CN119359552B - 一种图像超分辨方法 - Google Patents
一种图像超分辨方法 Download PDFInfo
- Publication number
- CN119359552B CN119359552B CN202411896744.6A CN202411896744A CN119359552B CN 119359552 B CN119359552 B CN 119359552B CN 202411896744 A CN202411896744 A CN 202411896744A CN 119359552 B CN119359552 B CN 119359552B
- Authority
- CN
- China
- Prior art keywords
- resolution
- color
- low
- image
- pixel
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像超分辨方法，属于图像处理技术领域，包括以下步骤：S1、获取原始低分辨图像，确定分辨阈值，利用分辨阈值生成低分辨数据集；S2、利用色彩迭代模型对低分辨数据集进行若干次迭代学习，得到超分辨因子；S3、利用超分辨因子，对原始低分辨图像进行处理。本发明可以对低分辨图像的像素情况进行复原，提高色彩饱和度，还原像素的细节，实现更准确的图像重建。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种图像超分辨方法。
背景技术
随着信息技术的飞速发展，电子图像已成为人们传递信息的重要手段。然而，受传统数字成像设备的固有限制，难以获得理想的高分辨率图像，因此如何获取更高质量的图像成为一个日益紧迫的问题。图像超分辨技术作为一种有效的图像复原手段，成功突破了物理成像环境的限制，能够以最低成本从一幅或多幅低分辨率图像中重建出高于成像系统物理分辨率的高质量图像，是解决上述难题的关键。然而现有图像超分辨方法计算复杂度很高，实时性差，实际应用范围受到限制。
发明内容
本发明为了解决以上问题，提出了一种图像超分辨方法。
本发明的技术方案是：一种图像超分辨方法包括以下步骤：
S1、获取原始低分辨图像，确定分辨阈值，利用分辨阈值生成低分辨数据集；
S2、利用色彩迭代模型对低分辨数据集进行若干次迭代学习，得到超分辨因子；
S3、利用超分辨因子，对原始低分辨图像进行处理。
进一步地，S1包括以下子步骤：
S11、获取原始低分辨图像，对原始低分辨图像进行采样处理，确定各个像素点的颜色值；
S12、利用核函数对各个像素点的颜色值进行特征处理；
S13、将各个像素点进行特征处理后的颜色值映射为高维空间；
S14、根据各个像素点的高维空间以及张量，生成分辨阈值；
S15、将颜色值小于分辨阈值的像素点作为低分辨数据集。
上述进一步方案的有益效果是：在本发明中，图像张量是一种多维数组，用于表示图像数据，其形状为（高度，宽度，通道数）。本发明利用像素点的RGB三色分量作为核函数的输入参数，对颜色值进行特征处理，并利用特征处理后的颜色值和透明度为像素点构成高维空间。接着，本发明利用均为三维向量形式的高维空间和张量生成整个图像的分辨阈值，提取低分辨数据集。
进一步地，S12中，核函数K的表达式为：
；式中，v表示Sigmoid核的第一超参数，u表示Sigmoid核的第二超参数，tanh(·)表示激活函数，r表示像素点的颜色值对应的红色分量，g表示像素点的颜色值对应的绿色分量，b表示像素点的颜色值对应的蓝色分量。
上述进一步方案的有益效果是：在本发明中，Sigmoid核包含如v和c这样的超参数，这些超参数在模型训练过程中需要进行调整和优化。
进一步地，S13中，像素点的高维空间G的表达式为：
；式中，z表示像素点进行特征处理后的颜色值，t表示像素点进行特征处理后的透明度。
进一步地，S14中，分辨阈值S的计算公式为：
；式中，Gj表示第j个像素点的高维空间，Zj表示第j个像素点的张量，||·||2表示F2范数运算，×表示向量的外积运算，J表示原始低分辨图像的像素点数量。
进一步地，S2包括以下子步骤：
S21、计算低分辨数据集中所有像素点的颜色值的标准差，作为色彩迭代初值；
S22、构建色彩迭代模型，利用色彩迭代模型计算低分辨数据集与原始低分辨图像之间的色彩平衡度，若色彩平衡度大于或等于色彩迭代初值，则将色彩迭代初值作为超分辨因子，否则进入S23；
S23、从低分辨数据集中随机选择一半像素点的颜色值进行复制，作为最新低分辨数据集，利用色彩迭代模型计算最新低分辨数据集与原始低分辨图像之间的色彩平衡度；
S24、重复步骤S23，直至色彩平衡度大于或等于色彩迭代初值，并将此时的色彩平衡度作为超分辨因子。
上述进一步方案的有益效果是：在本发明中，对于彩色图像而言，低分辨图像的像素点可能具有较少的色彩信息，具体表现为图像的色彩饱和度降低以及色彩过渡不够平滑等。本发明根据低分辨数据集与原始低分辨图像之间的色彩平衡度，确定超分辨因子，在色彩平衡度小于色彩迭代值，对低分辨数据集的元素进行扩容，增大集合的范围，直至色彩平衡度大于或等于色彩迭代初值，确定超分辨因子。
进一步地，S22中，色彩迭代模型D的表达式为：
；式中，表示低分辨数据集中第1个像素点的颜色值，表示低分辨数据集中第k个像素点的颜色值，表示低分辨数据集中第K个像素点的颜色值，C1表示原始低分辨图像第1个像素点的颜色值，Cj表示原始低分辨图像第j个像素点的颜色值，CJ表示原始低分辨图像第J个像素点的颜色值，K表示低分辨数据集的像素点数量，J表示原始低分辨图像的像素点数量，max(·)表示最大值函数，ε表示色彩迭代模型的学习率。
进一步地，S3包括以下子步骤：
S31、根据超分辨因子，生成缩放因子；
S32、基于缩放因子，利用Lanczos插值方法对原始低分辨图像进行处理。
进一步地，S31中，缩放因子a的计算公式为：
；式中，A表示超分辨因子，c表示常数，表示向上取整。
上述进一步方案的有益效果是：在本发明中，Lanczos插值是一种常见的像素插值算法，通过构建Lanczos滤波器，以获得插值结果，完成图像超分辨处理。缩放因子作为Lanczos插值的关键参数，用于指定图像放大的倍数。缩放因子的选择应根据实际需求来确定，过大的缩放因子可能导致图像质量下降。
本发明的有益效果是：本发明提出了一种图像超分辨方法，对原始低分辨图像提取分辨阈值，分辨阈值结合了像素点的高维空间和张量，将颜色值小于分辨阈值的像素点作为低分辨数据集；通过对低分辨数据集的容量进行扩充，得到具有颜色值代表性的超分辨因子，利用超分辨因子为原始低分辨图像生成特定的缩放因子，完成图像超分辨处理。本发明可以对低分辨图像的像素情况进行复原，提高色彩饱和度，还原像素的细节，实现更准确的图像重建。
附图说明
图1为图像超分辨方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种图像超分辨方法，包括以下步骤：
S1、获取原始低分辨图像，确定分辨阈值，利用分辨阈值生成低分辨数据集；
S2、利用色彩迭代模型对低分辨数据集进行若干次迭代学习，得到超分辨因子；
S3、利用超分辨因子，对原始低分辨图像进行处理。
在本发明实施例中，S1包括以下子步骤：
S11、获取原始低分辨图像，对原始低分辨图像进行采样处理，确定各个像素点的颜色值；
S12、利用核函数对各个像素点的颜色值进行特征处理；
S13、将各个像素点进行特征处理后的颜色值映射为高维空间；
S14、根据各个像素点的高维空间以及张量，生成分辨阈值；
S15、将颜色值小于分辨阈值的像素点作为低分辨数据集。
在本发明中，图像张量是一种多维数组，用于表示图像数据，其形状为（高度，宽度，通道数）。本发明利用像素点的RGB三色分量作为核函数的输入参数，对颜色值进行特征处理，并利用特征处理后的颜色值和透明度为像素点构成高维空间。接着，本发明利用均为三维向量形式的高维空间和张量生成整个图像的分辨阈值，提取低分辨数据集。
在本发明实施例中，S12中，核函数K的表达式为：
；式中，v表示Sigmoid核的第一超参数，u表示Sigmoid核的第二超参数，tanh(·)表示激活函数，r表示像素点的颜色值对应的红色分量，g表示像素点的颜色值对应的绿色分量，b表示像素点的颜色值对应的蓝色分量。
在本发明中，Sigmoid核包含如v和c这样的超参数，这些超参数在模型训练过程中需要进行调整和优化。
在本发明实施例中，S13中，像素点的高维空间G的表达式为：
；式中，z表示像素点进行特征处理后的颜色值，t表示像素点进行特征处理后的透明度。
在本发明实施例中，S14中，分辨阈值S的计算公式为：
；式中，Gj表示第j个像素点的高维空间，Zj表示第j个像素点的张量，||·||2表示F2范数运算，×表示向量的外积运算，J表示原始低分辨图像的像素点数量。
在本发明实施例中，S2包括以下子步骤：
S21、计算低分辨数据集中所有像素点的颜色值的标准差，作为色彩迭代初值；
S22、构建色彩迭代模型，利用色彩迭代模型计算低分辨数据集与原始低分辨图像之间的色彩平衡度，若色彩平衡度大于或等于色彩迭代初值，则将色彩迭代初值作为超分辨因子，否则进入S23；
S23、从低分辨数据集中随机选择一半像素点的颜色值进行复制，作为最新低分辨数据集，利用色彩迭代模型计算最新低分辨数据集与原始低分辨图像之间的色彩平衡度；
S24、重复步骤S23，直至色彩平衡度大于或等于色彩迭代初值，并将此时的色彩平衡度作为超分辨因子。
在本发明中，对于彩色图像而言，低分辨图像的像素点可能具有较少的色彩信息，具体表现为图像的色彩饱和度降低以及色彩过渡不够平滑等。本发明根据低分辨数据集与原始低分辨图像之间的色彩平衡度，确定超分辨因子，在色彩平衡度小于色彩迭代值，对低分辨数据集的元素进行扩容，增大集合的范围，直至色彩平衡度大于或等于色彩迭代初值，确定超分辨因子。
在本发明实施例中，S22中，色彩迭代模型D的表达式为：
；式中，表示低分辨数据集中第1个像素点的颜色值，表示低分辨数据集中第k个像素点的颜色值，表示低分辨数据集中第K个像素点的颜色值，C1表示原始低分辨图像第1个像素点的颜色值，Cj表示原始低分辨图像第j个像素点的颜色值，CJ表示原始低分辨图像第J个像素点的颜色值，K表示低分辨数据集的像素点数量，J表示原始低分辨图像的像素点数量，max(·)表示最大值函数，ε表示色彩迭代模型的学习率。
在本发明实施例中，S3包括以下子步骤：
S31、根据超分辨因子，生成缩放因子；
S32、基于缩放因子，利用Lanczos插值方法对原始低分辨图像进行处理。
在本发明实施例中，S31中，缩放因子a的计算公式为：
；式中，A表示超分辨因子，c表示常数，表示向上取整。
在本发明中，Lanczos插值是一种常见的像素插值算法，通过构建Lanczos滤波器，以获得插值结果，完成图像超分辨处理。缩放因子作为Lanczos插值的关键参数，用于指定图像放大的倍数。缩放因子的选择应根据实际需求来确定，过大的缩放因子可能导致图像质量下降。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种图像超分辨方法，其特征在于，包括以下步骤：
S1、获取原始低分辨图像，确定分辨阈值，利用分辨阈值生成低分辨数据集；
S2、利用色彩迭代模型对低分辨数据集进行若干次迭代学习，得到超分辨因子；
S3、利用超分辨因子，对原始低分辨图像进行处理；
所述S2包括以下子步骤：
S21、计算低分辨数据集中所有像素点的颜色值的标准差，作为色彩迭代初值；
S22、构建色彩迭代模型，利用色彩迭代模型计算低分辨数据集与原始低分辨图像之间的色彩平衡度，若色彩平衡度大于或等于色彩迭代初值，则将色彩迭代初值作为超分辨因子，否则进入S23；
S23、从低分辨数据集中随机选择一半像素点的颜色值进行复制，作为最新低分辨数据集，利用色彩迭代模型计算最新低分辨数据集与原始低分辨图像之间的色彩平衡度；
S24、重复步骤S23，直至色彩平衡度大于或等于色彩迭代初值，并将此时的色彩平衡度作为超分辨因子。
2.根据权利要求1所述的图像超分辨方法，其特征在于，所述S1包括以下子步骤：
S11、获取原始低分辨图像，对原始低分辨图像进行采样处理，确定各个像素点的颜色值；
S12、利用核函数对各个像素点的颜色值进行特征处理；
S13、将各个像素点进行特征处理后的颜色值映射为高维空间；
S14、根据各个像素点的高维空间以及张量，生成分辨阈值；
S15、将颜色值小于分辨阈值的像素点作为低分辨数据集。
3.根据权利要求2所述的图像超分辨方法，其特征在于，所述S12中，核函数K的表达式为：
；式中，v表示Sigmoid核的第一超参数，u表示Sigmoid核的第二超参数，tanh(·)表示激活函数，r表示像素点的颜色值对应的红色分量，g表示像素点的颜色值对应的绿色分量，b表示像素点的颜色值对应的蓝色分量。
4.根据权利要求2所述的图像超分辨方法，其特征在于，所述S13中，像素点的高维空间G的表达式为：
；式中，z表示像素点进行特征处理后的颜色值，t表示像素点进行特征处理后的透明度。
5.根据权利要求2所述的图像超分辨方法，其特征在于，所述S14中，分辨阈值S的计算公式为：
；式中，Gj表示第j个像素点的高维空间，Zj表示第j个像素点的张量，||·||2表示F2范数运算，×表示向量的外积运算，J表示原始低分辨图像的像素点数量。
6.根据权利要求1所述的图像超分辨方法，其特征在于，所述S22中，色彩迭代模型D的表达式为：
；式中，表示低分辨数据集中第1个像素点的颜色值，表示低分辨数据集中第k个像素点的颜色值，表示低分辨数据集中第K个像素点的颜色值，C1表示原始低分辨图像第1个像素点的颜色值，Cj表示原始低分辨图像第j个像素点的颜色值，CJ表示原始低分辨图像第J个像素点的颜色值，K表示低分辨数据集的像素点数量，J表示原始低分辨图像的像素点数量，max(·)表示最大值函数，ε表示色彩迭代模型的学习率。
7.根据权利要求1所述的图像超分辨方法，其特征在于，所述S3包括以下子步骤：
S31、根据超分辨因子，生成缩放因子；
S32、基于缩放因子，利用Lanczos插值方法对原始低分辨图像进行处理。
8.根据权利要求7所述的图像超分辨方法，其特征在于，所述S31中，缩放因子a的计算公式为：
；式中，A表示超分辨因子，c表示常数，表示向上取整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411896744.6A CN119359552B (zh) | 2024-12-23 | 2024-12-23 | 一种图像超分辨方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411896744.6A CN119359552B (zh) | 2024-12-23 | 2024-12-23 | 一种图像超分辨方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN119359552A CN119359552A (zh) | 2025-01-24 |
| CN119359552B true CN119359552B (zh) | 2025-03-25 |
Family
ID=94312757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411896744.6A Active CN119359552B (zh) | 2024-12-23 | 2024-12-23 | 一种图像超分辨方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN119359552B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108550111A (zh) * | 2018-03-30 | 2018-09-18 | 西安工程大学 | 一种基于多级字典学习的残差实例回归超分辨重建方法 |
| CN115941912A (zh) * | 2022-11-28 | 2023-04-07 | 歌尔科技有限公司 | 视觉色彩补偿方法、设备及计算机可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2496393B (en) * | 2011-11-09 | 2016-08-24 | Canon Kk | Method and device for generating a super-resolution image portion |
| CN109615576B (zh) * | 2018-06-28 | 2023-07-21 | 北京元点未来科技有限公司 | 基于级联回归基学习的单帧图像超分辨重建方法 |
-
2024
- 2024-12-23 CN CN202411896744.6A patent/CN119359552B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108550111A (zh) * | 2018-03-30 | 2018-09-18 | 西安工程大学 | 一种基于多级字典学习的残差实例回归超分辨重建方法 |
| CN115941912A (zh) * | 2022-11-28 | 2023-04-07 | 歌尔科技有限公司 | 视觉色彩补偿方法、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN119359552A (zh) | 2025-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111754403B (zh) | 一种基于残差学习的图像超分辨率重构方法 | |
| CN108734659B (zh) | 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法 | |
| CN112435191B (zh) | 一种基于多个神经网络结构融合的低照度图像增强方法 | |
| CN114170088B (zh) | 一种基于图结构数据的关系型强化学习系统及方法 | |
| CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
| CN103093444B (zh) | 基于自相似性和结构信息约束的图像超分辨重建方法 | |
| CN110163801A (zh) | 一种图像超分辨和着色方法、系统及电子设备 | |
| TWI854747B (zh) | 任意尺度盲超解析度模型從低解析度圖像生成高解析度圖像的方法 | |
| CN108805814A (zh) | 基于多频段深度卷积神经网络的图像超分辨重建方法 | |
| CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
| CN112767283A (zh) | 一种基于多图像块划分的非均匀图像去雾方法 | |
| CN116168197B (zh) | 一种基于Transformer分割网络和正则化训练的图像分割方法 | |
| CN113793267B (zh) | 基于跨维度注意力机制的自监督单遥感图像超分辨率方法 | |
| CN105631807A (zh) | 基于稀疏域选取的单帧图像超分辨重建方法 | |
| CN111080591A (zh) | 基于编码解码结构结合残差模块的医学图像分割方法 | |
| CN116797456B (zh) | 图像超分辨率重建方法、系统、设备和存储介质 | |
| CN109993702A (zh) | 基于生成对抗网络的满文图像超分辨率重建方法 | |
| CN118505506A (zh) | 一种低分辨率高光谱图像超分辨率重建方法、设备及介质 | |
| WO2024221696A1 (zh) | 生成图像超分数据集的方法、图像超分模型及训练方法 | |
| CN119228651B (zh) | 一种基于高频特征增强的图像超分辨率重建方法及装置 | |
| KR20240159454A (ko) | 이미지 슈퍼 레졸루션 데이터 세트의 생성 방법, 이미지 슈퍼 레졸루션 모델 및 트레이닝 방법 | |
| CN119624772A (zh) | 基于面部结构先验融合网络的人脸图像超分辨率方法 | |
| CN114140317B (zh) | 一种基于级联生成对抗网络的图像动漫化方法 | |
| CN113034390B (zh) | 一种基于小波先验注意力的图像修复方法及系统 | |
| CN119359552B (zh) | 一种图像超分辨方法 |
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 |