CN111724303A - 一种具有图像类型适应性的超分辨率图像处理方法与系统 - Google Patents

一种具有图像类型适应性的超分辨率图像处理方法与系统 Download PDF

Info

Publication number
CN111724303A
CN111724303A CN202010398292.4A CN202010398292A CN111724303A CN 111724303 A CN111724303 A CN 111724303A CN 202010398292 A CN202010398292 A CN 202010398292A CN 111724303 A CN111724303 A CN 111724303A
Authority
CN
China
Prior art keywords
image
resolution
super
images
type
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.)
Pending
Application number
CN202010398292.4A
Other languages
English (en)
Inventor
徐勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202010398292.4A priority Critical patent/CN111724303A/zh
Publication of CN111724303A publication Critical patent/CN111724303A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种具有图像类型适应性的超分辨率图像处理方法，包括以下步骤：S1、构建基于多类型图像的“通用”超分辨率模，将待处理图像作为基于多类型图像的“通用”超分辨率模的输入，运行基于多类型图像的“通用”超分辨率模型后，得出待处理图像的初步高分辨率图像；S2、构建基于单一类型图像的“精细”超分辨率模型，将初步高分辨率图像作为基于单一类型图像的“精细”超分辨率模型的输入，运行基于单一类型图像的“精细”超分辨率模型后，得出最终的高分辨率图像。本发明还提供了一种具有图像类型适应性的超分辨率图像处理系统。本发明的有益效果是：在提升图像分辨率的同时，还可以克服原图像中存在的局部亮度异常等问题。

Description

一种具有图像类型适应性的超分辨率图像处理方法与系统
技术领域
本发明涉及图像处理方法，尤其涉及一种具有图像类型适应性的超分辨率图像处理方法与系统。
背景技术
图像超分辨率具有广泛的应用需求。常规的图像类超分辨率方法利用单模型获得原图像的超分辨率图像，但效果较差。
发明内容
为了解决现有技术中的问题，本发明提供了一种具有图像类型适应性的超分辨率图像处理方法与系统。
本发明提供了一种具有图像类型适应性的超分辨率图像处理方法，包括以下步骤：
S1、构建基于多类型图像的“通用”超分辨率模，将待处理图像作为基于多类型图像的“通用”超分辨率模的输入，运行基于多类型图像的“通用”超分辨率模型后，得出待处理图像的初步高分辨率图像；
S2、构建基于单一类型图像的“精细”超分辨率模型，将初步高分辨率图像作为基于单一类型图像的“精细”超分辨率模型的输入，运行基于单一类型图像的“精细”超分辨率模型后，得出最终的高分辨率图像。
作为本发明的进一步改进，基于多类型图像的“通用”超分辨率模型的构建方法如下：将多类型图像的低分辨率图像作为输入，而将多类型图像的原始的高分辨率图像作为输出，确定一个目标函数，通过训练的方式，得出“通用”超分辨率模型。
作为本发明的进一步改进，基于多类型图像的“通用”超分辨率模型的构建方法还包括：假设有M个原始的低分辨率图像以及相对应的M个高分辨率图像，首先将所有高分辨率图像与低分辨率图像缩放到同样的图像尺寸，然后将每个原始的低分辨率图像以及每个高分辨率图像矩阵按列串联的方式转换为列矢量，令所有M个原始的低分辨率图像对应的列矢量组成的矩阵为A，与原始的低分辨率图像对应的M个高分辨率图像的列矢量组成的矩阵为B，假设利用变换矩阵L与R可将A经过LA＝Z，ZR＝B的方式最终变换为B。
作为本发明的进一步改进，L与R的求解如下：
(1)首先通过指定任意0-1之间随机数的方式给定L的初值，然后令
Figure BDA0002488492610000021
(2)令
Figure BDA0002488492610000022
(3)令
Figure BDA0002488492610000023
(4)假如当前
Figure BDA0002488492610000024
值与上一步
Figure BDA0002488492610000025
值之间差值矩阵的范数小于ε，则将当前的
Figure BDA0002488492610000026
与
Figure BDA0002488492610000027
作为L与R的解；否则，转至(3)执行。
作为本发明的进一步改进，在步骤S2中，将对应的“精细”超分辨率模型中训练好的第一个深度网络应用于一个初步高分辨率图像后，得出第一个深度网络的输出图像，将“精细”超分辨率模型中训练好的第二个深度网络应用于该初步高分辨率图像的“反图像”后，得出第二个深度网络的初步输出图像，将255减去第二个深度网络的初步输出图像中的每个像素值所得的图像即为第二个深度网络的最终输出结果，将第二个深度网络的最终输出结果与第一个深度网络的输出图像做矩阵加法并除以2，即得出最终高分辨率图像。
作为本发明的进一步改进，基于单一类型图像的“精细”超分辨率模型的构建方法如下：将单一类型图像的低分辨率图像作为输入，而将单一类型图像的原始的高分辨率图像作为输出，设计第一深度网络、第二深度网络，利用输入与输出对第一深度网络、第二深度网络进行训练，得出针对单一类型图像的“精细”超分辨率模型。
作为本发明的进一步改进，基于单一类型图像的“精细”超分辨率模型的构建方法还包括：训练第一个深度网络时采用的输入与输出分别为单一类型图像的原始的低分辨率图像与原始的高分辨率图像，训练第二个深度网络时采用的输入与输出为单一类型图像的原始的低分辨率图像与原始的高分辨率图像的“反图像”，“反图像”具有与原始图像完全相同的尺寸；通过如下方式得出一个原始图像的“反图像”：“反图像”中每个像素的值等于255减去相应的原始图像的像素值，每一类型的图像均对应建立一个“精细”超分辨率模型。
作为本发明的进一步改进，在进行“通用”超分辨率模型与“精细”超分辨率模型构建之前，开展如下的用于模型训练的数据收集与采集工作：
(1)面向“通用”超分辨率模型构建的训练数据收集与采集：
首先，利用收集的多种多样的高分辨率图像，然后构造其低分辨率图像，低分辨率图像构造的基本方案为像素点抽取；
(2)面向“精细”超分辨率模型构建的训练数据收集与采集：
首先，利用收集的单一类型的高分辨率图像，然后构造其低分辨率图像，低分辨率图像构造的基本方案为像素点抽取。
作为本发明的进一步改进，通过低分辨率摄像头来采集待处理图像，通过处理器来运行基于多类型图像的“通用”超分辨率模型和基于单一类型图像的“精细”超分辨率模型，通过显示屏来输出最终的高分辨率图像。
本发明还提供了一种具有图像类型适应性的超分辨率图像处理系统，包括可读存储介质，所述可读存储介质中存储有执行指令，所述执行指令被处理器执行时用于实现如上述中任一项所述的方法。
本发明的有益效果是：通过上述方案，不仅可以利用一般可见光图像的特点进行初步的图像分辨率提升，而且可针对图像类型进行图像分辨率的细化，以使图像具体更符合自身特点的细致纹理与颜色；在提升图像分辨率的同时，还可以克服原图像中存在的局部亮度异常等问题。
附图说明
图1是本发明一种具有图像类型适应性的超分辨率图像处理方法的流程图。
图2是本发明利用“精细”超分辨率模型得出最终高分辨率图像的流程图。
图3是本发明深度网络的网络结构图。
具体实施方式
下面结合附图说明及具体实施方式对本发明作进一步说明。
针对不同类型的可见光图像具有部分相似图像结构以及同类型的可见光图像具有细粒度相似性的特点，本发明提出了一种具有图像类型适应性的超分辨率图像处理方法，首先利用“通用”超分辨率模型，得出将待处理图像的初步高分辨率图像；然后将初步高分辨率图像作为“精细”超分辨率模型的输入，运行模型后得出最终的高分辨率图像。
如图1所示，“通用”超分辨率模型与“精细”超分辨率模型构建完成后，通过如下两步对待处理的图像进行超分辨率操作：
第一步：将待处理图像作为“通用”超分辨率模型的输入，通过运行模型得出相应的高分辨率图像，本发明称其为初步高分辨率图像。
第二步：将初步高分辨率图像作为“精细”超分辨率模型的输入，通过运行模型得出相应的高分辨率图像，本发明称其为最终高分辨率图像。
通过低分辨率摄像头来采集待处理图像，通过处理器来运行基于多类型图像的“通用”超分辨率模型和基于单一类型图像的“精细”超分辨率模型，通过显示屏来输出最终的高分辨率图像。
利用“精细”超分辨率模型得出最终高分辨率图像的具体过程见图2。具体地，将对应的“精细”超分辨率模型中训练好的第一个深度网络应用于一个初步高分辨率图像后，可得出一个输出图像。将“精细”超分辨率模型中训练好的第二个深度网络应用于该初步高分辨率图像的“反图像”后，也得出一个输出图像。将255减去第二个深度网络的输出图像中的每个像素值所得的图像即为第二个深度网络的最终输出结果。将第二个深度网络的最终输出结果与第一个深度网络的输出图像做矩阵加法并除以2，即得出最终高分辨率图像。图2中的“图像类型选择”意指通过人工选择正在被实施超分辨率的图像所属的类型，进行“图像类型选择”后，系统自动的使用训练好的该图像类型的“精细”超分辨率模型。
基于多类型图像的“通用”超分辨率模型构建方法如下：将多类型图像的低分辨率图像作为输入，而将其原始高分辨率图像作为输出，确定一个目标函数，通过训练的方式，得出“通用”超分辨率模型。假设有M个原始的低分辨率图像以及相对应的M个高分辨率图像，首先将所有高分辨率图像与低分辨率图像缩放到同样的图像尺寸(即通过图像缩放的方式让所有图像矩阵的大小相同)，然后将每个原始低分辨率图像以及每个高分辨率图像矩阵按列串联的方式转换为列矢量。令所有M个原始的低分辨率图像对应的列矢量组成的矩阵为A，与原始的低分辨率图像对应的M个高分辨率图像的列矢量组成的矩阵为B。假设利用变换矩阵L与R可将A经过LA＝Z，ZR＝B的方式最终变换为B。L与R的求解如下：
(1)首先通过指定任意0-1之间随机数的方式给定L的初值，然后令
Figure BDA0002488492610000041
(2)令
Figure BDA0002488492610000042
(3)令
Figure BDA0002488492610000043
(4)假如当前
Figure BDA0002488492610000051
值与上一步
Figure BDA0002488492610000052
值之间差值矩阵的范数小于ε，则将当前的
Figure BDA0002488492610000053
与
Figure BDA0002488492610000054
作为L与R的解；否则，转至(3)执行。
基于单一类型图像的“精细”超分辨率模型构建方法如下：将单一类型图像的低分辨率图像作为输入，而将其原始高分辨率图像作为输出。设计两个深度网络，利用输入与输出对其进行训练，得出针对特定类型图像的“精细”超分辨率模型。其中，训练第一个深度网络时采用的输入与输出分别为单一类型图像的原始低分辨率图像与原始高分辨率图像。训练第二个深度网络时采用的输入与输出为单一类型图像的原始低分辨率图像与原始高分辨率图像的“反图像”。“反图像”具有与原始图像完全相同的尺寸。通过如下方式得出一个原始图像的“反图像”:“反图像”中每个像素的值等于255减去相应的原始图像的像素值。需要说明的是，每一类型的图像均需建立一个“精细”超分辨率模型。
第一个深度网络与第一个深度网络的网络结构相同，只是其训练过程中的输入与输出图像不同。深度网络的网络结构的图示如图3。其中，输入图像相邻像素的乘积图像有利于锐化输入图像的原始像素，从而突出图像中的细节信息。
“通用”超分辨率模型与“精细”超分辨率模型构建建立在大量高分辨率图像与相应的低分辨率图像的基础之上。在进行“通用”超分辨率模型与“精细”超分辨率模型构建之前，开展如下的用于模型训练的数据收集与采集工作：
(1)面向“通用”超分辨率模型构建的训练数据收集与采集：
首先，利用收集的多种多样的高分辨率图像，然后构造其低分辨率图像。低分辨率图像构造的基本方案为像素点抽取，例如，对图像水平方向与垂直方向的像素点分别进行“隔点抽取”，原高分辨率图像将变换为水平方向与垂直方向分辨率均减半的图像(即低分辨率图像)。利用同样的做法，还可以继续降低图像分辨率。
本发明利用高分辨率图像构造其低分辨率图像的具体做法如下：利用像素点“隔点抽取”的方案得出原高分辨率图像在水平方向与垂直方向分辨率均减半的图像以及在水平方向与垂直方向分辨率均为原始图像分辨率的四分之一的图像。这两类图像均作为面向“通用”超分辨率模型构建的低分辨率图像数据使用。
(2)面向“精细”超分辨率模型构建的训练数据收集与采集：
首先，利用收集的单一类型(例如花卉、植物、街景等类别的图像都可以看做为单一类型的图像)的高分辨率图像，然后构造其低分辨率图像。低分辨率图像构造的基本方案为像素点抽取，具体地，对图像水平方向与垂直方向的像素点分别进行“隔点抽取”，原高分辨率图像将变换为水平方向与垂直方向分辨率均减半的图像(即低分辨率图像)。此外，对上述步骤获得的部分低分辨率图像，随机选择其中一个s×t大小的区域，进行对比度拉伸与压缩两种对比度修改，以模型实际中局部图像区域的亮度异常。上述两个方案得到的低分辨率图像均作为面向“精细”超分辨率模型构建的数据使用。
需要说明的是，由于每一类型的图像均需建立一个“精细”超分辨率模型，本发明提出的方案需首先确定要建立哪些图像类型的“精细”超分辨率模型，同时分别为这些图像类型收集与采集“精细”超分辨率模型构建所需的训练数据。
本发明还提供了一种具有图像类型适应性的超分辨率图像处理系统，包括可读存储介质，所述可读存储介质中存储有执行指令，所述执行指令被处理器执行时用于实现如上述中任一项所述的方法。
为了充分利用可见光图像的共性特点以及同类型图像之间的细粒度相似性，本发明提出一种具有图像类型适应性的两步超分辨率方法，方法不仅可以利用一般可见光图像的特点进行初步的图像分辨率提升，而且可针对图像类型进行图像分辨率的细化，以使图像具体更符合自身特点的细致纹理与颜色。方法在提升图像分辨率的同时，还可以克服原图像中存在的局部亮度异常等问题。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种具有图像类型适应性的超分辨率图像处理方法，其特征在于，包括以下步骤：
S1、构建基于多类型图像的“通用”超分辨率模，将待处理图像作为基于多类型图像的“通用”超分辨率模的输入，运行基于多类型图像的“通用”超分辨率模型后，得出待处理图像的初步高分辨率图像；
S2、构建基于单一类型图像的“精细”超分辨率模型，将初步高分辨率图像作为基于单一类型图像的“精细”超分辨率模型的输入，运行基于单一类型图像的“精细”超分辨率模型后，得出最终的高分辨率图像。
2.根据权利要求1所述的具有图像类型适应性的超分辨率图像处理方法，其特征在于：基于多类型图像的“通用”超分辨率模型的构建方法如下：将多类型图像的低分辨率图像作为输入，而将多类型图像的原始的高分辨率图像作为输出，确定一个目标函数，通过训练的方式，得出“通用”超分辨率模型。
3.根据权利要求2所述的具有图像类型适应性的超分辨率图像处理方法，其特征在于：基于多类型图像的“通用”超分辨率模型的构建方法还包括：假设有M个原始的低分辨率图像以及相对应的M个高分辨率图像，首先将所有高分辨率图像与低分辨率图像缩放到同样的图像尺寸，然后将每个原始的低分辨率图像以及每个高分辨率图像矩阵按列串联的方式转换为列矢量，令所有M个原始的低分辨率图像对应的列矢量组成的矩阵为A，与原始的低分辨率图像对应的M个高分辨率图像的列矢量组成的矩阵为B，假设利用变换矩阵L与R可将A经过LA＝Z，ZR＝B的方式最终变换为B。
4.根据权利要求3所述的具有图像类型适应性的超分辨率图像处理方法，其特征在于：L与R的求解如下：
(1)首先通过指定任意0-1之间随机数的方式给定L的初值，然后令
Figure FDA0002488492600000011
(2)令
Figure FDA0002488492600000012
(3)令
Figure FDA0002488492600000013
(4)假如当前
Figure FDA0002488492600000014
值与上一步
Figure FDA0002488492600000015
值之间差值矩阵的范数小于ε，则将当前的
Figure FDA0002488492600000021
与
Figure FDA0002488492600000022
作为L与R的解；否则，转至(3)执行。
5.根据权利要求1所述的具有图像类型适应性的超分辨率图像处理方法，其特征在于：在步骤S2中，将对应的“精细”超分辨率模型中训练好的第一个深度网络应用于一个初步高分辨率图像后，得出第一个深度网络的输出图像，将“精细”超分辨率模型中训练好的第二个深度网络应用于该初步高分辨率图像的“反图像”后，得出第二个深度网络的初步输出图像，将255减去第二个深度网络的初步输出图像中的每个像素值所得的图像即为第二个深度网络的最终输出结果，将第二个深度网络的最终输出结果与第一个深度网络的输出图像做矩阵加法并除以2，即得出最终高分辨率图像。
6.根据权利要求5所述的具有图像类型适应性的超分辨率图像处理方法，其特征在于：基于单一类型图像的“精细”超分辨率模型的构建方法如下：将单一类型图像的低分辨率图像作为输入，而将单一类型图像的原始的高分辨率图像作为输出，设计第一深度网络、第二深度网络，利用输入与输出对第一深度网络、第二深度网络进行训练，得出针对单一类型图像的“精细”超分辨率模型。
7.根据权利要求6所述的具有图像类型适应性的超分辨率图像处理方法，其特征在于：基于单一类型图像的“精细”超分辨率模型的构建方法还包括：训练第一个深度网络时采用的输入与输出分别为单一类型图像的原始的低分辨率图像与原始的高分辨率图像，训练第二个深度网络时采用的输入与输出为单一类型图像的原始的低分辨率图像与原始的高分辨率图像的“反图像”，“反图像”具有与原始图像完全相同的尺寸；通过如下方式得出一个原始图像的“反图像”：“反图像”中每个像素的值等于255减去相应的原始图像的像素值，每一类型的图像均对应建立一个“精细”超分辨率模型。
8.根据权利要求1所述的具有图像类型适应性的超分辨率图像处理方法，其特征在于：通过低分辨率摄像头来采集待处理图像，通过处理器来运行基于多类型图像的“通用”超分辨率模型和基于单一类型图像的“精细”超分辨率模型，通过显示屏来输出最终的高分辨率图像。
9.一种具有图像类型适应性的超分辨率图像处理系统，其特征在于：包括可读存储介质，所述可读存储介质中存储有执行指令，所述执行指令被处理器执行时用于实现如权利要求1至8中任一项所述的方法。
CN202010398292.4A 2020-05-12 2020-05-12 一种具有图像类型适应性的超分辨率图像处理方法与系统 Pending CN111724303A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010398292.4A CN111724303A (zh) 2020-05-12 2020-05-12 一种具有图像类型适应性的超分辨率图像处理方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010398292.4A CN111724303A (zh) 2020-05-12 2020-05-12 一种具有图像类型适应性的超分辨率图像处理方法与系统

Publications (1)

Publication Number Publication Date
CN111724303A true CN111724303A (zh) 2020-09-29

Family

ID=72564347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010398292.4A Pending CN111724303A (zh) 2020-05-12 2020-05-12 一种具有图像类型适应性的超分辨率图像处理方法与系统

Country Status (1)

Country Link
CN (1) CN111724303A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160328828A1 (en) * 2014-02-25 2016-11-10 Graduate School At Shenzhen, Tsinghua University Depth map super-resolution processing method
WO2017219263A1 (zh) * 2016-06-22 2017-12-28 中国科学院自动化研究所 基于双向递归卷积神经网络的图像超分辨率增强方法
CN108416736A (zh) * 2018-03-21 2018-08-17 西安邮电大学 一种基于二次锚点邻域回归的图像超分辨率重建方法
CN108846797A (zh) * 2018-05-09 2018-11-20 浙江师范大学 基于两种训练集合的图像超分辨率方法
CN110321939A (zh) * 2019-06-21 2019-10-11 中国电子科技集团公司第二十八研究所 一种基于超分辨率重建的图像分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160328828A1 (en) * 2014-02-25 2016-11-10 Graduate School At Shenzhen, Tsinghua University Depth map super-resolution processing method
WO2017219263A1 (zh) * 2016-06-22 2017-12-28 中国科学院自动化研究所 基于双向递归卷积神经网络的图像超分辨率增强方法
CN108416736A (zh) * 2018-03-21 2018-08-17 西安邮电大学 一种基于二次锚点邻域回归的图像超分辨率重建方法
CN108846797A (zh) * 2018-05-09 2018-11-20 浙江师范大学 基于两种训练集合的图像超分辨率方法
CN110321939A (zh) * 2019-06-21 2019-10-11 中国电子科技集团公司第二十八研究所 一种基于超分辨率重建的图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
付吉;王涛;张勇;: "基于识别的单向多样学习图像超分辨率算法设计与实现", 信息工程大学学报, no. 04, 15 December 2009 (2009-12-15), pages 89 - 93 *

Similar Documents

Publication Publication Date Title
Wang et al. Deep video super-resolution using HR optical flow estimation
CN109671023B (zh) 一种人脸图像超分辨率二次重建方法
CN110136062B (zh) 一种联合语义分割的超分辨率重建方法
CN110634147B (zh) 基于双边引导上采样的图像抠图方法
CN108961186A (zh) 一种基于深度学习的老旧影片修复重制方法
CN111223053A (zh) 基于深度图像的数据增强方法
CN101795350B (zh) 一种基于相关性检测的非线性图像放大两倍方法
CN108242063B (zh) 一种基于gpu加速的光场图像深度估计方法
CN111696033B (zh) 基于角点引导级联沙漏网络结构学习的真实图像超分辨率模型及方法
CN104574328A (zh) 一种基于直方图分割的彩色图像增强方法
CN112991165B (zh) 一种图像的处理方法及装置
CN109886906B (zh) 一种细节敏感的实时弱光视频增强方法和系统
Li et al. Dlgsanet: lightweight dynamic local and global self-attention networks for image super-resolution
CN104036468A (zh) 基于预放大非负邻域嵌入的单帧图像超分辨重建方法
CN111353955A (zh) 一种图像处理方法、装置、设备和存储介质
WO1999038120A1 (en) Method and apparatus for scaling an image using fractal transform
CN107220934B (zh) 图像重建方法及装置
CN116645328A (zh) 一种高精度轴承套圈表面缺陷智能检测方法
CN111754399A (zh) 基于梯度的保持几何结构的图像超分辨率方法
Liu et al. Multi-scale skip-connection network for image super-resolution
CN113240584A (zh) 一种基于图片边缘信息的多任务手势图片超分辨率方法
JP5892592B2 (ja) 超解像画像処理装置及び超解像画像処理用コードブック作成装置
CN104537610A (zh) 基于稀疏表示和uv通道处理的图像超分辨率重建方法
CN111724303A (zh) 一种具有图像类型适应性的超分辨率图像处理方法与系统
CN103632357B (zh) 一种基于光照分离的图像超分辨率增强方法

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