CN112907444A - 一种基于复数域零样本学习的太赫兹图像超分辨重建方法 - Google Patents
一种基于复数域零样本学习的太赫兹图像超分辨重建方法 Download PDFInfo
- Publication number
- CN112907444A CN112907444A CN202110167868.0A CN202110167868A CN112907444A CN 112907444 A CN112907444 A CN 112907444A CN 202110167868 A CN202110167868 A CN 202110167868A CN 112907444 A CN112907444 A CN 112907444A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- terahertz
- complex
- learning
- 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 37
- 238000003384 imaging method Methods 0.000 claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 230000015556 catabolic process Effects 0.000 claims abstract description 13
- 238000006731 degradation reaction Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 30
- 230000001902 propagating effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 19
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 8
- 230000003287 optical effect Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 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
- 238000000465 moulding Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000007281 self degradation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual 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
- G06T3/4046—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明从物理和数学的角度出发，利用复振幅信息以及复数域神经网络的信息表征能力，并考虑到有监督CNN在不同大小、不同成像系统以及样品放置不同焦平面条件下的自适应问题，提出一种基于复数域零样本学习的太赫兹图像超分辨重建方法，通过复数域图像降质模型依次得到仿真的低分辨THz图像、更低分辨THz图像，通过复数域零样本学习的神经网络学习图像的映射关系；从而由得到的映射关系将输入的低分辨THz图像恢复到高分辨图像。本发明提高了THz图像超分辨的自适应能力，相对于移植的光学领域CNN超分辨算法在提高太赫兹系统的成像分辨率方面得到了更好的效果；在恢复幅值信息的同时对相位信息也进行了恢复，提高太赫兹成像系统的分辨率，提升了成像系统的性能。
Description
技术领域
本发明涉及太赫兹超分辨率成像领域，具体地说是一种通过零样本学习的复数域神经网络实现重建太赫兹超分辨成像的方法。
背景技术
得益于太赫兹波较强的穿透性、安全性以及谱信息，太赫兹(Terahertz,THz)成像在无损检测、安检、生物医学成像等领域具有广泛的应用前景。太赫兹成像是将太赫兹波通过光学器件照射到检测样品，通过探测器采集样品透射或反射的太赫兹波信息进行成像。由于太赫兹波的波长较长，成像系统的焦平面处成像分辨率受限于物理聚焦光束尺寸，且在硬件上很难提升。因此，通过图像处理的方法克服成像系统的物理限制，对得到的太赫兹图像数据进行超分辨率重建是十分必要的。
考虑到成像系统的降质原理，许多基于去卷积的超辨率重建算法被提出用于提高太赫兹图像的分辨率，如Lucy-Richardson、Wiener等。虽然去卷积的方法可以生成相对高质量的太赫兹图像，但如果图像统计量与图像先验值存在差异时，会导致时间复杂度增加、系统噪声放大、分辨率提升受限等问题。由于卷积神经网络(Convolutional NeuralNetwork,CNN)对图像复原和非线性建模的强大映射能力，利用端到端学习的方法，直接学习由低分辨率到高分辨率的映射函数，实现太赫兹图像的反卷积，可比传统的去卷积算法实现了更好的超分辨效果。然而，多数应用CNN方法只是简单地从光学超分辨率重建算法中移植过来，很少考虑波的性质。研究表明，波场相位信息在太赫兹成像中起着重要作用。考虑到电磁波的性质，利用复振幅可以取得更好的超分辨效果。然而，不同的成像系统和样品放置的位置对应不同的点扩散函数，实际中测量误差总是存在的。在实际应用过程中，有监督的CNN算法在固定的模糊程度上进行训练，当训练后的CNN网络的恢复水平与实际模糊程度不同时会导致超分辨性能下降。最近，一种无监督的零样本学习方法被应用于超分辨率重建中。该方法利用单个图像的内部信息递归且不依赖于预先的训练，能够针对不同图像自适应调节参数，得到了优于有监督CNN的超分辨率重建效果。同时，由于单个图像内部的视觉熵要比一般外部图像集合的视觉熵小得多，一个小而简单的CNN就足以完成这个特定于图像的任务。进一步的，相关研究进一步验证了该方法在太赫兹成像中应用的可行性。
发明内容
无监督的零样本学习方法不需要任何额外的信息、属性以及成对的训练数据，通过训练一个CNN，从低分辨率图像及更低分辨率的图像推断复杂的图像特定的高分辨率图像与低分辨率图像之间的映射关系。然后，将学习到的网络应用到低分辨率输入图像上，从而得到高分辨率的输出。同时，考虑到相位信息对太赫兹波成像的物理意义以及复数域神经网络对信号的较强的表征能力，本发明提出一种复数域零样本学习的超分辨率重建算法，充分利用太赫兹成像系统探测器采集到的复振幅信息，通过复数域图像降质模型对采集到的低分辨太赫兹图像进一步进行降质处理，用于学习低分辨与更低分辨的太赫兹图像之间的映射，从而实现将低分辨太赫兹图像到高分辨率之间的转换，解决了由于衍射导致的太赫兹成型系统分辨率低的问题，提升了CNN对不同太赫兹成像系统的自适应性。
本发明为实现上述目的所采用的技术方案是：
一种基于复数域零样本学习的太赫兹图像超分辨重建方法，包括以下步骤：
步骤1：测量或计算太赫兹成像系统的点扩散函数的幅度和相位；
步骤2：通过复数域图像降质模型与实际测量的点扩展函数进行卷积操作，依次仿真低分辨THz图像i、更低分辨的图像l；
步骤3：构建轻量级的复值CNN学习网络，学习低分辨THz图像i与更低分辨的图像l之间的映射关系，得到网络模型；
步骤4：将实际的低分辨THz图像输入步骤3得到的网络模型中，获取对应恢复的高分辨率的图像。
所述的太赫兹成像系统为反射式或透射式，均能够同时获取成像数据的幅值和相位信息。
所述仿真的THz图像来源于采集的高分辨率图像，适用于不同的像素规格。
所述复数域图像降质模型可以表示为：
相对低分辨率图像＝相对高分辨率图像的幅值o*实际测量的点扩展函数PSF(a+jb)；
其中，a为点扩散函数PSF的实部，b为PSF的虚部；o为采集的高分辨率图像的幅值。
所述仿真的低分辨THz图像i：
i(x+jy)＝o*PSF(a+jb) (1)
其中，a为点扩散函数PSF的实部，b为PSF的虚部；o为原始图像的幅值；x为仿真的低分辨THz图像i的实部，y为i的虚部；
所述仿真的更低分辨的图像l：
l(c+jd)＝i(x+jy)*PSF(a+jb) (2)
其中，a为点扩散函数PSF的实部，b为PSF的虚部；i(x+jy)为低分辨的图像的幅值；c为仿真的更低分辨THz图像l的实部，d为l的虚部；
所述构建复值自学习网络，包括依次连接的输入层、卷积层、激活层、输出层。
所述复数卷积操作可转换为：
i(x+jy)*W(A+jB)＝(i(x)*W(A)-i(y)*W(B))+j(i(x)*W(B)+i(y)*W(A)) (3)
其中，W(A+jB)为卷积层的复数卷积核，A为W的实部，B为W的虚部。
所述学习低分辨THz图像i与更低分辨的图像l之间的映射关系，包括：
将更低分辨的图像l输入构建的轻量级的复值CNN学习网络，将网络输出的学习图像与低分辨THz图像i比较，计算损失函数并反向传播调整卷积层的复数卷积核W(A+jB)，得到网络模型。
本发明与现有技术相比具有以下优点及有益效果：
1.本发明考虑到有监督CNN在不同大小、不同成像系统以及样品放置不同焦平面条件下的自适应问题，提出了一种无监督的超分辨算法，用于提高THz图像超分辨的自适应能力；
2.本发明从物理和数学的角度出发，充分利用太赫兹成像系统采集到的复振幅信息以及复数域神经网络的信息表征能力，相对于移植的光学领域CNN超分辨算法在提高太赫兹系统的成像分辨率方面得到了更好的效果。
3.本发明首次提出了将复数域无监督CNN超分辨重建算法，并将其应用于THz图像超分辨领域，在恢复幅值信息的同时对相位信息也进行了恢复，便于恢复出的数据在其他领域得到更好的应用。
附图说明
图1为本发明的方法流程图；
图2为本发明所提算法的神经网络框架；
图3为复值零样本算法和实值零样本算法对于仿真的太赫兹图像进行超分辨率重建效果对比图；
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明从物理和数学的角度出发，充分利用太赫兹成像系统采集到的复振幅信息以及复数域神经网络的信息表征能力，并考虑到有监督CNN在不同大小、不同成像系统以及样品放置不同焦平面条件下的自适应问题，首次提出了一种复数域无监督CNN超分辨重建算法。所提算法提高了THz图像超分辨的自适应能力，相对于移植的光学领域CNN超分辨算法在提高太赫兹系统的成像分辨率方面得到了更好的效果；在恢复幅值信息的同时对相位信息也进行了恢复，提高太赫兹成像系统的分辨率，提升了成像系统的性能。
如图1所示为本发明的方法流程图。首先测量太赫兹成像系统的点扩散函数的幅度和相位得到复数的点扩散函数PSF(a+jb)；通过复数域图像降质模型与实际测量的点扩展函数PSF(a+jb)仿真低分辨THz图像i(x+jy)＝o*PSF(a+jb)；通过复数域图像降质模型与实际测量的点扩展函数得到更低分辨的图像l(c+jd)＝i(x+jy)*PSF(a+jb)；
其中，复数域图像降质模型为：相对低分辨率图像＝相对高分辨率图像的幅值*实际测量的点扩展函数PSF(a+jb)；
通过一个轻量级的复值自学习神经网络学习低分辨THz图像i(x+jy)与更低分辨的图像l(c+jd)之间的映射关系，其中复数卷积操作可转换为：i(x+jy)*W(A+jB)＝(i(x)*W(A)-i(y)*W(B))+j(i(x)*W(B)+i(y)*W(A))；通过得到的网络模型，从输入的低分辨THz图像中恢复高分辨率的图像。为了公平比较该方法的超分辨性能通过实现相同网络结构的实值自学习网络学习上述低分辨THz图像与更低分辨的图像幅值之间的映射关系；通过学习到的网络模型将输入的低分辨THz图像恢复成高分辨率的图像，验证算法的有效性；通过计算峰值信噪比、均方误差以及结构相似性将两种方法得到的高分辨率图像进行对比。
实施例1.
如图1所示为本发明的方法流程图。
首先测量太赫兹成像系统的点扩散函数的幅度和相位得到复数的点扩散函数PSF(a+jb)，通过复数域图像降质模型将采集的高分辨率图像与实际测量的点扩散函数的矩阵进行卷积操作得到仿真的低分辨THz图像i(x+jy)：
i(x+jy)＝o*PSF(a+jb) (1)
其中，a为点扩散函数PSF的实部，b为PSF的虚部；o为原始图像的幅值；x为仿真的低分辨THz图像i的实部，y为i的虚部；
通过复数域图像降质模型与实际测量的点扩展函数得到更低分辨的图像：
l(c+jd)＝i(x+jy)*PSF(a+jb) (2)
其中，a为点扩散函数PSF的实部，b为PSF的虚部；i(x+jy)为低分辨的图像的幅值；c为仿真的更低分辨THz图像l的实部，d为l的虚部；
构建复数域神经网络，包括：依次连接的输入层、卷积层、激活层、输出层。通过如图2所示的五层的复值自学习神经网络学习低分辨THz图像i(x+jy)与更低分辨的图像l(c+jd)之间的映射关系，通过计算损失函数反向传播调整卷积层的复数卷积核W(A+jB)，得到网络模型，其中复数卷积操作可转换为：
i(x+jy)*W(A+jB)＝(i(x)*W(A)-i(y)*W(B))+j(i(x)*W(B)+i(y)*W(A)) (3)
所用的激活函数为复数域ReLU函数：
其中，
为i的特征图的相位。
在本例中选用大小为256*256的多啦A梦卡通图像作为高分辨率的原始样本图像，并且将迭代次数设置为2000次。通过得到的映射关系，从输入的低分辨THz图像中恢复高分辨率的图像，高分辨率的原始样本图像、仿真的低分辨THz图像、复值自学习网络的恢复图像分别如图3中原图、模糊图像、零样本复数所示。
为了公平比较该方法的超分辨性能通过实现相同网络结构的实值自学习网络学习上述低分辨THz图像与更低分辨的图像幅值之间的映射关系；通过学习到的映射关系将输入的低分辨THz图像恢复成高分辨率的图像，验证算法的有效性。实值自学习网络的恢复图像如图3中零样本实数所示。
为了量化本发明所提方法的超分辨能力，通过有参考信号质量评价方法对仿真的低分辨THz数据的超分辨结果进行评价。峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)越高说明图像的失真越小；均方误差(Mean-Square Error,MSE)越小说明恢复的图像与原图像差距越小，恢复效果越好，结构相似(Structural Similarity,SSIM)性越高说明恢复的图像与原图像差距越小。复值零样本与实值零样本超分辨重建的对比数据如表1所示，可见本发明方法具有更好的超分辨重建性能。
表1
本发明通过无监督学习的方法学习低分辨THz图像本身与其降质的更低分辨率图像之间的映射关系，并通过学到的映射恢复该低分辨THz图像的高分辨率图像
本发明不需要任何额外的信息、属性以及成对的训练数据，通过学习图像自身退化对应的映射关系实现THz图像的超分辨重建。
本发明从物理的角度出发，考虑到波动性，充分利用复振幅信息，并结合复数卷积核的表征能力，首次提出实现复数域零样本学习超分辨算法，且在THz图像超分辨中验证了该方法的有效性。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (9)
1.一种基于复数域零样本学习的太赫兹图像超分辨重建方法，其特征在于，包括以下步骤：
步骤1：测量或计算太赫兹成像系统的点扩散函数的幅度和相位；
步骤2：通过复数域图像降质模型与实际测量的点扩展函数进行卷积操作，依次仿真低分辨THz图像i、更低分辨的图像l；
步骤3：构建轻量级的复值CNN学习网络，学习低分辨THz图像i与更低分辨的图像l之间的映射关系，得到网络模型；
步骤4：将实际的低分辨THz图像输入步骤3得到的网络模型中，获取对应恢复的高分辨率的图像。
2.根据权利要求1所述的一种基于复数域零样本学习的太赫兹图像超分辨重建方法，其特征在于，所述的太赫兹成像系统为反射式或透射式，均能够同时获取成像数据的幅值和相位信息。
3.根据权利要求1所述的一种基于复数域零样本学习的太赫兹图像超分辨重建方法，其特征在于，所述仿真的THz图像来源于采集的高分辨率图像，适用于不同的像素规格。
4.根据权利要求1所述的一种基于复数域零样本学习的太赫兹图像超分辨重建方法，其特征在于，所述复数域图像降质模型可以表示为：
相对低分辨率图像＝相对高分辨率图像的幅值o*实际测量的点扩展函数PSF(a+jb)；
其中，a为点扩散函数PSF的实部，b为PSF的虚部；o为采集的高分辨率图像的幅值。
5.根据权利要求4所述的一种基于复数域零样本学习的太赫兹图像超分辨重建方法，其特征在于，所述仿真的低分辨THz图像i：
i(x+jy)＝o*PSF(a+jb) (1)
其中，a为点扩散函数PSF的实部，b为PSF的虚部；o为原始图像的幅值；x为仿真的低分辨THz图像i的实部，y为i的虚部。
6.根据权利要求5所述的一种基于复数域零样本学习的太赫兹图像超分辨重建方法，其特征在于，所述仿真的更低分辨的图像l：
l(c+jd)＝i(x+jy)*PSF(a+jb) (2)
其中，a为点扩散函数PSF的实部，b为PSF的虚部；i(x+jy)为低分辨的图像的幅值；c为仿真的更低分辨THz图像l的实部，d为l的虚部。
7.根据权利要求1所述的一种基于复数域零样本学习的太赫兹图像超分辨重建方法，其特征在于，所述构建复值自学习网络，包括依次连接的输入层、卷积层、激活层、输出层。
8.根据权利要求7所述的一种基于复数域零样本学习的太赫兹图像超分辨重建方法，其特征在于，所述复数卷积操作可转换为：
i(x+jy)*W(A+jB)＝(i(x)*W(A)-i(y)*W(B))+j(i(x)*W(B)+i(y)*W(A)) (3)
其中，W(A+jB)为卷积层的复数卷积核，A为W的实部，B为W的虚部。
9.根据权利要求7所述的一种基于复数域零样本学习的太赫兹图像超分辨重建方法，其特征在于，所述学习低分辨THz图像i与更低分辨的图像l之间的映射关系，包括：
将更低分辨的图像l输入构建的轻量级的复值CNN学习网络，将网络输出的学习图像与低分辨THz图像i比较，计算损失函数并反向传播调整卷积层的复数卷积核W(A+jB)，得到网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110167868.0A CN112907444B (zh) | 2021-02-07 | 2021-02-07 | 一种基于复数域零样本学习的太赫兹图像超分辨重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110167868.0A CN112907444B (zh) | 2021-02-07 | 2021-02-07 | 一种基于复数域零样本学习的太赫兹图像超分辨重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907444A true CN112907444A (zh) | 2021-06-04 |
| CN112907444B CN112907444B (zh) | 2024-03-22 |
Family
ID=76123675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110167868.0A Active CN112907444B (zh) | 2021-02-07 | 2021-02-07 | 一种基于复数域零样本学习的太赫兹图像超分辨重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907444B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114037609A (zh) * | 2021-10-21 | 2022-02-11 | 中国科学院沈阳自动化研究所 | 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170293825A1 (en) * | 2016-04-08 | 2017-10-12 | Wuhan University | Method and system for reconstructing super-resolution image |
| CN107833180A (zh) * | 2017-10-27 | 2018-03-23 | 北京大学 | 一种利用复数域神经网络快速求解非线性电磁逆散射问题的方法 |
| CN110400282A (zh) * | 2018-04-24 | 2019-11-01 | 中国科学院沈阳自动化研究所 | 一种高分辨太赫兹图像处理方法 |
| US20200034948A1 (en) * | 2018-07-27 | 2020-01-30 | Washington University | Ml-based methods for pseudo-ct and hr mr image estimation |
| JP2020027504A (ja) * | 2018-08-14 | 2020-02-20 | 日本電信電話株式会社 | 物体認識装置、物体認識学習装置、方法、及びプログラム |
| CN111090102A (zh) * | 2018-10-08 | 2020-05-01 | 中国科学院沈阳自动化研究所 | 一种超分辨反射式太赫兹三维目标重建成像方法 |
| US20200167897A1 (en) * | 2016-09-30 | 2020-05-28 | Kiarash Ahi | Method and System for Enhancing Resolution of Terahertz Imaging |
| CN111260556A (zh) * | 2020-01-16 | 2020-06-09 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度卷积神经网络的傅里叶叠层显微重建方法 |
| CN111696042A (zh) * | 2020-06-04 | 2020-09-22 | 四川轻化工大学 | 基于样本学习的图像超分辨重建方法 |
| CN111754403A (zh) * | 2020-06-15 | 2020-10-09 | 南京邮电大学 | 一种基于残差学习的图像超分辨率重构方法 |
-
2021
- 2021-02-07 CN CN202110167868.0A patent/CN112907444B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170293825A1 (en) * | 2016-04-08 | 2017-10-12 | Wuhan University | Method and system for reconstructing super-resolution image |
| US20200167897A1 (en) * | 2016-09-30 | 2020-05-28 | Kiarash Ahi | Method and System for Enhancing Resolution of Terahertz Imaging |
| CN107833180A (zh) * | 2017-10-27 | 2018-03-23 | 北京大学 | 一种利用复数域神经网络快速求解非线性电磁逆散射问题的方法 |
| CN110400282A (zh) * | 2018-04-24 | 2019-11-01 | 中国科学院沈阳自动化研究所 | 一种高分辨太赫兹图像处理方法 |
| US20200034948A1 (en) * | 2018-07-27 | 2020-01-30 | Washington University | Ml-based methods for pseudo-ct and hr mr image estimation |
| JP2020027504A (ja) * | 2018-08-14 | 2020-02-20 | 日本電信電話株式会社 | 物体認識装置、物体認識学習装置、方法、及びプログラム |
| CN111090102A (zh) * | 2018-10-08 | 2020-05-01 | 中国科学院沈阳自动化研究所 | 一种超分辨反射式太赫兹三维目标重建成像方法 |
| CN111260556A (zh) * | 2020-01-16 | 2020-06-09 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度卷积神经网络的傅里叶叠层显微重建方法 |
| CN111696042A (zh) * | 2020-06-04 | 2020-09-22 | 四川轻化工大学 | 基于样本学习的图像超分辨重建方法 |
| CN111754403A (zh) * | 2020-06-15 | 2020-10-09 | 南京邮电大学 | 一种基于残差学习的图像超分辨率重构方法 |
Non-Patent Citations (3)
| Title |
|---|
| LIU PENGFEI，ET AL: "Image Super-Resolution Based on Convolutional Neural Network", COMPUTER ENGINEERING AND APPLICATIONS, vol. 55, no. 9, pages 197 - 202 * |
| 亓琳等: ".高分辨雷达/红外成像复合系统的空间配准方法", 红外与激光工程, vol. 40, no. 06, pages 1181 - 1186 * |
| 王梓欣;牟叶;王德睿;: "基于深度学习的单图像超分辨算法比较探究", 电子技术与软件工程, no. 07, pages 104 - 106 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114037609A (zh) * | 2021-10-21 | 2022-02-11 | 中国科学院沈阳自动化研究所 | 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法 |
| CN114037609B (zh) * | 2021-10-21 | 2024-04-19 | 中国科学院沈阳自动化研究所 | 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907444B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110675347B (zh) | 一种基于组稀疏表示的图像盲复原方法 | |
| Wang et al. | High-quality image compressed sensing and reconstruction with multi-scale dilated convolutional neural network | |
| Wei | Image super‐resolution reconstruction using the high‐order derivative interpolation associated with fractional filter functions | |
| CN111340183B (zh) | 基于深度学习的散射成像装置和方法 | |
| 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 | |
| CN112435162B (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
| Shi et al. | Deep prior-based sparse representation model for diffraction imaging: A plug-and-play method | |
| CN112163998A (zh) | 一种匹配自然降质条件的单图像超分辨率分析方法 | |
| Yang et al. | License plate image super-resolution based on convolutional neural network | |
| CN114418883A (zh) | 一种基于深度先验的盲图像去模糊方法 | |
| WO2023109719A1 (zh) | 一种太赫兹单像素超分辨成像方法和系统 | |
| CN112525851A (zh) | 一种太赫兹单像素成像方法及其系统 | |
| Nelson et al. | Performance evaluation of multi-frame super-resolution algorithms | |
| WO2023193461A1 (zh) | 一种太赫兹单像素成像方法与系统 | |
| Iwasokun et al. | Image enhancement methods: a review | |
| CN112907444B (zh) | 一种基于复数域零样本学习的太赫兹图像超分辨重建方法 | |
| Bini | Image restoration via DOST and total variation regularisation | |
| CN117455770A (zh) | 基于逐层上下文信息聚合网络的轻量级图像超分辨率方法 | |
| Zhang et al. | Optimization-inspired Cumulative Transmission Network for image compressive sensing | |
| CN114782242A (zh) | 高频超声图像重建方法、存储介质及计算机设备 | |
| Xiao et al. | Image reconstruction based on fused features and perceptual loss encoder-decoder residual network for space optical remote sensing images compressive sensing | |
| Rafi et al. | Learning to sense and reconstruct a class of signals | |
| Jeyaprakash et al. | Linearly uncorrelated principal component and deep convolutional image deblurring for natural images | |
| Shi et al. | Blind multi-image super-resolution based on combination of ANN learning and non-subsampled Contourlet directional image representation | |
| Zhao et al. | A practical super-resolution method for multi-degradation remote sensing images with deep convolutional neural networks |
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 |