CN112381746A - 学习采样与分组的图像压缩感知重构系统及其方法 - Google Patents
学习采样与分组的图像压缩感知重构系统及其方法 Download PDFInfo
- Publication number
- CN112381746A CN112381746A CN202011275229.8A CN202011275229A CN112381746A CN 112381746 A CN112381746 A CN 112381746A CN 202011275229 A CN202011275229 A CN 202011275229A CN 112381746 A CN112381746 A CN 112381746A
- Authority
- CN
- China
- Prior art keywords
- image
- reconstruction
- module
- block
- sampling
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000009467 reduction Effects 0.000 claims abstract description 56
- 238000005259 measurement Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 230000006835 compression Effects 0.000 claims abstract description 7
- 238000007906 compression Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 8
- 239000002356 single layer Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 6
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种学习采样与分组的图像压缩感知重构系统及其方法,涉及图像成像与重建技术领域。本系统是:输入的图像测量值(Y)、非重叠分组模块(10)、多路并行的块图像降维重构模块(20)、块图像拼接模块(30)、图像上采样重构模块(40)和图像深度重构模块(50)依次交互,系统输出为重构的图像(XR)。本方法是:①非重叠分组;②多路并行的块图像降维重构;③块图像的拼接;④图像上采样重构;⑤图像深度重构;⑥图像的分块压缩采样;⑦测量矩阵与重构系统的联合优化。本发明在有效降低重构系统复杂度的同时,可得到系统重构性能的进一步提升;适用于压缩成像等应用。
Description
技术领域
本发明涉及图像成像与重建技术领域,尤其涉及一种学习采样与分组的图像压缩感知重构系统及其方法;详细地说,本发明是一种基于学习采样与深度卷积网络,利用分组重构技术的复杂度减少的高性能图像压缩感知重构系统及其方法。
背景技术
压缩感知是一种新的信号采样理论。比较传统的香农采样,压缩感知证明了可实现对稀疏信号降维采样的准确重构,因此可大大减少采样的数据量,从而有效减少数据存储空间和数据传输带宽。压缩感知在图像成像中已得到广泛应用。图像压缩感知重构是压缩感知成像涉及的核心问题,自压缩感知理论提出至今一直是该领域关注的研究热点。近年来,随着深度学习在图像识别领域取得的成功应用,基于深度网络的压缩感知重构实现也得到了极大关注和飞速发展。【参见文献:[1]E.J.Candes and T.Tao,“Near-optimalsignal recovery from random projections:Universal encoding strategies?”IEEETransactions on Information Theory,vol.52,no.12,pp.5406–5425,2006;[2]W.Dong,G.Shi,X.Li,Y.Ma,and F.Huang,“Compressive sensing via nonlocal low-rankregularization,”IEEE Transactions on Image Processing,vol.23,no.8,pp.3618–3632,2014;[3]A.Mousavi,A.B.Patel,and R.G.Baraniuk,“A deep learning approachto structured signal recovery,”in Proceedings of IEEE Annual AllertonConference on Communication,Control,and Computing,2015,pp.1336–1343;[4]W.Shi,F.Jiang,S.Liu and D.Zhao,"Image Compressed Sensing Using Convolutional NeuralNetwork,"IEEE Transactions on Image Processing,vol.29,pp.375-388,2020】。
深度学习方法与传统方法比较,能够极大地提升压缩感知图像的重构质量,并且因为采用端对端映射,因此可以得到重构速度的极大提升。深度学习方法还可以实现压缩感知编码端的测量矩阵与重构网络的联合优化,因而可以更加有效地提升测量效率和重构性能。然而,图像的压缩感知因为图像的维度较高,面临的一个很重要的问题是如何减少采样及重构系统的复杂度。基于分块压缩感知的方案可以很好地平衡重构性能和系统的复杂度。【参见文献:[6]L.Gan,“Block compressed sensing of natural images,”inProc.IEEE15th Int.Conf.Digit.Signal Process.,Jul.2007,pp.403–406】。但是传统分块压缩感知方案的重构端,采用了与编码端相同规模的测量矩阵来进行图像重构,仍然存在需要的参数规模较多和计算复杂度高的不足。
发明内容
本发明的目的就在于克服上述背景技术的缺点和不足,提供一种学习采样与分组的图像压缩感知重构系统及其方法;具体地说,本发明是基于学习采样与深度卷积网络,采用分组降维重构与上采样策略的复杂度减少的图像压缩感知重构系统及其方法,通过引入分组机制,对输入的测量值进行分组后先重构出原始图像的降维估计,然后通过上采样和深度重构,在有效降低重构系统复杂度的同时得到原始图像的高质量重建结果。
本发明的技术思路是:
首先采用分组策略对输入的图像测量值进行均等非重叠分解,得到测量值的多组分量表示;然后,利用多个并联的通路,每一通路分别对输入的一组分量表示进行变换,得到原始图像的降维重构表示;再对所有通路输出的降维重构表示联合进行上采样变换,得到原始图像的初始估计;最后,利用深度卷积网络,对原始图像的初始估计进行处理,得到原始图像的高质量重构结果。本发明通过采用分组降维重构与上采样技术,有效降低重构系统的参数规模和计算复杂度,并通过引入测量矩阵与重构网络的联合训练,保障了图像重构质量的有效提升。
具体地说,本发明的技术方案是:
一、学习采样与分组的图像压缩感知重构系统(简称系统)
本系统包括输入的图像测量值,设置有非重叠分组模块、多路并行的块图像降维重构模块、块图像拼接模块、图像上采样重构模块和图像深度重构模块;
输入的图像测量值、非重叠分组模块、多路并行的块图像降维重构模块、块图像拼接模块、图像上采样重构模块和图像深度重构模块依次交互,系统输出为重构的图像。
所述的非重叠分组模块接收输入的图像测量值Y,将对应所有块图像的测量值均等或近似均等地分成L等分,分别表示为Y1、Y2…YL;
所述的多路并行的块图像降维重构模块包括并行的彼此独立的第1、2…L块图像降维重构单元,L设定为4或其它合适整数如8或16等;
所述的块图像拼接模块接收多路并行的块图像降维重构模块的输出,通过块图像的拼接处理,生成原始图像的维度缩小L倍的L幅估计图像Xi,i=1、2…L;
所述的图像上采样模块接收输入的维度缩小L倍的原始图像的L幅估计图像,采样单层的反卷积上采样运算,生成原始图像的初始估计;
所述的图像深度重构模块接收图像上采样模块的输出,通过多层卷积运算,生成原始图像的高质量重建输出。
二、学习采样与分组的图像压缩感知重构方法(简称方法)
本方法包括下列步骤:
①非重叠分组
非重叠分组模块接收输入的图像测量值Y,将对应所有块图像的测量值均等(或近似均等)地分成L等分,分别表示为Y1、Y2、…、YL;
②多路并行的块图像降维重构
多路并行的块图像降维重构模块内并行的L个块图像降维重构(PIDRR)单元,对应第i块图像降维重构(PIDRRi)单元接收输入Yi,生成原始块图像X的维度减少L倍的块图像Zik,i=1、2、…、L,k=1、2、…、N,N为输入的块图像的数量,Zik表示第i通道生成的第k个块图像;
③块图像的拼接
块图像拼接模块内并行的L个块图像拼接(PIC)单元,第i块图像拼接(PICi)单元接收输入Zik,k=1、2、…、N,进行拼接运算,生成原始图像X的维度减少L倍的估计图像Xi,i=1、2、…、L;
④图像上采样重构
图像上采样重构模块,接收块图像拼接模块的输出,采用单层反卷积网络,生成维度与原始图像相同的原始图像的初始估计X0;
⑤图像深度重构
图像深度重构模块,接收原始图像的初始估计,采用深度卷积网络,对原始图像的初始估计X0进行滤波处理,生成原始图像X的最后重构XR;
⑥图像的分块压缩采样
非重叠分组模块输入的图像测量值Y,是采用经典分块压缩感知方法得到的测量结果,具体是将原始图像X首先分解成N个非重叠的大小为B×B的块图像,一般设置B=32,N的大小决定于原始图像X的维度和B,然后将所有块图像矢量化并按列向拼接成数据矩阵D,最后与测量矩阵Φ进行相乘运算得到测量值Y,即Y=ΦD;
⑦测量矩阵与重构系统的联合优化
为了保证本发明系统生成高质量的最后重构,采用深度学习的网络训练方法,对测量矩阵Φ和本发明系统的参数进行联合训练优化,所用的损失函数为原始图像X分别与初始估计X0和最后重构XR的均方误差的加权和,即Loss=MSE(X,XR)+α×MSE(X,X0),MSE()表示求均方误差运算,α为加权因子,设定α=0.01~1.0。
工作机理:
本发明的实现总体分为两个阶段:
第一阶段,采用非重叠分组模块、多路并行的块图像降维重构模块、块图像拼接模块、图像上采样重构模块,由已知的图像的测量值得到原始图像的初始估计;
第二阶段,利用图像上采样重构模块输出的原始图像的初始估计,并图像深度重构模块,通过多层的卷积网络的变换处理,得到原始图像的高质量重建。
与现有技术相比,本发明具有下列优点和积极效果:
本发明在有效降低重构系统复杂度的同时,可得到系统重构性能的进一步提升;适用于压缩成像等应用。
附图说明
图1是本系统的结构方框图;
图1中:
Y—输入的图像测量值;
XR—重构的图像;
10—非重叠分组模块;
20—多路并行的块图像降维重构模块,
21—第1块图像降维重构单元(PIDRR1单元),
22—第2块图像降维重构单元(PIDRR2单元),
…
2L—第L块图像降维重构单元(PIDRRL单元),
L在本发明中推荐设定为4,也可设置为其它如8或者16等;
30—块图像拼接模块;
21—第1块图像拼接单元(PIC1单元),
22—第2块图像拼接单元(PIC2单元),
…
2L—第L块图像拼接单元(PICL单元)。
40—图像上采样重构模块。
50—图像深度重构模块。
图2是本方法与同类方法的系统复杂度比较表;
图3是本方法与同类方法的系统重构性能比较表。
具体实施方式
下面结合附图和实施例详细说明:
一、系统
1、总体
如图1,本系统包括输入的图像测量值Y,设置有非重叠分组模块10、多路并行的块图像降维重构模块20、块图像拼接模块30、图像上采样重构模块40和图像深度重构模块50;
输入的图像测量值Y、非重叠分组模块10、多路并行的块图像降维重构模块20、块图像拼接模块30、图像上采样重构模块40和图像深度重构模块50依次交互,系统输出为重构的图像XR。
详细地说:非重叠分组模块10有一个输入端、L个输出端,多路并行的块图像降维重构模块20有L个输入端和L个输出端,块图像拼接模块30有L个输入端和L个输出端,图像上采样重构模块40有L个输入端和一个输出端,图像深度重构模块50有一个输入端和一个输出端;
非重叠分组模块10的输入端连接到系统的输入端,即输入的图像测量值Y;
多路并行的块图像降维重构模块20的第1、2…L块图像降维重构单元21、22…2L并行对应与非重叠分组模块10的L个输出端分别交互;
块图像拼接模块30的第1、2…L块图像拼接单元31、32…3L并行对应与多路并行的块图像降维重构模块20的L个输出端分别交互;
图像上采样重构模块40的L个输入端对应分别与块图像拼接模块30的L个输出端交互;
图像深度重构模块50的一个输入端与图像上采样重构模块40的一个输出端交互,图像深度重构模块50的输出端为系统的输出端,即重构的图像XR;
L是自然数,推荐设定为4,也可设置为其它如8或者16等。
2、功能模块
1)非重叠分组模块10
如图1,非重叠分组模块10接收输入的图像测量值Y,将对应所有块图像的测量值均等或近似均等地分成L等分,分别表示为Y1、Y2…YL;
非重叠分组模块10和其它模块之间的关系:
非重叠分组模块10接收输入的图像测量值Y,将对应所有块图像的测量值均等或近似均等地分成L等分Y1、Y2…YL,分别送入多路并行的块图像降维重构模块20。
2)多路并行的块图像降维重构模块20
如图1,多路并行的块图像降维重构模块20包括并行的彼此独立的第1、2…L块图像降维重构单元21、22…2L,L设定为4或8或16等;
非重叠分组模块10和其它模块之间的关系:
多路并行的块图像降维重构模块20内并行的L个块图像降维重构(PIDRR)单元21、22…2L,对应第i块图像降维重构(PIDRRi)单元2i接收输入Yi,生成原始块图像X的维度减少L倍的块图像Zik,i=1、2…L,k=1、2…N,N为输入的块图像的数量,Zik表示第i通道生成的第k个块图像;
多路并行的块图像降维重构模块20内并行的L个块图像降维重构(PIDRR)单元21、22…2L的输出,分别对应送入块图像拼接模块20内的L个块图像拼接(PIC)单元31、32…3L;
3)块图像拼接模块30
块图像拼接模块30接收多路并行的块图像降维重构模块20的输出,通过块图像的拼接处理,生成原始图像的维度缩小L倍的L幅估计图像Xi,i=1、2…L。
4)图像上采样模块40
图像上采样模块40接收输入的维度缩小L倍的原始图像的L幅估计图像,
采样单层的反卷积上采样运算,生成原始图像的初始估计;
5)图像深度重构模块50
图像深度重构模块50接收图像上采样模块40的输出,通过多层卷积运算,生成原始图像的高质量重建输出。
二、方法
1、步骤①
非重叠分组模块10对接收的图像测量值Y进行均等划分,得到原始图像测量值的L组表示Yi,i=1、2…L,数学公式表示为:
Yi=Ri(Y),
其中:
Ri()表示提取Y的第i段的运算,
2、步骤②
多路并行的块图像降维重构模块20内的并行的L个单元,第i块图像降维重构单元2i对接收的图像测量值Yi,采用单层卷积网络,通过卷积运算,得到原始图像X的每个块图像的维度缩小L倍的估计Zi1、Zi2…ZiN;令
Zi=[Zi1,Zi2,…,ZiN],第i块图像降维重构单元功能的数学公式表示为:
Zi=fPIDRR(Yi,θi),i=1,2,…,L
其中:Zi为输出,Yi为输入,fPIDRR()代表单层卷积网络,θi为网络参数;
3、步骤③
块图像拼接模块30的多个并行的块图像拼接单元对应接收多路并行的块图像降维重构模块20送入输出,第i块图像拼接单元2i接收原始块图像的降维估计Zi,通过拼接处理,得到原始图像的降维估计Xi,数学表示为:
Xi=fPIC(Zi)
其中的fPIC()为块图像拼接运算;
4、步骤④
图像上采样重构模块40对接收的原始图像的所有降维估计Xi(i=1,2,…,L),采用单层的反卷积网络,通过上采样运算得到原始图像X的初始估计X0,数学表示为:
X0=fUS(X1,X2,…,XL,θus)
其中的fUS()表示上采样网络,θus为网络参数;
5、步骤⑤
图像深度重构模块50对接收的原始图像X的初始估计XR,采用多层卷积网络,通过滤波处理,得到原始图像X的高质量重建输出,数学表示为:
XR=fDR(X0,θdr)
其中的fDR()表示深度重构网络,θdr为网络参数;
6、步骤⑥
非重叠分组模块(10)输入的图像测量值Y,由经典分块压缩感知方法得到,数学表示为:
Y=fBCS(X,Φ)
其中的fBCS()表示图像的分块压缩感知的测量运算,Φ表示所用的测量矩阵;
7、步骤⑦
重构系统的参数与测量矩阵Φ的参数联合学习优化,在已知的图像集下,利用训练深度网络的方法,定义损失函数为Loss=MSE(X,XR)+α×MSE(X,X0),MSE()表示求均方误差运算,α为加权因子,设定α=0.01~1.0,训练网络使得损失函数Loss收敛到最小值。
三、实验评估
为了证明本发明实施例的有效性,发明人在pytorch深度学习框架下进行了实验评估。实验平台配置2张Nvidia GeForce GTX 1080 Ti显卡。多路并行的块图像降维重构模块的参数L选取为L=4,深度重构网络的结构与文献[4]的CSNet+的一致。测试系统性能用平均PSNR指标度量图像重构质量,用参数规模度量系统复杂度。训练方法选用Adam法,相关参数设置为β1=0.9,β2=0.999和ε=10-8;学习率为0.0002,Batch size大小为64;α=0.1。
图2给出了本发明方法与同类方法的系统复杂度比较。
图3给出了本发明方法与同类方法的在不同测试数据集的重构性能比较。
由此可见:本发明在明显降低系统复杂度的同时,还得到了重构图像质量的进一步提升。
本领域的技术人员可以对本发明实施例进行各种修改和变型,倘若这些修改和变型在本发明权利要求及其等同技术的范围之内,则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (2)
1.一种学习采样与分组的图像压缩感知重构系统,其特征在于:
包括输入的图像测量值(Y),设置有非重叠分组模块(10)、多路并行的块图像降维重构模块(20)、块图像拼接模块(30)、图像上采样重构模块(40)和图像深度重构模块(50);
输入的图像测量值(Y)、非重叠分组模块(10)、多路并行的块图像降维重构模块(20)、块图像拼接模块(30)、图像上采样重构模块(40)和图像深度重构模块(50)依次交互,系统输出为重构的图像(XR)。
所述的非重叠分组模块(10)接收输入的图像测量值(Y),将对应所有块图像的测量值均等或近似均等地分成L等分,分别表示为Y1、Y2…YL;
所述的多路并行的块图像降维重构模块(20)包括并行的彼此独立的第1、2…L块图像降维重构单元(21、22…2L),L设定为4;
所述的块图像拼接模块(30)接收多路并行的块图像降维重构模块(20)的输出,通过块图像的拼接处理,生成原始图像的维度缩小L倍的L幅估计图像Xi,i=1、2…L;
所述的图像上采样模块(40)接收输入的维度缩小L倍的原始图像的L幅估计图像,采样单层的反卷积上采样运算,生成原始图像的初始估计;
所述的图像深度重构模块(50)接收图像上采样模块(40)的输出,通过多层卷积运算,生成原始图像的高质量重建输出。
2.基于权利要求1所述系统的学习采样与分组的图像压缩感知重构方法,其特征在于:
①非重叠分组
非重叠分组模块(10)接收输入的图像测量值Y,将对应所有块图像的测量值均等或近似均等地分成L等分,分别表示为Y1、Y2…YL;
②多路并行的块图像降维重构
多路并行的块图像降维重构模块(20)内并行的L个块图像降维重构单元(21、22…2L),对应第i块图像降维重构单元接收输入Yi,生成原始块图像X的维度减少L倍的块图像Zik,i=1、2…L,k=1、2…N,N为输入的块图像的数量,Zik表示第i通道生成的第k个块图像;
③块图像的拼接
块图像拼接模块(30)内并行的L个块图像拼接单元(31、32…3L),对应第i块图像拼接单元接收输入Zik,k=1、2…N,进行拼接运算,生成原始图像X的维度减少L倍的估计图像Xi,i=1、2…L;
④图像上采样重构
图像上采样重构模块(40)和接收块图像拼接模块(30)的输出,采用单层反卷积网络,生成维度与原始图像相同的原始图像的初始估计X0;
⑤图像深度重构
图像深度重构模块(50)接收原始图像的初始估计,采用深度卷积网络,对原始图像的初始估计X0进行滤波处理,生成原始图像X的最后重构XR;
⑥图像的分块压缩采样
非重叠分组模块(10)输入的图像测量值Y,是采用经典分块压缩感知方法得到的测量结果,具体是将原始图像X首先分解成N个非重叠的大小为B×B的块图像,一般设置B=32,N的大小决定于原始图像X的维度和B,然后将所有块图像矢量化并按列向拼接成数据矩阵D,最后与测量矩阵Φ进行相乘运算得到测量值Y,即Y=ΦD;
⑦测量矩阵与重构系统的联合优化
为了保证本系统生成高质量的最后重构,采用深度学习的网络训练方法,对测量矩阵Φ和本系统的参数进行联合训练优化,所用的损失函数为原始图像X分别与初始估计X0和最后重构XR的均方误差的加权和,即Loss=MSE(X,XR)+α×MSE(X,X0),MSE()表示求均方误差运算,α为加权因子,设定α=0.01~1.0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011275229.8A CN112381746B (zh) | 2020-11-16 | 2020-11-16 | 学习采样与分组的图像压缩感知重构系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011275229.8A CN112381746B (zh) | 2020-11-16 | 2020-11-16 | 学习采样与分组的图像压缩感知重构系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381746A true CN112381746A (zh) | 2021-02-19 |
CN112381746B CN112381746B (zh) | 2022-08-05 |
Family
ID=74584041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011275229.8A Active CN112381746B (zh) | 2020-11-16 | 2020-11-16 | 学习采样与分组的图像压缩感知重构系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381746B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191948A (zh) * | 2021-04-22 | 2021-07-30 | 中南民族大学 | 多分辨率特征交叉融合的图像压缩感知重构系统及其方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003738A1 (en) * | 2013-07-01 | 2015-01-01 | Xerox Corporation | Adaptive quality image reconstruction via a compressed sensing framework |
CN105787895A (zh) * | 2016-02-29 | 2016-07-20 | 中国计量学院 | 基于分层高斯混合模型的统计压缩感知图像重构方法 |
CN106651974A (zh) * | 2016-11-03 | 2017-05-10 | 中南民族大学 | 利用加权结构组稀疏规则的图像压缩感知重构系统及方法 |
CN109978785A (zh) * | 2019-03-22 | 2019-07-05 | 中南民族大学 | 多级递归特征融合的图像超分辨率重构系统及其方法 |
-
2020
- 2020-11-16 CN CN202011275229.8A patent/CN112381746B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003738A1 (en) * | 2013-07-01 | 2015-01-01 | Xerox Corporation | Adaptive quality image reconstruction via a compressed sensing framework |
CN105787895A (zh) * | 2016-02-29 | 2016-07-20 | 中国计量学院 | 基于分层高斯混合模型的统计压缩感知图像重构方法 |
CN106651974A (zh) * | 2016-11-03 | 2017-05-10 | 中南民族大学 | 利用加权结构组稀疏规则的图像压缩感知重构系统及方法 |
CN109978785A (zh) * | 2019-03-22 | 2019-07-05 | 中南民族大学 | 多级递归特征融合的图像超分辨率重构系统及其方法 |
Non-Patent Citations (3)
Title |
---|
于洋等: "基于深度学习的多尺度分块压缩感知算法", 《小型微型计算机系统》 * |
刘玉红等: "基于卷积神经网络的压缩感知重构算法优化", 《计算机科学》 * |
刘紫燕等: "一种分块自适应压缩感知图像重构算法", 《电视技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191948A (zh) * | 2021-04-22 | 2021-07-30 | 中南民族大学 | 多分辨率特征交叉融合的图像压缩感知重构系统及其方法 |
CN113191948B (zh) * | 2021-04-22 | 2022-05-03 | 中南民族大学 | 多分辨率特征交叉融合的图像压缩感知重构系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112381746B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886871B (zh) | 基于通道注意力机制和多层特征融合的图像超分辨率方法 | |
CN112330542B (zh) | 基于crcsan网络的图像重建系统及方法 | |
CN109978785B (zh) | 多级递归特征融合的图像超分辨率重构系统及其方法 | |
CN111932461B (zh) | 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统 | |
Luo et al. | Lattice network for lightweight image restoration | |
CN109920013B (zh) | 基于渐进式卷积测量网络的图像重构方法及装置 | |
CN111667444B (zh) | 一种基于多通道残差网络的图像压缩感知重建方法 | |
CN112991472B (zh) | 一种基于残差稠密阈值网络的图像压缩感知重建方法 | |
CN112070702B (zh) | 多尺度残差特征判别增强的图像超分辨率重构系统及方法 | |
CN110288524B (zh) | 基于增强型上采样和辨别融合机制的深度学习超分辨率方法 | |
CN111681166A (zh) | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 | |
CN112381746B (zh) | 学习采样与分组的图像压缩感知重构系统及其方法 | |
CN111127331A (zh) | 基于像素级全局噪声估计编解码网络的图像去噪方法 | |
CN106228524A (zh) | 一种图像去噪方法及装置 | |
CN114418850A (zh) | 一种融合图卷积的有参考图像超分辨率重构方法 | |
CN115841420A (zh) | 一种基于深度学习的偏振图像超分辨率重建方法 | |
Hui et al. | Two-stage convolutional network for image super-resolution | |
CN113284202B (zh) | 一种基于内容自适应的可伸缩网络的图像压缩感知方法 | |
CN111951203A (zh) | 视点合成方法、装置、设备及计算机可读存储介质 | |
CN112270646A (zh) | 基于残差密集跳跃网络的超分辨增强方法 | |
CN115239557A (zh) | 轻量化的x光图像超分辨率重建方法 | |
CN115187455A (zh) | 一种用于压缩图像的轻量级超分辨率重建模型及系统 | |
CN112734645B (zh) | 一种基于特征蒸馏复用的轻量化图像超分辨率重建方法 | |
CN113191948B (zh) | 多分辨率特征交叉融合的图像压缩感知重构系统及其方法 | |
CN112270645B (zh) | 多阶特征循环增强的渐进高倍人脸超分辨率系统及其方法 |
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 |