loss BRDF Parameter Estimation. | |
| WO2022239216A1 (ja) | 学習装置、学習方法、画像処理装置、及び画像処理方法 | |
| Wang et al. | Neighbor Spectra Maintenance and Context Affinity Enhancement for Single Hyperspectral Image Super-Resolution | |
| Liu et al. | Hyperspectral image super-resolution employing nonlocal block and hybrid multiscale three-dimensional convolution |
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 |