CN110443755A - 一种基于高低频信号量的图像超分辨率的方法 - Google Patents
一种基于高低频信号量的图像超分辨率的方法 Download PDFInfo
- Publication number
- CN110443755A CN110443755A CN201910727494.6A CN201910727494A CN110443755A CN 110443755 A CN110443755 A CN 110443755A CN 201910727494 A CN201910727494 A CN 201910727494A CN 110443755 A CN110443755 A CN 110443755A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- low
- data set
- image 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010428 oil painting Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000005303 weighing 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术，尤其涉及一种基于高低频信号量的图像超分辨率的方法，包括以下步骤：S1获取第一图像数据集；S2，将第一图像数据集进行图像预处理，以得到第二图像数据集；S3，搭建网络模型；S4，将第二图像数据集输入网络模型中，并利用前馈网络进行预测以得到第三图像数据集；S5，将第一图像数据集和第三图像数据集进行权重分析，以得到预测模型；S6，将待测低分辨率的图像输入到预测模型中以生成高分辨率预测图像。有益效果：通过搭建网络模型来对图像进行超分辨率重建，通过对图像中的高低频特征分开处理，可提高处理速度，从而获得更清晰的高分辨率图，解决现有技术中速度和效果无法兼得的难题。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于高低频信号量的图像超分辨率的方法。
背景技术
超分辨率(Super-Resolution)即通过硬件或软件的方法提高原有图像的分辨率，通过一系列低分辨率的图像来得到一幅高分辨率的图像过程就是超分辨率重建。超分辨率重建的核心思想就是用时间带宽，获取同一场景的多帧图像序列，换取空间分辨率，实现时间分辨率向空间分辨率的转换。
现有技术分为传统图像处理算法和深度学习两派，现有的传统图像处理算法如“一种医学图像处理装置及图像处理方法”中提及的高斯滤波以及双线性插值，速度较快，但产生的图像比较平滑，有种油画的感觉，使人感到不真实；深度学习方向的现有超分辨率技术效果相较于传统方法上效果占优，但处理耗时长，同时图像中的高低频信息被同等对待，在一定程度上限制了超分辨率重建的效果。
在实际应用中，由于扫描技艺的限制、扫描镜头失焦容易引起的图像不清晰、模糊，因此设计一种快速、拥有更高PSNR(Peak Signal to Noise Ratio，峰值信噪比)和SSIM(structural similarity index，结构相似性)评价图像质量的两种指标的超分辨率方法在实际临床中有极其重要的意义，为医生诊断各类疾病提供辅助帮助。
发明内容
针对现有技术中出现的不足，本发明提供一种基于高低频信号量的图像超分辨率的方法，具体技术方案以下：
一种基于高低频信号量的图像超分辨率的方法，包括以下步骤：
步骤S1，获取第一图像数据集；
步骤S2，将所述第一图像数据集进行图像预处理，以得到一第二图像数据集；
步骤S3，搭建一网络模型；
步骤S4，将所述第二图像数据集输入所述网络模型中，并利用一前馈网络进行预测以得到一第三图像数据集；
步骤S5，将所述第一图像数据集和所述第三图像数据集进行权重分析，以得到一预测模型；
步骤S6，将一待测低分辨率的图像输入到所述预测模型中以生成一高分辨率预测图像。
优选的，所述步骤S1包括：
步骤S11，采用一扫描仪，对组织玻片进行扫描以得到一原始高分辨率图像；
步骤S12，将所述原始高分辨率图像进行模糊化处理，以得到一第一低分辨率图像；
所述第一图像数据集包括所述原始高分辨率图像的数据和所述第一低分辨率图像的数据。
优选的，所述步骤S3包括：
步骤S31，构建一卷积层，以提取第一低分辨率图像的高低频特征；
步骤S32，根据所述第一低分辨率图像的高低频特征，以搭建卷积残差的网络模型。
优选的，所述网络模型包括：
一卷积层，所述卷积层设置于所述网络模型的第一层，用于提取低分辨率图像的浅层特征；
一下采样层，所述下采样层设置于所述网络模型的第二层，用于缩减图像尺寸和维度；
一骨干网络层，所述骨干网络层设置于所述网络模型的第三层，用于提取图像的高层抽象特征；
一上采样层，所述上采样层设置于所述网络模型的第四层，用于生成图像高分辨率的细节；
一残差连接层，所述残差连接层设置于所述网络模型的第五层，用于将所述上采样层的结果与输入的待测图像融合，以得到最终的清析图像。
优选的，所述步骤S5包括：
步骤S51，所述第一图像数据集和所述第三图像数据集根据一损失函数公式进行计算以得到一损失率的数据；
步骤S52，将所述损失率的数据输入一反向传播算法中，以更新所述网络模型中的数据；
步骤S53，反复进行步骤S51-S52，将所述损失率控制在一预设阈值范围内，得到所述预测模型。
优选的，于所述步骤6之后，还包括：根据一图像公式计算所述原始高分辨率图像和所述高分辨率预测图像的保真度和相似度。
优选的，所述图像公式包括：
一峰值信噪比公式，所述峰值信噪比公式用于评价所述原始高分辨率图像和所述高分辨率预测图像之间的失真度；
一结构相似性公式，所述结构相似性公式用于评价所述原始高分辨率图像和所述高分辨率预测图像之间的相似度。
本发明的技术方案的有益效果在于：提出一种结合高低频特征的卷积残差网络来对医学图像进行超分辨率重建，通过对图像中的高低频特征分开学习，能够减少模型参数量、提高处理速度，同时高低频特征将指导网络模型学习到更优的图像重建信息，从而获得更清晰的高分辨率图。解决现有技术中速度和效果无法兼得的难题。
附图说明
图1为本发明的一种基于高低频信号量的图像超分辨率的方法的步骤流程图；
图2为本发明的一种基于高低频信号量的图像超分辨率的方法的网络模型结构图；
图3为本发明的一种基于高低频信号量的图像超分辨率的方法的步骤S1的流程图；
图4为本发明的一种基于高低频信号量的图像超分辨率的方法的步骤S3的流程图；
图5为本发明的一种基于高低频信号量的图像超分辨率的方法的步骤S5的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
一种基于高低频信号量的图像超分辨率的方法，包括以下步骤：
步骤S1，获取第一图像数据集；
步骤S2，将第一图像数据集进行图像预处理，以得到一第二图像数据集；
步骤S3，搭建一网络模型；
步骤S4，将第二图像数据集输入网络模型中，并利用一前馈网络进行预测以得到一第三图像数据集；
步骤S5，将第一图像数据集和第三图像数据集进行权重分析，以得到一预测模型；
步骤S6，将一待测低分辨率的图像输入到预测模型中以生成一高分辨率预测图像。
具体的，如图1所示，首先获取第一图像数据集，对获取第一图像数据集进行图像预处理以得到第二图像数据集；其次，通过搭建网络模型，将第二图像数据集输入网络模型中，并利用一前馈网络进行预测以得到一第三图像数据集；再次，将第一图像数据集和第三图像数据集进行权重分析，以得到一预测模型；最后，输入待测低分辨率的图像输入到预测模型中以生成一高分辨率预测图像；进而解决现有技术中传统图像处理算法中利用高斯滤波以及双线性插值，产生图像比较平滑有种油画的感觉，使人感到不真实的问题和现有技术中深度学习方向的处理耗时长的问题。
进一步的，前馈网络：
设网络模型有K层(如图4中K＝6)，第i层表示为fi，其参数用Wi表示，输入用xi表示，输出用yi表示，很显然，yi＝xi+1或xi＝yi-1，即上一层的输出为下一层的输入。如第2层OctConv卷积层的运算可表示为y2＝f2(W2·X2)。
那么前馈网络forward的意思就是得到最后一层的输出，即yk＝fk(Wk·xk)
在一种较优的实施例中，步骤S1包括：
步骤S11，采用一扫描仪，对组织玻片进行扫描以得到一原始高分辨率图像；
步骤S12，将原始高分辨率图像进行模糊化处理，以得到一第一低分辨率图像；
第一图像数据集包括原始高分辨率图像的数据和第一低分辨率图像的数据。
具体的，如图3所示，在步骤S1中，首先，采用一扫描仪，对组织玻片进行扫描以得到一原始高分辨率图像；其次，将原始高分辨率图像进行模糊化处理，以得到一第一低分辨率图像；最终获取第一图像数据集；第一图像数据集包括原始高分辨率图像的数据和第一低分辨率图像的数据。
进一步的，在步骤S2中，图像预处理包括零均值化、旋转和仿射变换。
具体的，零均值化为：
R＝R-103.939
G＝G-116.779
B＝B-123.68
其中，R、G、B代表红绿蓝三个通道的图像灰度值。零均值化能使数据正负分布均衡，在训练算法模型的时候梯度变化具有多样性，从而能更快的收敛，达到更好的效果。
进一步的，旋转为：
令θ为旋转的角度，(x1,y1)为图像中原来的某坐标点，(x2,y2)为旋转后的坐标点，则旋转的公式表示为：
仿射变换为：
令sx,sy分别为横、纵坐标的缩放比例，(x3,y3)为图像中原来的某坐标点，(x4,y4)为仿射变换后的坐标点，则公式表示为：
在一种较优的实施例中，步骤S3包括：
步骤S31，构建一卷积层，以提取第一低分辨率图像的高低频特征；
步骤S32，根据第一低分辨率图像的高低频特征，以搭建卷积残差的网络模型。
具体的，如图4所示，在步骤S3中，首先要构建一卷积层，以提取第一低分辨率图像的高低频特征；
其次，根据第一低分辨率图像的高低频特征，以搭建卷积残差的网络模型。进一步的，考虑到第一低分辨率图像中的高低频信息，构建的卷积层为特定的卷积层OctConv，替代深度学习中常见的传统卷积层，能更好的提取高低频特征，从而在整体和细节上达到更好的效果。OctConv的网络结构其中每个方框都代表一个张量(tensor)，灰色箭头为一次传统卷积操作，白色箭头为提示，而不是卷积。
在一种较优的实施例中，网络模型包括：
一卷积层，卷积层设置于网络模型的第一层，用于提取低分辨率图像的浅层特征；
一下采样层，下采样层设置于网络模型的第二层，用于缩减图像尺寸和维度；
一骨干网络层，骨干网络层设置于网络模型的第三层，用于提取图像的高层抽象特征；
一上采样层，上采样层设置于网络模型的第四层，用于生成图像高分辨率的细节；
一残差连接层，残差连接层设置于网络模型的第五层，用于将上采样层的结果与输入的待测图像融合，以得到最终的清析图像。
具体的，如图2所示，搭建网络模型；第一层为卷积层，用于提取低分辨率图像的浅层特征；第二层为下采样层，用于缩减图像尺寸、维度；第三层为ResNet50骨干网络，用于提取图像的高层抽象特征；第四层为上采样层，用于生成图像高分辨率的细节，同时恢复图像的尺寸为输入图像的尺寸；第五层为残差连接层，将第四层的结果与输入图像融合，得到最终的清晰图；将OctConv代替所有卷积层，然后嵌入到该网络模型中，得到结合高低频特征的卷积残差网络模型。
在一种较优的实施例中，步骤S5包括：
步骤S51，第一图像数据集和第三图像数据集根据一损失函数公式进行计算以得到一损失率的数据；
步骤S52，将损失率的数据输入一反向传播算法中，以更新网络模型中的数据；
步骤S53，反复进行步骤S51-S52，将损失率控制在一预设阈值范围内，得到预测模型。
具体的，在步骤S5中，损失函数公式为其中x为第一图像数据集和第三图像数据集的相同位置的像素值之差。
进一步的，反向传播：
反向传播与上述的前馈网络顺序相反，上述的前馈网络从第1层到第K层，而反向传播从第K层到第1层。
其中第K层的梯度为那么反向传播中第K层的权重参数的更新公式为其中lr称为学习率，设为0.005。对于网络模型中的任意一层，如第i层，其反向传播的参数更新公式为
进一步的，预设阈值范围设定，本方法使用的损失率控制在一预设阈值范围为0.001，训练次数阈值为20000。
在一种较优的实施例中，于步骤6之后，还包括：根据一图像公式计算原始高分辨率图像和高分辨率预测图像的保真度和相似度。
在一种较优的实施例中，图像公式包括：
一峰值信噪比公式，峰值信噪比公式用于评价原始高分辨率图像和高分辨率预测图像之间的失真度；
一结构相似性公式，结构相似性公式用于评价原始高分辨率图像和高分辨率预测图像之间的相似度。
具体的，峰值信噪比(PSNR)，公式1为
峰值信噪比用于评价原始高分辨率图像和高分辨率预测图像之间的失真度；该值越高表示失真程度越小，效果越好。
公式1中，MAXI为图像像素值上限，一般取255；RMSE为均方根误差。
进一步的，结构相似性(SSIM)：公式2为
其中，ux为x的均值；uy为y的均值；σx 2为x的方差；σy 2为y的方差；σxy为x和y的协方差；c1和c2为常数。
结构相似性用于评价用于评价原始高分辨率图像和高分辨率预测图像之间的相似度，取值在0与1之间，其值越接近1表示相似度越高，即效果越好。
本发明的技术方案的有益效果在于：本发明使用深度神经网络进行特征的提取、分类和目标的识别定位，提升训练效率，提高标注数据利用率，大幅提升分类准确度、召回率、识别的精度，本发明方法识别性能比传统CTC人工识别方法更稳定，效果更好，达到了早期筛查与及时发现肿瘤早期病征的目的。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (7)
1.一种基于高低频信号量的图像超分辨率的方法，其特征在于，步骤包括：
步骤S1，获取第一图像数据集；
步骤S2，将所述第一图像数据集进行图像预处理，以得到一第二图像数据集；
步骤S3，搭建一网络模型；
步骤S4，将所述第二图像数据集输入所述网络模型中，并利用一前馈网络进行预测以得到一第三图像数据集；
步骤S5，将所述第一图像数据集和所述第三图像数据集进行权重分析，以得到一预测模型；
步骤S6，将一待测低分辨率的图像输入到所述预测模型中以生成一高分辨率预测图像。
2.根据权利要求1所述基于高低频信号量的图像超分辨率的方法，其特征在于，所述步骤S1包括：
步骤S11，采用一扫描仪，对组织玻片进行扫描以得到一原始高分辨率图像；
步骤S12，将所述原始高分辨率图像进行模糊化处理，以得到一第一低分辨率图像；
所述第一图像数据集包括所述原始高分辨率图像的数据和所述第一低分辨率图像的数据。
3.根据权利要求1所述基于高低频信号量的图像超分辨率的方法，其特征在于，所述步骤S3包括：
步骤S31，构建一卷积层，以提取第一低分辨率图像的高低频特征；
步骤S32，根据所述第一低分辨率图像的高低频特征，以搭建卷积残差的网络模型。
4.根据权利要求3所述基于高低频信号量的图像超分辨率的方法，其特征在于，所述网络模型包括：
一卷积层，所述卷积层设置于所述网络模型的第一层，用于提取低分辨率图像的浅层特征；
一下采样层，所述下采样层设置于所述网络模型的第二层，用于缩减图像尺寸和维度；
一骨干网络层，所述骨干网络层设置于所述网络模型的第三层，用于提取图像的高层抽象特征；
一上采样层，所述上采样层设置于所述网络模型的第四层，用于生成图像高分辨率的细节；
一残差连接层，所述残差连接层设置于所述网络模型的第五层，用于将所述上采样层的结果与输入的待测图像融合，以得到最终的清析图像。
5.根据权利要求1所述基于高低频信号量的图像超分辨率的方法，其特征在于，所述步骤S5包括：
步骤S51，所述第一图像数据集和所述第三图像数据集根据一损失函数公式进行计算以得到一损失率的数据；
步骤S52，将所述损失率的数据输入一反向传播算法中，以更新所述网络模型中的数据；
步骤S53，反复进行步骤S51-S52，将所述损失率控制在一预设阈值范围内，得到所述预测模型。
6.根据权利要求1所述基于高低频信号量的图像超分辨率的方法，其特征在于，于所述步骤6之后，还包括：根据一图像公式计算所述原始高分辨率图像和所述高分辨率预测图像的保真度和相似度。
7.根据权利要求6所述基于高低频信号量的图像超分辨率的方法，其特征在于，所述图像公式包括：
一峰值信噪比公式，所述峰值信噪比公式用于评价所述原始高分辨率图像和所述高分辨率预测图像之间的失真度；
一结构相似性公式，所述结构相似性公式用于评价所述原始高分辨率图像和所述高分辨率预测图像之间的相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910727494.6A CN110443755B (zh) | 2019-08-07 | 2019-08-07 | 一种基于高低频信号量的图像超分辨率的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910727494.6A CN110443755B (zh) | 2019-08-07 | 2019-08-07 | 一种基于高低频信号量的图像超分辨率的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110443755A true CN110443755A (zh) | 2019-11-12 |
| CN110443755B CN110443755B (zh) | 2023-05-30 |
Family
ID=68433959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910727494.6A Active CN110443755B (zh) | 2019-08-07 | 2019-08-07 | 一种基于高低频信号量的图像超分辨率的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443755B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369466A (zh) * | 2020-03-05 | 2020-07-03 | 福建帝视信息科技有限公司 | 一种基于可变形卷积的卷积神经网络的图像畸变矫正增强方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100008580A1 (en) * | 2008-07-09 | 2010-01-14 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
| CN104160421A (zh) * | 2012-03-05 | 2014-11-19 | 汤姆逊许可公司 | 用于执行对输入图像的分层超分辨率的方法和装置 |
| CN106683067A (zh) * | 2017-01-20 | 2017-05-17 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
| CN107369189A (zh) * | 2017-07-21 | 2017-11-21 | 成都信息工程大学 | 基于特征损失的医学图像超分辨率重建方法 |
| EP3319039A1 (en) * | 2016-11-07 | 2018-05-09 | UMBO CV Inc. | A method and system for providing high resolution image through super-resolution reconstruction |
| CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
| KR20190040586A (ko) * | 2017-10-11 | 2019-04-19 | 인하대학교 산학협력단 | 인공신경망을 이용한 단일 영상 고해상도 복원 방법 및 시스템 |
| CN109685716A (zh) * | 2018-12-14 | 2019-04-26 | 大连海事大学 | 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法 |
| CN109919840A (zh) * | 2019-01-21 | 2019-06-21 | 南京航空航天大学 | 基于密集特征融合网络的图像超分辨率重建方法 |
-
2019
- 2019-08-07 CN CN201910727494.6A patent/CN110443755B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100008580A1 (en) * | 2008-07-09 | 2010-01-14 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
| CN104160421A (zh) * | 2012-03-05 | 2014-11-19 | 汤姆逊许可公司 | 用于执行对输入图像的分层超分辨率的方法和装置 |
| EP3319039A1 (en) * | 2016-11-07 | 2018-05-09 | UMBO CV Inc. | A method and system for providing high resolution image through super-resolution reconstruction |
| CN106683067A (zh) * | 2017-01-20 | 2017-05-17 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
| CN107369189A (zh) * | 2017-07-21 | 2017-11-21 | 成都信息工程大学 | 基于特征损失的医学图像超分辨率重建方法 |
| KR20190040586A (ko) * | 2017-10-11 | 2019-04-19 | 인하대학교 산학협력단 | 인공신경망을 이용한 단일 영상 고해상도 복원 방법 및 시스템 |
| CN109685716A (zh) * | 2018-12-14 | 2019-04-26 | 大连海事大学 | 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法 |
| CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
| CN109919840A (zh) * | 2019-01-21 | 2019-06-21 | 南京航空航天大学 | 基于密集特征融合网络的图像超分辨率重建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 倪申龙;曾接贤;周世健;: "整体车牌图像超分辨率重建研究", 计算机技术与发展 * |
| 廖轩: "基于多尺度互特征卷积神经网络的深度图像增强", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369466A (zh) * | 2020-03-05 | 2020-07-03 | 福建帝视信息科技有限公司 | 一种基于可变形卷积的卷积神经网络的图像畸变矫正增强方法 |
| CN111369466B (zh) * | 2020-03-05 | 2023-06-16 | 福建帝视信息科技有限公司 | 基于可变形卷积的卷积神经网络的图像畸变矫正增强方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110443755B (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Engin et al. | Cycle-dehaze: Enhanced cyclegan for single image dehazing | |
| CN108734659B (zh) | 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法 | |
| CN110020989B (zh) | 一种基于深度学习的深度图像超分辨率重建方法 | |
| 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 | |
| CN106127684B (zh) | 基于双向递归卷积神经网络的图像超分辨率增强方法 | |
| JP4140690B2 (ja) | ピクセル画像から超解像度画像を生成する方法 | |
| CN109711401B (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
| CN106780543A (zh) | 一种基于卷积神经网络的双框架估计深度和运动方法 | |
| CN113012172A (zh) | 一种基于AS-UNet的医学图像分割方法及系统 | |
| CN109685716A (zh) | 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法 | |
| CN110458165A (zh) | 一种引入注意力机制的自然场景文本检测方法 | |
| CN112801904B (zh) | 一种基于卷积神经网络的混合退化图像增强方法 | |
| CN112837224A (zh) | 一种基于卷积神经网络的超分辨率图像重建方法 | |
| CN113705675B (zh) | 一种基于多尺度特征交互网络的多聚焦图像融合方法 | |
| CN107343196A (zh) | 一种混合失真无参考图像质量评价方法 | |
| CN116309648A (zh) | 一种基于多注意力融合的医学图像分割模型构建方法 | |
| CN112085717B (zh) | 一种用于腹腔镜手术的视频预测方法及其系统 | |
| CN111833261A (zh) | 一种基于注意力的生成对抗网络的图像超分辨率复原方法 | |
| CN114782596A (zh) | 语音驱动的人脸动画生成方法、装置、设备及存储介质 | |
| CN115482160A (zh) | 基于深度卷积神经网络的舌色校正方法 | |
| CN110443755A (zh) | 一种基于高低频信号量的图像超分辨率的方法 | |
| Wu et al. | Remote sensing image colorization based on multiscale SEnet GAN | |
| CN117058606A (zh) | 一种x射线图像违禁品检测方法 | |
| CN110991230A (zh) | 基于旋转候选框的任意方向遥感影像舰船检测方法及系统 | |
| CN110111252A (zh) | 基于投影矩阵的单幅图像超分辨率方法 |
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 |