CN110570351A - 一种基于卷积稀疏编码的图像超分辨率重建方法 - Google Patents
一种基于卷积稀疏编码的图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN110570351A CN110570351A CN201910707582.XA CN201910707582A CN110570351A CN 110570351 A CN110570351 A CN 110570351A CN 201910707582 A CN201910707582 A CN 201910707582A CN 110570351 A CN110570351 A CN 110570351A
- Authority
- CN
- China
- Prior art keywords
- image
- sparse coding
- convolution
- network model
- resolution reconstruction
- 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 35
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004091 panning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的是一种卷积稀疏编码的超分辨率重建方法，主要包括LR特征提取部分，LR‑HR特征转换部分，HR图像重建部分。其中，LR‑HR特征转换部分采用稀疏编码的方法进行，联合训练LR与HR两个字典，在假定LR特征与HR特征共享相同稀疏编码假设下，即可通过LR‑HR字典对，从LR特征恢复出HR特征，进而重建出HR图像。本发明综合利用了稀疏理论的可解释性和CNN强大的学习能力，大大提高了超分辨率重建的性能。
Description
技术领域
本发明属于图像处理领域，特别涉及用卷积稀疏编码的方法进行图像超分辨率重建。
背景技术
现实生活中许多应用均需要高分辨率(HR)图像，例如监控领域、图像压缩传输、医学和遥感影像分析等。为了获得HR图像，可以从硬件方向考虑，增加传感器单位面积的像素数量，但是这会大大增加制作成本以及受限于物理成像系统。为了克服硬件限制，超分辨率重建算法被提出，它致力于从低分辨率(LR)图像中恢复出HR图像。目前，超分辨率重建算法主要分为三种：基于插值、基于重建和基于学习的方法。
基于插值的方法比较简单，易于实现，但是容易产生伪影和振铃现象，并且重建结果模糊，视觉效果较差。
基于重建的方法一般以退化模型为基础，需要引入额外先验，退化模型和先验信息的选择直接影响了重建效果。此外，此类方法重建结果一般较为模糊，放大时尤为明显。
基于学习的方法是近些年来研究的热点，包括基于稀疏编码(SC)的方法和基于卷积神经网络(CNN)的方法。SC方法假定LR与HR图像共享稀疏编码，通过训练一对高低分辨率字典，即可从LR图像重建HR图像。但是此类方法大多数以图像块为基本处理单元，这忽略了整张图的结构相关性。与此相反，基于CNN的方法将整张图作为输入，借助CNN强大的学习能力，学习从LR到HR的直接映射，但是此类方法缺少可解释性，实际设计网络时缺少理论指导。
发明内容
基于上述分析，本发明的目的在于提供一种基于卷积稀疏编码的超分辨率重建方法，该方法结合了SC方法中的理论解释和CNN强大的学习能力，大大提高了重建效果
本发明提供的卷积稀疏编码的超分辨率重建方法，包括以下具体步骤：
步骤1，根据已有HR图像，预处理得到对应LR图像，将每对LR-HR图像作为一个训练样本对，建立训练集；
步骤2，网络模型构建，具体包括如下子步骤，
步骤2a，构建LR特征提取模块，包括两个卷积层和两个ReLU层，实现对LR图像的特征提取，用于后续字典学习；
步骤2b，构建CNN特征转化模块，包括两个卷积层，四个全连接层，两个全局池化函数，三个ReLU激活函数，两个sigmoid激活函数，用于将上述LR特征转换为HR特征，具体实现方式如下，
以卷积方式求解如下最小化问题；
其中，为卷积操作，y为LR特征，为一滤波器组，实际含义为一个LR字典，记为Dy，c为分解的通道数，为待求解的卷积稀疏编码，w＝[w1,w2,...,wc]为L1范数加权系数，λ为稀疏惩罚系数；求解出最优卷积稀疏编码z*后，通过一个HR字典Dx，恢复出HR特征x；
步骤2c，构建HR图像重建模块，包括一个ReLU层和一个卷积层，用于将HR特征重建为HR图像；
步骤3，利用步骤1中构建的训练集对网络模型进行训练，
步骤4，将待测试的LR图像输入到训练好的网络模型中，获得相应的HR图像。
进一步的，步骤3中利用卷积与矩阵相乘的关系将式(1)转化为传统稀疏编码问题，并且在非负稀疏编码假设下，采用ISTA算法求解，
z(k+1)＝w2 (k)⊙relu(w1 (k)⊙r(k)-θ)
其中，⊙为hadamard矩阵乘法，r为中间符号，θ指阈值，S是一个和字典Dy有关的矩阵，k为迭代次数。
进一步的，步骤3中将全局残差学习引入到网络模型中，并选择MSE损失函数，以最小化此损失函数为训练目标，MSE损失函数的表达式如下：
其中，Θ是指网络模型参数，为网络模型重建出的HR图像，与真实的HR图像Ix做差并累加得到最终误差。
进一步的，步骤1中所述预处理包括：采用翻转、旋转、缩放、裁剪的手段增加HR图像数量，然后对每个HR图像进行bicubic下采样，再利用bicubic上采样回原始尺寸得到LR图像，将对应的LR-HR图像作为一个训练样本对。
本发明提供了一种超分辨率重建算法，综合利用了稀疏理论和CNN学习能力，通过求解SC中的优化问题得到迭代公式，并用CNN实现，大大提高了SC问题的求解效率和精度。
附图说明
图1为本发明实施例中网络模型构建的大致流程图。
图2为LR-HR转化示意图。
图3(a)为求解的卷积稀疏编码可视化图像。
图3(b)为求解的卷积稀疏编码的直方图统计。
图4为真实的楼房HR全景图像。
图5(a)为楼房图像裁剪区域的真实HR图像。
图5(b)为楼房图像裁剪区域的Bicubic超分辨率重建结果。
图5(c)为楼房图像裁剪区域的SRCNN超分辨率重建结果。
图5(d)为楼房图像裁剪区域的本发明方法超分辨率重建的结果。
图6为真实的街道HR全景图像。
图7(a)为街道图像裁剪区域的真实HR图像。
图7(b)为街道图像裁剪区域的Bicubic超分辨率重建结果。
图7(c)为街道图像裁剪区域的SRCNN超分辨率重建结果。
图7(d)为街道图像裁剪区域的本发明方法超分辨率重建的结果。
具体实施方式
为了更清楚地了解本发明，下面具体介绍本发明技术内容。
步骤1，根据已有HR图像，预处理得到对应LR图像，将每对LR-HR图像作为一个训练样本对，建立训练集；
由于训练数据集有限，需要经过数据增强方法来有效利用有限的HR图像。数据增强是扩充数据样本规模的一种有效地方法。深度学习是一种数据驱动的方法，训练数据集越大，训练的模型泛化能力越强。然而，实际中采集数据时，很难覆盖所有场景，而且采集数据也需要大量成本，这就导致实际中训练集有限。如果能够根据已有数据生成各种训练数据，就能做到更好的开源节流，这就是数据增强的目的。
常用的数据增强技术有：
(1)翻转：翻转包括水平翻转和垂直翻转。
(2)旋转：旋转就是顺时针或者逆时针的旋转，注意在旋转的时候，最好旋转90-180°，否则会出现尺度问题。
(3)缩放：图像可以被放大或缩小。放大时，放大后的图像尺寸会大于原始尺寸。大多数图像处理架构会按照原始尺寸对放大后的图像进行裁切。
(4)裁剪：裁剪图片的感兴趣区域，通常在训练的时候，会采用随机裁剪出不同区域，并重新放缩回原始尺寸。
(5)平移：平移是将图像沿着x或者y方向(或者两个方向)移动。我们在平移的时候需对背景进行假设，比如说假设为黑色等等，因为平移的时候有一部分图像是空的，由于图片中的物体可能出现在任意的位置，所以说平移增强方法十分有用。
(6)添加噪声：过拟合通常发生在神经网络学习高频特征的时候(因为低频特征神经网络很容易就可以学到，而高频特征只有在最后的时候才可以学到)而这些特征对于神经网络所做的任务可能没有帮助，而且会对低频特征产生影响，为了消除高频特征我们随机加入噪声数据来消除这些特征。
首先，本实施例采用翻转、旋转、缩放、裁剪的手段增加HR图像数量；为了训练CNN模型，需要构造训练样本对。通过对上述HR图像先进行bicubic下采样，再进行bicubic上采样恢复至原始尺寸作为LR图像。在获得LR-HR图像对后，即可输入模型进行训练。
步骤2，网络模型构建，具体包括LR特征提取，LR-HR特征转化以及HR图像重建三部分。
步骤2a，LR特征提取部分则由简单的两层卷积层和两个ReLU层实现，用于提取边缘、轮廓等底层特征。
步骤2b，构建CNN特征转化模块，包括两个卷积层，四个全连接层，两个全局池化函数，三个ReLU激活函数，两个sigmoid激活函数，用于将上述LR特征转换为HR特征；
LR-HR特征转化是本发明的核心内容，关键在于求解一对字典和Dx：
其中，为卷积操作，y为LR特征，为一滤波器组(实际含义为一个LR字典，记为Dy)，c为分解的通道数，为待求解的卷积稀疏编码，w＝[w1,w2,...,wc]为L1范数加权系数，λ为稀疏惩罚系数。当求解出最优卷积稀疏编码z*后，即可通过一个HR字典Dx，恢复出HR特征x；
针对于第一个最小化问题，利用卷积与矩阵相乘的关系可以转化为传统稀疏编码问题，并且在非负稀疏编码假设下，采用ISTA算法求解之：
其中⊙为hadamard矩阵乘法，r为中间符号，θ指阈值，S是一个和字典Dy有关的矩阵，具体形式可参见Learning Fast Approximation of Sparse Coding，k为迭代次数。
记两个卷积层分别为c1、c2，四个全连接层分别为fc1、fc2、fc3、fc4，两个全局池化函数分别为gp1、gp2，三个relu激活函数分别为r1、r2、r3，两个sigmoid激活函数分别为s1、s2；记输入与经过gp1-fc1-r1-fc2-s1的输出相乘，作为最终输出为w1，输入与经过gp2-fc3-r2-fc4-s2的输出相乘，作为最终输出为w2。LR特征经过一个c1后输出记为a，a经过w1-r3-w2-c2输出与a相加记为d1，d1经过w1-r3-w2-c2输出与a相加记为d2，重复上述过程得到d24，d24再经过w1-r3-w2-c3的输出作为特征转化模块最终输出；
最终，LR-HR特征转化模块的CNN实现示意图如附图2所示，Dy，S和Dx均可通过卷积层实现，权重w1和w2则可以通过通道注意力(全局池化-全连接层-ReLU-全连接层-sigmoid，sigmoid为sigmoid激活函数)计算得到。经过LR特征提取后，浅层LR特征y被输入进LR-HR转换部分，该部分主要分为两步：稀疏编码求解与HR特征重建。求解稀疏编码对应图2中前半部分，通过迭代卷积实现的ISTA算法，经过一定次数后将输出最优稀疏编码z，在LR特征与HR特征享有相同稀疏编码假设下，即可通过高分辨率字典Dx恢复出HR特征，留作重建HR图像之用。
步骤2c，HR图像重建部分则由非线性激活函数ReLU和卷积层实现，经过该卷积层后，输出重建的HR图像。
步骤3，利用步骤1中构建的训练集对网络模型进行训练，为了降低训练难度，特将全局残差学习引入到网络模型，大大提高收敛速度和精度。同时，本实施例中选择MSE损失函数：
其中，Θ是指网络模型参数，为网络模型重建出HR图像，与真实的HR图像Ix做差并累加得到最终误差，最小化此损失函数为训练目标。
附图3(a)和(b)则为求解的卷积稀疏编码即z*的可视化及直方图统计，可以看出所求解是明显稀疏的，与本专利出发点中的稀疏编码理论一致。
步骤4，将待测试的LR图像输入到训练好的网络模型中，获得相应的HR图像。
测试过程中采用峰值信噪比(PSNR)和结构相似度(SSIM)作为衡量标准，二者具体定义如下：
PSNR＝10*log10(2552/mean(mean((X-Y).2)))
SSIM＝[L(X,Y)a]×[C(X,Y)b]×[S(X,Y)c]
其中μX和μY分别代表X和Y的均值，σX、σY和σXY分别代表X和Y的方差以及二者的协方差。
PSNR与SSIM数值越高，则说明重建效果越好。
测试过程中，选择bicubic与SRCNN作为对比算法，视觉对比如附图4-7所示，本专利方法更容易重建出真实的清晰纹理，而对比算法可能产生模糊纹理，甚至错误纹理。至于定量指标，则选择常用的四个数据集作为测试集，测试结果如表1所示，可以看出：在SRCNN基础上，本专利的方法进一步大幅度提升重建结果的PSNR和SSIM，说明了本专利方法的有效性。
表1 测试结果
应当理解的是，上述针对实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种基于卷积稀疏编码的图像超分辨率重建方法，其特征在于，包括如下步骤：
步骤1，根据已有HR图像，预处理得到对应LR图像，将每对LR-HR图像作为一个训练样本对，建立训练集；
步骤2，网络模型构建，具体包括如下子步骤，
步骤2a，构建LR特征提取模块，包括两个卷积层和两个ReLU层，实现对LR图像的特征提取，用于后续字典学习；
步骤2b，构建CNN特征转化模块，包括两个卷积层，四个全连接层，两个全局池化函数，三个ReLU激活函数，两个sigmoid激活函数，用于将上述LR特征转换为HR特征，具体实现方式如下，
以卷积方式求解如下最小化问题；
其中，为卷积操作，y为LR特征，为一滤波器组，实际含义为一个LR字典，记为Dy，c为分解的通道数，为待求解的卷积稀疏编码，w＝[w1,w2,...,wc]为L1范数加权系数，λ为稀疏惩罚系数；求解出最优卷积稀疏编码z*后，通过一个HR字典Dx，恢复出HR特征x；
步骤2c，构建HR图像重建模块，包括一个ReLU层和一个卷积层，用于将HR特征重建为HR图像；
步骤3，利用步骤1中构建的训练集对网络模型进行训练，
步骤4，将待测试的LR图像输入到训练好的网络模型中，获得相应的HR图像。
2.如权利要求1所述的一种基于卷积稀疏编码的图像超分辨率重建方法，其特征在于：步骤3中利用卷积与矩阵相乘的关系将式(1)转化为传统稀疏编码问题，并且在非负稀疏编码假设下，采用ISTA算法求解，
z(k+1)＝w2 (k)⊙relu(w1 (k)⊙r(k)-θ)
其中，⊙为hadamard矩阵乘法，r为中间符号，θ指阈值，S是一个和字典Dy有关的矩阵，k为迭代次数。
3.如权利要求1所述的一种基于卷积稀疏编码的图像超分辨率重建方法，其特征在于：步骤3中将全局残差学习引入到网络模型中，并选择MSE损失函数，以最小化此损失函数为训练目标，MSE损失函数的表达式如下：
其中，Θ是指网络模型参数，为网络模型重建出的HR图像，与真实的HR图像Ix做差并累加得到最终误差。
4.如权利要求1所述的一种基于卷积稀疏编码的图像超分辨率重建方法，其特征在于：步骤1中所述预处理包括：采用翻转、旋转、缩放、裁剪的手段增加HR图像数量，然后对每个HR图像进行bicubic下采样，再利用bicubic上采样回原始尺寸得到LR图像，将对应的LR-HR图像作为一个训练样本对。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910707582.XA CN110570351B (zh) | 2019-08-01 | 2019-08-01 | 一种基于卷积稀疏编码的图像超分辨率重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910707582.XA CN110570351B (zh) | 2019-08-01 | 2019-08-01 | 一种基于卷积稀疏编码的图像超分辨率重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110570351A true CN110570351A (zh) | 2019-12-13 |
| CN110570351B CN110570351B (zh) | 2021-05-25 |
Family
ID=68774462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910707582.XA Active CN110570351B (zh) | 2019-08-01 | 2019-08-01 | 一种基于卷积稀疏编码的图像超分辨率重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110570351B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127354A (zh) * | 2019-12-17 | 2020-05-08 | 武汉大学 | 一种基于多尺度字典学习的单图像去雨方法 |
| CN111445388A (zh) * | 2019-12-27 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 一种图像超分辨重建模型训练方法、船只跟踪方法及装置 |
| CN111797968A (zh) * | 2020-06-19 | 2020-10-20 | 武汉大学 | 一种基于脉冲神经网络的重加权稀疏重建方法 |
| CN112907449A (zh) * | 2021-02-22 | 2021-06-04 | 西南大学 | 一种基于深度卷积稀疏编码的图像超分辨率重建方法 |
| CN114642413A (zh) * | 2020-12-21 | 2022-06-21 | 奥泰医疗系统有限责任公司 | 一种基于深度学习的mri头部3d图像自动扫描定位方法 |
| CN116205806A (zh) * | 2023-01-28 | 2023-06-02 | 荣耀终端有限公司 | 一种图像增强方法及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105405098A (zh) * | 2015-10-29 | 2016-03-16 | 西北工业大学 | 一种基于稀疏表示和自适应滤波的图像超分辨率重建方法 |
| CN105931179A (zh) * | 2016-04-08 | 2016-09-07 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
| CN109064396A (zh) * | 2018-06-22 | 2018-12-21 | 东南大学 | 一种基于深度成分学习网络的单幅图像超分辨率重建方法 |
-
2019
- 2019-08-01 CN CN201910707582.XA patent/CN110570351B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105405098A (zh) * | 2015-10-29 | 2016-03-16 | 西北工业大学 | 一种基于稀疏表示和自适应滤波的图像超分辨率重建方法 |
| CN105931179A (zh) * | 2016-04-08 | 2016-09-07 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
| US20170293825A1 (en) * | 2016-04-08 | 2017-10-12 | Wuhan University | Method and system for reconstructing super-resolution image |
| CN109064396A (zh) * | 2018-06-22 | 2018-12-21 | 东南大学 | 一种基于深度成分学习网络的单幅图像超分辨率重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张秀 等: "基于卷积稀疏自编码的图像超分辨率重建", 《红外与激光工程》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127354A (zh) * | 2019-12-17 | 2020-05-08 | 武汉大学 | 一种基于多尺度字典学习的单图像去雨方法 |
| CN111127354B (zh) * | 2019-12-17 | 2022-07-26 | 武汉大学 | 一种基于多尺度字典学习的单图像去雨方法 |
| CN111445388A (zh) * | 2019-12-27 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 一种图像超分辨重建模型训练方法、船只跟踪方法及装置 |
| CN111797968A (zh) * | 2020-06-19 | 2020-10-20 | 武汉大学 | 一种基于脉冲神经网络的重加权稀疏重建方法 |
| CN114642413A (zh) * | 2020-12-21 | 2022-06-21 | 奥泰医疗系统有限责任公司 | 一种基于深度学习的mri头部3d图像自动扫描定位方法 |
| CN112907449A (zh) * | 2021-02-22 | 2021-06-04 | 西南大学 | 一种基于深度卷积稀疏编码的图像超分辨率重建方法 |
| CN112907449B (zh) * | 2021-02-22 | 2023-06-09 | 西南大学 | 一种基于深度卷积稀疏编码的图像超分辨率重建方法 |
| CN116205806A (zh) * | 2023-01-28 | 2023-06-02 | 荣耀终端有限公司 | 一种图像增强方法及电子设备 |
| CN116205806B (zh) * | 2023-01-28 | 2023-09-19 | 荣耀终端有限公司 | 一种图像增强方法及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110570351B (zh) | 2021-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110570351B (zh) | 一种基于卷积稀疏编码的图像超分辨率重建方法 | |
| Liu et al. | Multi-level wavelet-CNN for image restoration | |
| Wei et al. | 3-D quasi-recurrent neural network for hyperspectral image denoising | |
| Liu et al. | Multi-level wavelet convolutional neural networks | |
| CN110211045B (zh) | 基于srgan网络的超分辨率人脸图像重建方法 | |
| Lepcha et al. | Image super-resolution: A comprehensive review, recent trends, challenges and applications | |
| CN111127354B (zh) | 一种基于多尺度字典学习的单图像去雨方法 | |
| CN111275655B (zh) | 一种多聚焦多源图像融合方法 | |
| CN111768340B (zh) | 一种基于密集多路径网络的超分辨图像重构方法和系统 | |
| Luo et al. | Lattice network for lightweight image restoration | |
| CN111161271A (zh) | 一种超声图像分割方法 | |
| CN111951164A (zh) | 一种图像超分辨率重建网络结构及图像重建效果分析方法 | |
| CN111489305B (zh) | 基于强化学习的图像增强方法 | |
| CN113627487B (zh) | 一种基于深层注意力机制的超分辨率重建方法 | |
| CN115293966A (zh) | 一种人脸图像重建方法、装置以及存储介质 | |
| Fan et al. | Global sensing and measurements reuse for image compressed sensing | |
| Amaranageswarao et al. | Residual learning based densely connected deep dilated network for joint deblocking and super resolution | |
| CN114331913A (zh) | 基于残差注意力块的运动模糊图像复原方法 | |
| CN117575915A (zh) | 一种图像超分辨率重建方法、终端设备及存储介质 | |
| CN116188272B (zh) | 适用于多模糊核的两阶段深度网络图像超分辨率重建方法 | |
| CN116797541A (zh) | 一种基于Transformer的肺部CT图像超分辨率重建方法 | |
| CN116935044A (zh) | 一种多尺度引导和多层次监督的内镜息肉分割方法 | |
| CN116485654A (zh) | 卷积神经网络与Transformer相结合的轻量级单图像超分辨率重建方法 | |
| CN116029905A (zh) | 一种基于渐进差值互补的人脸超分辨率重构方法及系统 | |
| CN116385454A (zh) | 一种基于多阶段聚合的医学图像分割方法 |
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 |