CN110648282B - 一种基于宽度神经网络的图像超分辨率重建方法及系统 - Google Patents
一种基于宽度神经网络的图像超分辨率重建方法及系统 Download PDFInfo
- Publication number
- CN110648282B CN110648282B CN201910934165.9A CN201910934165A CN110648282B CN 110648282 B CN110648282 B CN 110648282B CN 201910934165 A CN201910934165 A CN 201910934165A CN 110648282 B CN110648282 B CN 110648282B
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- resolution
- network model
- training set
- 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 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 83
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 description 16
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
Abstract
本发明公开一种基于宽度神经网络的图像超分辨率重建方法及系统,所述方法首先获取训练集图像和低分辨率图像;其次根据所述训练集图像构建宽度神经网络模型;然后采用正则化的相关熵准则训练所述宽度神经网络模型,获得宽度神经网络模型的参数;所述参数包括目标函数和输出层权值;最后根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像。本发明利用正则化的相关熵准则训练宽度神经网络模型,利用已训练的宽度神经网络模型对低分辨率图像进行超分辨率重建,构建的宽度神经网络模型结构简单、易于训练,图像重建时间短,提高了实际应用性。
Description
技术领域
本发明涉及计算机视觉和图像处理技术领域,特别是涉及一种基于宽度神经网络的图像超分辨率重建方法及系统。
背景技术
数字图像在生活中具有越来越广泛的应用,而图像分辨率是图像质量的评价标准之一。分辨率是指图像中存储的信息量,图像分辨率越高,意味着图像具有更多的细节信息、更细腻的画质,使得其具有更高的利用价值且更具观赏性。单幅图像超分辨率是属于计算机视觉领域的一个任务,目标是将一个给定的低分辨率图像恢复成高分辨率图像。恢复的高分辨率图像包含更多细节信息且更清晰,因此更具观赏性。由于图像超分辨率具有众多优点,因此图像超分辨率在高清电视、医学成像、遥感卫星成像等领域有着重要的应用价值。
中国专利申请号为201811241002.4的发明专利提出了一种基于多列卷积神经网络的图像超分辨率重建方法。该方法根据深度学习算法构建多列卷积神经网络模型,用随机梯度下降算法对模型进行训练,利用已训练的模型将输入的低分辨率图像重建恢复成对应的高分辨率图像,但是该方法的缺陷在于网络计算量大,实时性较差,不便于应用。中国专利申请号为201811587560.6的发明专利提出了一种图像超分辨率重构方法。该方法采用卷积神经网络的单帧模型作为循环网络模块,构造包括N+1个循环网络模块的循环神经网络方式的超分辨率映射模型,重构时,将需要重构的低分辨率图片输入完成训练的超分辨率映射模型,得到高分辨率图片。但是该方法的模型训练过程较为复杂,导致模型训练较慢,对计算资源的需求较大,需要较高的硬件支持。
鉴于现有技术存在的缺点,如何构建模型结构简单、训练快速、重建时间短且重建质量较好的图像超分辨率成为本领域技术人员亟需解决的问题。
发明内容
本发明的目的是提供一种基于宽度神经网络的图像超分辨率重建方法,构建模型结构简单、训练快速、重建时间短且重建质量较好。
为实现上述目的,本发明提供了如下方案:
本发明提供一种基于宽度神经网络的图像超分辨率重建方法,所述重建方法包括:
获取训练集图像和低分辨率图像;
根据所述训练集图像构建宽度神经网络模型;
采用正则化的相关熵准则训练所述宽度神经网络模型,获得宽度神经网络模型的参数;所述参数包括目标函数和输出层权值;
根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像。
可选的,所述根据所述训练集图像构建宽度神经网络模型,具体包括:
采用双三次插值法对所述训练集图像进行预处理;
根据预处理后的所述训练集图像构建所述宽度神经网络模型。
可选的,所述根据预处理后的所述训练集图像构建所述宽度神经网络模型,具体包括:
对预处理后的所述训练集图像进行线性特征提取,获得特征节点;
对所述特征节点进行非线性特征增强,获得增强节点;
利用所述特征节点和所述增强节点构建所述宽度神经网络模型。
可选的,采用正则化的相关熵准则训练宽度神经网络模型,获得宽度神经网络模型的参数,具体包括:
采用正则化的相关熵准则训练所述宽度神经网络模型,确定目标函数;
利用半二次优化法求解所述宽度神经网络模型的输出层权值。
可选的,所述根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像,具体包括:
采用双三次插值法对所述低分辨率图像进行预处理;
将预处理后的低分辨率图像输入至带有参数的所述宽度神经网络模型,获得高分辨率残差图像;
根据预处理后的所述低分辨率图像和所述高分辨率残差图像确定高分辨率图像。
本发明还提供一种基于宽度神经网络的图像超分辨率重建系统,所述重建系统包括:
获取模块,用于获取训练集图像和低分辨率图像;
模型构建模块,用于根据所述训练集图像构建宽度神经网络模型;
参数确定模块,用于采用正则化的相关熵准则训练所述宽度神经网络模型,获得宽度神经网络模型的参数;所述参数包括目标函数和输出层权值;
高分辨率图像确定模块,用于根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像。
可选的,所述模型构建模块,具体包括:
第一预处理单元,用于采用双三次插值法对所述训练集图像进行预处理;
模型构建单元,用于根据预处理后的所述训练集图像构建所述宽度神经网络模型。
可选的,所述模型构建单元,具体包括:
特征节点确定子单元,用于对预处理后的所述训练集图像进行线性特征提取,获得特征节点;
增强节点确定子单元,用于对所述特征节点进行非线性特征增强,获得增强节点;
模型构建子单元,用于利用所述特征节点和所述增强节点构建所述宽度神经网络模型。
可选的,所述参数确定模块,具体包括:
目标函数确定单元,用于采用正则化的相关熵准则训练所述宽度神经网络模型,确定目标函数;
输出层权值确定单元,用于利用半二次优化法求解所述宽度神经网络模型的输出层权值。
可选的,所述高分辨率图像确定模块,具体包括:
第二预处理单元,用于采用双三次插值法对所述低分辨率图像进行预处理;
高分辨率残差图像确定单元,用于将预处理后的低分辨率图像输入至带有参数的所述宽度神经网络模型,获得高分辨率残差图像;
高分辨率图像确定单元,用于根据预处理后的所述低分辨率图像和所述高分辨率残差图像确定高分辨率图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开一种基于宽度神经网络的图像超分辨率重建方法,首先获取训练集图像和低分辨率图像;其次根据所述训练集图像构建宽度神经网络模型;然后采用正则化的相关熵准则训练所述宽度神经网络模型,获得宽度神经网络模型的参数;所述参数包括目标函数和输出层权值;最后根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像。本发明利用正则化的相关熵准则训练宽度神经网络模型,利用已训练的宽度神经网络模型对低分辨率图像进行超分辨率重建,构建的宽度神经网络模型结构简单、易于训练,图像重建时间短,提高了实际应用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例图像超分辨率重建方法的流程图;
图2为本发明实施例图像超分辨率重建方法具体实现步骤流程图;
图3为本发明实施例图像超分辨率重建系统的结构图。
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做出创造性劳动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。
本发明的目的是提供一种基于宽度神经网络的图像超分辨率重建方法,构建模型结构简单、训练快速、重建时间短且重建质量较好。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例图像超分辨率重建方法的流程图,图2为本发明实施例图像超分辨率重建方法具体实现步骤流程图,如图1-2所示,本发明提供一种基于宽度神经网络的图像超分辨率重建方法,所述重建方法包括:
步骤S1:获取训练集图像和低分辨率图像;
步骤S2:根据所述训练集图像构建宽度神经网络模型;
步骤S3:采用正则化的相关熵准则训练所述宽度神经网络模型,获得宽度神经网络模型的参数;所述参数包括目标函数和输出层权值;
步骤S4:根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像。
下面对各个步骤进行详细论述:
步骤S2:所述根据所述训练集图像构建宽度神经网络模型,具体包括:
步骤S21:采用双三次插值法对所述训练集图像进行预处理;具体包括:
步骤1,假设训练集原图像A的大小为m×n,训练集新图像B的大小为M×N,求B(X,Y)处的像素值。计算B(X,Y)在图像A中对应的位置:
其中,u,v分别为小数部分,x,y分别为整数部分。
步骤2,找到距离坐标A(x,y)最近的16个像素点;利用所选择的基函数,求出对应的每个像素的权值,基函数表达式如下:
其中,系数a取-0.5,d为其他像素点到目标像素点的距离。
步骤3,利用如下公式求得B(X,Y):
其中,f(x+i,y+j)为插值前图像(x+i,y+j)点的灰度值,W(i-u)为将d=i-u代入W(d)中求解得到,W(j-v)同理。
步骤S22:所述根据预处理后的所述训练集图像构建所述宽度神经网络模型,具体包括:
步骤S221:对预处理后的所述训练集图像进行线性特征提取,获得特征节点;具体公式为:
F=φ(ZiWe+βe)
其中,F为特征节点,φ(·)为自稀疏自编码处理,Zi为预处理后的训练集图像,We为随机生成的权值矩阵,βe为随机生成的偏置向量。
步骤S222:对所述特征节点进行非线性特征增强,获得增强节点;具体公式为:
H=ξ(FWh+βh)
其中,H为增强节点,ξ(·)为激活函数,F为特征节点,Wh为随机生成的权值矩阵,βh为随机生成的偏置向量。
步骤S223:利用所述特征节点和所述增强节点构建所述宽度神经网络模型,具体公式为:
D=[F|H]
其中,D为宽度网络模型的隐层节点,[]为矩阵符号。
步骤S3:采用正则化的相关熵准则训练宽度神经网络模型,获得宽度神经网络模型的参数,具体包括:
步骤S31:采用正则化的相关熵准则训练所述宽度神经网络模型,确定目标函数,具体公式为:
其中,N为训练集图像样本个数,G(·)为高斯核函数,tsp为第p个训练集图像样本对应的高分辨率残差图像,ysp为第p个训练集图像样本对应网络模型的输出;
步骤S32:利用半二次优化法求解所述宽度神经网络模型的输出层权值,具体公式为:
θt+1=-G(Ts-DWo)
Λii=θt+1
其中,其中,Wo为输出层权值,N为训练集图像样本个数,G(·)为高斯核函数,Ts为训练集图像的高分辨率残差图像,λ为正则化系数,为F范数,θt+1为第t+1次迭代时的辅助变量,Λii是一个第i行第i列的对角矩阵,D为宽度网络模型的隐层节点。
步骤S4:所述根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像,具体包括:
步骤S41:采用双三次插值法对所述低分辨率图像进行预处理;此步骤与对训练集图像进行预处理的步骤相同,在此不再一一赘述。
步骤S42:将预处理后的低分辨率图像输入至带有参数的所述宽度神经网络模型,获得高分辨率残差图像;具体公式为:
Ys=[F|H]Wo
其中,Ys为高分辨率残差图像,F为特征节点,H为增强节点,[]为矩阵符号,Wo为输出层权值。
步骤S43:根据预处理后的所述低分辨率图像和所述高分辨率残差图像确定高分辨率图像,具体公式为:
Yz=Ys+Xi
其中,Yz为高分辨率图像,Ys为高分辨率残差图像,Xi为低分辨率图像。
本发明利用正则化的相关熵准则训练宽度神经网络模型,利用已训练的宽度神经网络模型对低分辨率图像进行超分辨率重建,构建的宽度神经网络模型结构简单、易于训练,图像重建时间短,提高了实际应用性。
图3为本发明实施例图像超分辨率重建系统的结构图,如图3所示,本发明还提供一种基于宽度神经网络的图像超分辨率重建系统,所述重建系统包括:
获取模块1,用于获取训练集图像和低分辨率图像;
模型构建模块2,用于根据所述训练集图像构建宽度神经网络模型;
参数确定模块3,用于采用正则化的相关熵准则训练所述宽度神经网络模型,获得宽度神经网络模型的参数;所述参数包括目标函数和输出层权值;
高分辨率图像确定模块4,用于根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像。
下面对各个模块进行详细论述:
所述模型构建模块2,具体包括:
第一预处理单元,用于采用双三次插值法对所述训练集图像进行预处理;
模型构建单元,用于根据预处理后的所述训练集图像构建所述宽度神经网络模型。具体包括:
特征节点确定子单元,用于对预处理后的所述训练集图像进行线性特征提取,获得特征节点;
增强节点确定子单元,用于对所述特征节点进行非线性特征增强,获得增强节点;
模型构建子单元,用于利用所述特征节点和所述增强节点构建所述宽度神经网络模型。
所述参数确定模块3,具体包括:
目标函数确定单元,用于采用正则化的相关熵准则训练所述宽度神经网络模型,确定目标函数;
输出层权值确定单元,用于利用半二次优化法求解所述宽度神经网络模型的输出层权值。
所述高分辨率图像确定模块4,具体包括:
第二预处理单元,用于采用双三次插值法对所述低分辨率图像进行预处理;
高分辨率残差图像确定单元,用于将预处理后的低分辨率图像输入至带有参数的所述宽度神经网络模型,获得高分辨率残差图像;
高分辨率图像确定单元,用于根据预处理后的所述低分辨率图像和所述高分辨率残差图像确定高分辨率图像。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于宽度神经网络的图像超分辨率重建方法,其特征在于,所述重建方法包括:
获取训练集图像和低分辨率图像;
根据所述训练集图像构建宽度神经网络模型;
采用正则化的相关熵准则训练所述宽度神经网络模型,获得宽度神经网络模型的参数;所述参数包括目标函数和输出层权值;
根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像;
采用正则化的相关熵准则训练所述宽度神经网络模型,获得宽度神经网络模型的参数,具体包括:
采用正则化的相关熵准则训练所述宽度神经网络模型,确定目标函数,具体公式为:
其中,N为训练集图像样本个数,G(·)为高斯核函数,tsp为第p个训练集图像样本对应的高分辨率残差图像,ysp为第p个训练集图像样本对应网络模型的输出;
利用半二次优化法求解所述宽度神经网络模型的输出层权值,具体公式为:
θt+1=-G(Ts-DWo)
Λii=θt+1
2.根据权利要求1所述的基于宽度神经网络的图像超分辨率重建方法,其特征在于,所述根据所述训练集图像构建宽度神经网络模型,具体包括:
采用双三次插值法对所述训练集图像进行预处理;
根据预处理后的所述训练集图像构建所述宽度神经网络模型。
3.根据权利要求2所述的基于宽度神经网络的图像超分辨率重建方法,其特征在于,所述根据预处理后的所述训练集图像构建所述宽度神经网络模型,具体包括:
对预处理后的所述训练集图像进行线性特征提取,获得特征节点;
对所述特征节点进行非线性特征增强,获得增强节点;
利用所述特征节点和所述增强节点构建所述宽度神经网络模型。
4.根据权利要求1所述的基于宽度神经网络的图像超分辨率重建方法,其特征在于,所述根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像,具体包括:
采用双三次插值法对所述低分辨率图像进行预处理;
将预处理后的低分辨率图像输入至带有参数的所述宽度神经网络模型,获得高分辨率残差图像;
根据预处理后的所述低分辨率图像和所述高分辨率残差图像确定高分辨率图像。
5.一种基于宽度神经网络的图像超分辨率重建系统,其特征在于,所述重建系统包括:
获取模块,用于获取训练集图像和低分辨率图像;
模型构建模块,用于根据所述训练集图像构建宽度神经网络模型;
参数确定模块,用于采用正则化的相关熵准则训练所述宽度神经网络模型,获得宽度神经网络模型的参数;所述参数包括目标函数和输出层权值;
高分辨率图像确定模块,用于根据所述低分辨率图像和带有参数的宽度神经网络模型确定高分辨率图像;
所述参数确定模块,具体包括:
目标函数确定单元,用于采用正则化的相关熵准则训练所述宽度神经网络模型,确定目标函数,具体公式为:
其中,N为训练集图像样本个数,G(·)为高斯核函数,tsp为第p个训练集图像样本对应的高分辨率残差图像,ysp为第p个训练集图像样本对应网络模型的输出;
输出层权值确定单元,用于利用半二次优化法求解所述宽度神经网络模型的输出层权值,具体公式为:
θt+1=-G(Ts-DWo)
Λii=θt+1
6.根据权利要求5所述的基于宽度神经网络的图像超分辨率重建系统,其特征在于,所述模型构建模块,具体包括:
第一预处理单元,用于采用双三次插值法对所述训练集图像进行预处理;
模型构建单元,用于根据预处理后的所述训练集图像构建所述宽度神经网络模型。
7.根据权利要求6所述的基于宽度神经网络的图像超分辨率重建系统,其特征在于,所述模型构建单元,具体包括:
特征节点确定子单元,用于对预处理后的所述训练集图像进行线性特征提取,获得特征节点;
增强节点确定子单元,用于对所述特征节点进行非线性特征增强,获得增强节点;
模型构建子单元,用于利用所述特征节点和所述增强节点构建所述宽度神经网络模型。
8.根据权利要求5所述的基于宽度神经网络的图像超分辨率重建系统,其特征在于,所述高分辨率图像确定模块,具体包括:
第二预处理单元,用于采用双三次插值法对所述低分辨率图像进行预处理;
高分辨率残差图像确定单元,用于将预处理后的低分辨率图像输入至带有参数的所述宽度神经网络模型,获得高分辨率残差图像;
高分辨率图像确定单元,用于根据预处理后的所述低分辨率图像和所述高分辨率残差图像确定高分辨率图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910934165.9A CN110648282B (zh) | 2019-09-29 | 2019-09-29 | 一种基于宽度神经网络的图像超分辨率重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910934165.9A CN110648282B (zh) | 2019-09-29 | 2019-09-29 | 一种基于宽度神经网络的图像超分辨率重建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110648282A CN110648282A (zh) | 2020-01-03 |
CN110648282B true CN110648282B (zh) | 2021-03-23 |
Family
ID=68993178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910934165.9A Active CN110648282B (zh) | 2019-09-29 | 2019-09-29 | 一种基于宽度神经网络的图像超分辨率重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648282B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113365107B (zh) * | 2020-03-05 | 2024-05-10 | 阿里巴巴集团控股有限公司 | 视频处理方法、影视视频处理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR20180024719A (ko) * | 2016-08-31 | 2018-03-08 | 경희대학교 산학협력단 | 최소세제곱 알고리즘을 기반으로 하는 암시야 조명을 이용한 비형광 나노 입자의 3차원 초고분해 영상 이미지의 획득 방법 및 시스템 |
CN108304359A (zh) * | 2018-02-06 | 2018-07-20 | 中国传媒大学 | 无监督学习统一特征提取器构建方法 |
CN108960422A (zh) * | 2018-06-19 | 2018-12-07 | 河南工业大学 | 一种基于主成分分析的宽度学习方法 |
CN110223234A (zh) * | 2019-06-12 | 2019-09-10 | 杨勇 | 基于级联收缩扩张的深度残差网络图像超分辨率重建方法 |
CN110287983A (zh) * | 2019-05-10 | 2019-09-27 | 杭州电子科技大学 | 基于最大相关熵深度神经网络单分类器异常检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146788B (zh) * | 2018-08-16 | 2023-04-18 | 广州视源电子科技股份有限公司 | 基于深度学习的超分辨率图像重建方法和装置 |
CN109523470B (zh) * | 2018-11-21 | 2023-07-25 | 四川长虹电器股份有限公司 | 一种深度图像超分辨率重建方法及系统 |
-
2019
- 2019-09-29 CN CN201910934165.9A patent/CN110648282B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180024719A (ko) * | 2016-08-31 | 2018-03-08 | 경희대학교 산학협력단 | 최소세제곱 알고리즘을 기반으로 하는 암시야 조명을 이용한 비형광 나노 입자의 3차원 초고분해 영상 이미지의 획득 방법 및 시스템 |
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 |
CN108304359A (zh) * | 2018-02-06 | 2018-07-20 | 中国传媒大学 | 无监督学习统一特征提取器构建方法 |
CN108960422A (zh) * | 2018-06-19 | 2018-12-07 | 河南工业大学 | 一种基于主成分分析的宽度学习方法 |
CN110287983A (zh) * | 2019-05-10 | 2019-09-27 | 杭州电子科技大学 | 基于最大相关熵深度神经网络单分类器异常检测方法 |
CN110223234A (zh) * | 2019-06-12 | 2019-09-10 | 杨勇 | 基于级联收缩扩张的深度残差网络图像超分辨率重建方法 |
Non-Patent Citations (5)
Title |
---|
Broad Learning System: An Effective and Efficient Incremental Learning System Without the Need for Deep Architecture;C. L. Philip Chen et.al;《IEEE》;20180131;第29卷(第1期);10-24 * |
Correntropy: Properties and Applications in;Weifeng Liu et.al;《IEEE》;20071130;第55卷(第11期);5286-5298 * |
基于流形正则化和稀疏编码的医学图像高分辨率重建;侯苏丽;《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》;20170315(第 03 期);摘要、2.1、3.2、4.1、4.2节 * |
基于稀疏表示和非负矩阵分解的部分遮挡人脸识别研究;欧卫华;《中国博士学位论文全文数据库信息科技辑(月刊)》;20150715(第 07 期);I138-92 * |
面向图像超分辨率的紧凑型多径卷积神经网络算法研究;应自炉等;《信号处理》;20180630;第 34 卷(第 6 期);668-679 * |
Also Published As
Publication number | Publication date |
---|---|
CN110648282A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107025632B (zh) | 一种图像超分辨率重建方法及系统 | |
Ducournau et al. | Deep learning for ocean remote sensing: an application of convolutional neural networks for super-resolution on satellite-derived SST data | |
Hui et al. | Progressive perception-oriented network for single image super-resolution | |
Gajjar et al. | New learning based super-resolution: use of DWT and IGMRF prior | |
Hu et al. | SERF: A simple, effective, robust, and fast image super-resolver from cascaded linear regression | |
CN113837938B (zh) | 基于动态视觉传感器重建潜在图像的超分辨率方法 | |
CN109146787B (zh) | 一种基于插值的双相机光谱成像系统的实时重建方法 | |
CN113222825B (zh) | 基于可见光图像训练的红外图像超分辨率重构方法及应用 | |
Liu et al. | Effective image super resolution via hierarchical convolutional neural network | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
Zeng et al. | A robust variational approach to super-resolution with nonlocal TV regularisation term | |
CN111402138A (zh) | 一种基于多尺度特征提取融合的监督卷积神经网络的图像超分辨率重建方法 | |
Yang et al. | Compressive sampling based single-image super-resolution reconstruction by dual-sparsity and non-local similarity regularizer | |
CN111583330B (zh) | 一种多尺度时空马尔可夫遥感影像亚像元定位方法及系统 | |
Gao et al. | Bayesian image super-resolution with deep modeling of image statistics | |
CN110648282B (zh) | 一种基于宽度神经网络的图像超分辨率重建方法及系统 | |
CN116152591A (zh) | 模型训练方法、红外小目标检测方法、装置及电子设备 | |
Zhu et al. | Super resolution reconstruction method for infrared images based on pseudo transferred features | |
CN114202459A (zh) | 一种基于深度先验的盲图像超分辨率方法 | |
CN111767679B (zh) | 时变矢量场数据的处理方法及装置 | |
CN106920213B (zh) | 一种高分辨率图像的获取方法及系统 | |
Cheng et al. | A new single image super-resolution method based on the infinite mixture model | |
Sun et al. | A rapid and accurate infrared image super-resolution method based on zoom mechanism | |
CN112837220A (zh) | 一种提高红外图像分辨率的方法及其用途 | |
Zhu et al. | Multi-frame image super-resolution reconstruction via low-rank fusion combined with sparse coding |
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 |