CN116309052A - 基于四像素均方根函数的图像超分辨率快速重建方法 - Google Patents
基于四像素均方根函数的图像超分辨率快速重建方法 Download PDFInfo
- Publication number
- CN116309052A CN116309052A CN202310198232.1A CN202310198232A CN116309052A CN 116309052 A CN116309052 A CN 116309052A CN 202310198232 A CN202310198232 A CN 202310198232A CN 116309052 A CN116309052 A CN 116309052A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- input image
- mean square
- root mean
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010408 sweeping Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 abstract description 3
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明旨在提供一种基于四像素均方根函数的图像超分辨率快速重建方法,包括以下步骤:A、对输入图像展开线性变换,将输入图像中所有像素点用设置的最大灰度值来进行减法运算,从而将输入图像中较亮与较暗处互换,完成输入图像的反转变换;B、建立2×2的滑窗,作为四像素框,构建四像素均方根函数,公式如下:C、用四像素框对输入图像进行掠扫,得到处理图像;D、将处理图像的灰度值进行反转变换,将输入图像中所有像素点用设置的最大灰度值来进行减法运算,使其较亮与较暗处互换,得到最终输出结果。本发明能够再快速、低计算量的同时,获得较高细节保真的无限放大图。
Description
技术领域
本发明涉及图像处理领域,尤其是图像超分辨率重建的技术领域,具体涉及一种基于四像素均方根函数的图像超分辨率快速重建方法。
背景技术
分辨率是评价图像质量的重要指标之一,较高分辨率的图像,意味着能提供更丰富的细节信息,具有更好的视觉效果和图像质量;但在现实中,由于成像系统硬件条件的限制、再加上噪声、聚焦偏离等因素的影响,我们获得的图像往往分辨率低下、不能满足实际应用需求,且存在噪声、模糊等现象。
图像超分辨率重建,能利用现有的设备,采用信号处理技术,通过软件手段突破成像系统固有的分辨率限制,由低分辨率图像,重建出具有较高分辨率的图像,达到改善图像质量和视觉效果的目的;具体为:可以改善由于图像降晰、离散化引起的空间分辨率下降,发掘现有图像数据(如多角度、多时相、多平台遥感图像,序列图像等)的潜力,突破图像获取手段的空间分辨率极限,效果显著,应用方便,代价低廉。
目前,超分辨率图像重建技术研究中,基于正则化的重建方法和基于统计的重建方法是较为常用、效果也较好的主流方法。
另外,目前市场上,基于四像素均方根函数的图像超分辨率快速重建方法是结合图像和模糊的先验知识对问题进行处理,根据退化图像序列的前向模型,求解最小化泛函以得到高分辨率图像。但运算量大、收敛较慢,高分辨率图像的细节容易被平滑掉。
发明内容
本发明旨在提供一种基于四像素均方根函数的图像超分辨率快速重建方法,该方法能够克服现有技术的上述缺点,能够在快速并且低计算量的同时,获得较高细节保真的无限放大图。
本发明的技术方案如下:
所述的基于四像素均方根函数的图像超分辨率快速重建方法,包括以下步骤:
A、对输入图像展开线性变换,将输入图像中所有像素点用设置的最大灰度值来进行减法运算,从而将输入图像中较亮与较暗处互换,完成输入图像的反转变换;
B、建立2×2的滑窗,作为四像素框,构建四像素均方根函数,公式如下:
其中,n为像素点纵向的放大倍数,t为像素点横向的放大倍数,x为开方根指数,A为四像素框左上角像素灰度,B为四像素框右上角像素灰度,C为四像素框左下角像素灰度,D为四像素框右下角像素灰度;
C、用四像素框对输入图像进行掠扫,得到处理图像;
D、将处理图像的灰度值进行反转变换,将输入图像中所有像素点用设置的最大灰度值来进行减法运算,使其较亮与较暗处互换,得到最终输出结果。
所述的公式(1)中,x取值为x取值为n*t/y,y=3-8。
所述的步骤C中,掠扫过程为:从左上角或者右上角开始,每次平移一个像素点,到达另一端后,进行换行,然后反向平移一个像素点,依次类推将整个图像处理完,得到处理图像。
本发明的方法利用基于统计原理,把超分辨率重建问题看成统计估计问题,运用概率统计中的均方根函数,在已知低分辨率图像序列的条件下,使出现高分辨率图像的后验概率达到最大,将不适定性重建问题转化为适定性重建问题,同时实现数据保真和边缘保持的高分辨率图像重建。
本发明的方法基于四像素均方根函数的图像超分辨率快速重建方法是比像素更小的度量方式,利用像素灰度值的变化,得到像素变化趋势。
本发明提出一种新的四像素均方根函数用于灰度值计算,该公式能够在保证放大后平滑不失真的前提下,使同等放大倍数时计算量达到最小,同等计算量时效果最优,从而得到一个保留细节平滑的矢量化图像。
附图说明
图1为输入的原始图像;
图2为将原始图像放大后的图像。
具体实施方式
下面结合附图和实施例具体说明本发明。
实施例1
所述的基于四像素均方根函数的图像超分辨率快速重建方法,包括以下步骤:
所述的基于四像素均方根函数的图像超分辨率快速重建方法,包括以下步骤:
A、对输入图像展开线性变换,将输入图像中所有像素点用设置的最大灰度值来进行减法运算,从而将输入图像中较亮与较暗处互换,完成输入图像的反转变换;本实施例中最大灰度值设置为256;
B、建立2×2的滑窗,作为四像素框,构建四像素均方根函数,公式如下:
其中,n为像素点纵向的放大倍数,本实施例中取值为100;t为像素点横向的放大倍数,本实施例中取值为100;x为开方根指数,本实施例中x取值为n*t/6;A为四像素框左上角像素灰度,B为四像素框右上角像素灰度,C为四像素框左下角像素灰度,D为四像素框右下角像素灰度;
C、用四像素框对输入图像进行掠扫,掠扫过程为:从左上角或者右上角开始,每次平移一个像素点,到达另一端后,进行换行,然后反向平移一个像素点,依次类推将整个图像处理完,得到处理图像;
D、将处理图像的灰度值进行反转变换,将输入图像中所有像素点用设置的最大灰度值来进行减法运算,使其较亮与较暗处互换,得到最终输出结果。
实施例2
以实施例1方法对塑料零件图片进行放大处理,具体结果见图1和图2,图1为零件原始图片,图2为放大后图片。
从图1和图2对比可知,图1放大后,图像更为清晰,平滑而且不失真。
Claims (3)
1.一种基于四像素均方根函数的图像超分辨率快速重建方法,其特征在于,包括以下步骤:
A、对输入图像展开线性变换,将输入图像中所有像素点用设置的最大灰度值来进行减法运算,从而将输入图像中较亮与较暗处互换,完成输入图像的反转变换;
B、建立2×2的滑窗,作为四像素框,构建四像素均方根函数,公式如下:
其中,n为像素点纵向的放大倍数,t为像素点横向的放大倍数,x为开方根指数,A为四像素框左上角像素灰度,B为四像素框右上角像素灰度,C为四像素框左下角像素灰度,D为四像素框右下角像素灰度;
C、用四像素框对输入图像进行掠扫,得到处理图像;
D、将处理图像的灰度值进行反转变换,将输入图像中所有像素点用设置的最大灰度值来进行减法运算,使其较亮与较暗处互换,得到最终输出结果。
2.如权利要求1所述的基于四像素均方根函数的图像超分辨率快速重建方法,其特征在于:
所述的公式(1)中,x取值为n*t/y,y=3-8。
3.如权利要求1所述的基于四像素均方根函数的图像超分辨率快速重建方法,其特征在于:
所述的步骤C中,掠扫过程为:从左上角或者右上角开始,每次平移一个像素点,到达另一端后,进行换行,然后反向平移一个像素点,依次类推将整个图像处理完,得到处理图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310198232.1A CN116309052A (zh) | 2023-03-03 | 2023-03-03 | 基于四像素均方根函数的图像超分辨率快速重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310198232.1A CN116309052A (zh) | 2023-03-03 | 2023-03-03 | 基于四像素均方根函数的图像超分辨率快速重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116309052A true CN116309052A (zh) | 2023-06-23 |
Family
ID=86795501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310198232.1A Pending CN116309052A (zh) | 2023-03-03 | 2023-03-03 | 基于四像素均方根函数的图像超分辨率快速重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309052A (zh) |
-
2023
- 2023-03-03 CN CN202310198232.1A patent/CN116309052A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | LightenNet: A convolutional neural network for weakly illuminated image enhancement | |
Chandel et al. | Image filtering algorithms and techniques: A review | |
CN108346133B (zh) | 一种面向视频卫星超分辨率重建的深度学习网络训练方法 | |
CN110634147B (zh) | 基于双边引导上采样的图像抠图方法 | |
CN107563965A (zh) | 基于卷积神经网络的jpeg压缩图像超分辨率重建方法 | |
CN107123094B (zh) | 一种混合泊松、高斯和脉冲噪声的视频去噪方法 | |
CN106169173B (zh) | 一种图像插值方法 | |
CN106169174B (zh) | 一种图像放大方法 | |
CN112419150B (zh) | 一种基于双边上采样网络的任意倍数图像超分辨率重建方法 | |
CN107292819A (zh) | 一种基于边缘细节保护的红外图像超分辨率重建方法 | |
CN116797462B (zh) | 基于深度学习的实时视频超分辨率重建方法 | |
CN103903239B (zh) | 一种视频超分辨率重建方法及其系统 | |
Sekar et al. | An approach of image scaling using DWT and bicubic interpolation | |
CN112837220B (zh) | 一种提高红外图像分辨率的方法及其用途 | |
CN110288529A (zh) | 一种基于递归局部合成网络的单幅图像超分辨率重建方法 | |
CN114022809A (zh) | 基于改进自编码网络的视频运动放大方法 | |
CN110443754B (zh) | 一种数字图像分辨率提升的方法 | |
Li et al. | RGSR: A two-step lossy JPG image super-resolution based on noise reduction | |
CN116309052A (zh) | 基于四像素均方根函数的图像超分辨率快速重建方法 | |
CN113298714B (zh) | 一种基于深度学习的图像跨尺度超分辨率方法 | |
CN102831583B (zh) | 基于分形分析的图像视频超分辨率与增强方法 | |
CN113674154B (zh) | 一种基于生成对抗网络的单幅图像超分辨率重建方法及系统 | |
CN108492264B (zh) | 一种基于sigmoid变换的单帧图像快速超分辨方法 | |
Khan et al. | Realization of Balanced Contrast Limited Adaptive Histogram Equalization (B-CLAHE) for Adaptive Dynamic Range Compression of Real Time Medical Images | |
CN108364258B (zh) | 一种提高图像分辨率的方法及系统 |
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 |