CN102930518A - 基于改进的稀疏表示的图像超分辨率方法 - Google Patents
基于改进的稀疏表示的图像超分辨率方法 Download PDFInfo
- Publication number
- CN102930518A CN102930518A CN2012101956206A CN201210195620A CN102930518A CN 102930518 A CN102930518 A CN 102930518A CN 2012101956206 A CN2012101956206 A CN 2012101956206A CN 201210195620 A CN201210195620 A CN 201210195620A CN 102930518 A CN102930518 A CN 102930518A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- super
- low
- improved
- 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 48
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004304 visual acuity Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明的目的在于公开一种基于改进的稀疏表示的图像超分辨率方法，它包括如下步骤：（1）训练阶段和（2）重构阶段，训练阶段包括1）图像样本采集；2）图像特征提取；3）图像特征分类；4）训练超完备字典；重构阶段包括1）预处理；2）图像块特征提取；3）稀疏编码；4）全局优化；与现有技术相比，采用边缘和纹理双特征，通过特征分类和稀疏编码学习得到更具结构性的超完备字典，可以为输入的低分辨率图像块选择最相关的低维度子字典进行重构，在一定程度上提高了处理速率，且获得较好的图像效果，达到了同时提高速率和效果的目的，实现本发明的目的。
Description
技术领域
本发明涉及一种图像超分辨率方法，特别涉及一种采用稀疏表示进行处理和分析图像的基于改进的稀疏表示的图像超分辨率方法。
背景技术
图像超分辨率技术旨在克服成像传感器固有的分辨率等物理特征的限制，将低分辨率图像转成高分辨率图像，从而带来更好的视觉体验。
提高图像分辨率的方式有两种，一种是直接改进成像***的硬件设备，另外一种是采用信号处理的方法。目前，从物理光学理论上来说，传感器的制造工艺技术已经达到了极限水平，可以获得硬件提供的极限分辨率。此外，高成本的高精度传感器也驱使我们寻找其他解决方案。
随着图像处理技术以及信号处理理论的不断发展，出现了采用一幅或多幅同一场景的低分辨率图像，结合图像表示和特征分析等技术进行图像超分辨率的方法，这些方法具有成本低、灵活性强的特点。
图像超分辨率是图像处理领域的一个热门研究领域，自1984年Huang和Tsai首次提出利用多帧序列低分辨率图像来重构高分辨率图像，发展到如今先进的基于稀疏表示的图像超分辨率方法，人们一直致力于探讨既可以得到更好效果，又能用于实时处理的方法。
但是，现阶段的方法主要是基于学习的方法，该类方法的关键在于图像表示的特征以及先验模型，直接影响着图像的边缘和纹理效果，以及法的处理效率。
因此，特别需要一种基于改进的稀疏表示的图像超分辨率方法，以解决上述现有存在的问题。
发明内容
本发明的目的在于提供一种基于改进的稀疏表示的图像超分辨率方法，针对现有技术的不足，可以获得较好的边缘和纹理效果，以及具有不错的处理效率。
本发明所解决的技术问题可以采用以下技术方案来实现：
一种基于改进的稀疏表示的图像超分辨率方法，其特征在于，它包括如下步骤：
（1）训练阶段
1）图像样本采集，通过摄像机采集大量的高分辨率图像，包括建筑物、动物、花草、人等；
2）图像特征提取，首先，对采集到的高和低分辨率图像样本随机提取一对图像块作为图像特征；然后，根据所设定的实验偏差阈值对图像特征进行裁剪，保留信息量大的图像特征；最后，对图像特征进行归一化处理；
3）图像特征分类，根据上述步骤中得到的图像特征进行分类，使每一类更具有结构性，并保存所有的聚类中心值；
4）训练超完备字典，根据上述步骤中得到的各类特征，采用稀疏编码训练得到相等类别的子字典，并与上述步骤中得到的聚类中心值合并成为一个整体的超完备字典；
（2）重构阶段
1）预处理，对待测低分辨率图像应用双三次插值法升采样得到目标寸大小的图像，并将图像转化为YCbCr格式；
2）图像块特征提取，以重叠块的方式提取低分辨率图像的图像块特征，根据上述步骤得到的聚类中心值确定该特征属于哪一类特征，同时也保存该图像块的平均像素值；
3）稀疏编码，根据上述步骤中得到的各类特征选择对应类的低分辨率子字典进行稀疏编码求得稀疏表示系数，结合高分辨率子字典得到高分辨率的图像块特征，并与上述步骤中保存的对应图像块的平均像素值相加得到最终的高分辨率图像块；
4）全局优化：首先，将上述步骤中得到的所有高分辨率图像块按对应位置叠加后取平均值；然后，与上述步骤中得到的Cb和Cr通道合并转化为原来的图像格式；最后，利用迭代反向投影法进行全局优化后，输出结果图像。
在本发明的一个实施例中，在上述训练阶段的步骤2）中，所述低分辨率图像是再次经过对步骤1）中的低分辨率图像进行双三次插值升采样得到的。
在本发明的一个实施例中，所述图像特征分别包括边缘特征和纹理特征，首先，对高分辨率图像块利用Canny算法提取二值边缘图像，对低分辨率图像求一阶和二阶导得到四幅梯度图像；然后，以图像块中心点是否为边缘像素为基准，分别得到边缘图像块和纹理图像块。
在本发明的一个实施例中，低分辨率图像提取的是梯度特征，高分辨率图像提取的是图像块像素减去其平均像素值的值。
在本发明的一个实施例中，所述实验偏差阈值设定为10，若图像块征大于该阈值，则保留，否则丢弃。
在本发明的一个实施例中，在上述训练阶段的步骤3）中，所述特征分类过程包括：首先，对低分辨率图像特征进行分类，并得到各类的聚类中心值；然后，根据已经分好类的低分辨率图像特征，以对号入座的方式对高分辨率图像特征进行分类；
在本发明的一个实施例中，所述聚类中心值采用了有重叠的聚类方法，在保持原有的聚类中心值不变的情况下，通过计算使各类的边缘点同时属于多个类，降低因信息分散而造成的误差。
在本发明的一个实施例中，在上述重构阶段的步骤2）中，图像块的大小根据超完备字典给定的信息确定，其重叠像素值则可以自由确定；所述图像块特征包括边缘特征和纹理特征。
在本发明的一个实施例中，在上述重构阶段的步骤4）中，所述高分辨率图像块叠加取均值后，还要对此时像素值为零的像素进行填充，填充的值为升采样的低分辨率图像的照度通道的对应像素值。
与现有技术相比，本发明的基于改进的稀疏表示的图像超分辨率方法具有如下有益效果：
1）分别使用了边缘特征和纹理特征，较以前的基于单一特征的基于稀疏表示的方法所取得的边缘效果和纹理效果好；
2）在稀疏编码阶段前设计了特征分类阶段，可以学习到更具有结构性的字典；在重构阶段也可以为输入的低分辨率图像块选择最相关的低维度的字典进行重构，因此可以提高处理效率和图像效果；
3）提出有重叠的聚类方法，解决了因聚类而造成的信息分散问题，降低了重构误差，进一步提高了图像效果。
本发明的基于改进的稀疏表示的图像超分辨率方法，与现有技术相比采用边缘和纹理双特征，通过特征分类和稀疏编码学习得到更具结构性的超完备字典，可以为输入的低分辨率图像块选择最相关的低维度子字典进行重构，在一定程度上提高了处理速率，且获得较好的图像效果，达到了同时提高速率和效果的目的，实现本发明的目的。
本发明的特点可参阅本案图式及以下较好实施方式的详细说明而获得清楚地了解。
附图说明
图1为本发明的训练阶段的流程示意图；
图2为本发明的重构阶段的流程示意图；
图3为本发明的特征提取的流程示意图；
图4为本发明的有重叠聚类的流程示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
如图1和图2所示，本发明的基于改进的稀疏表示的图像超分辨率方法，它包括如下步骤：
（1）训练阶段
1）图像样本采集，通过摄像机采集大量的高分辨率图像，包括建筑物、动物、花草、人等；
2）图像特征提取，首先，对采集到的高和低分辨率图像样本随机提一对图像块作为图像特征；然后，根据所设定的实验偏差阈值对图像特进行裁剪，保留信息量大的图像特征；最后，对图像特征进行归一化处理；
3）图像特征分类，根据上述步骤中得到的图像特征进行分类，使每一类更具有结构性，并保存所有的聚类中心值；
4）训练超完备字典，根据上述步骤中得到的各类特征，采用稀疏编码训练得到相等类别的子字典，并与上述步骤中得到的聚类中心值合并成为一个整体的超完备字典；
在训练字典过程中，设定稀疏度参数为0.15，交替循环40次优化后，可以得到认为收敛的超完备字典。所述字典分别包括边缘字典和纹理字典，其中每一字典包括高分辨率字典和低分辨率字典；
（2）重构阶段
1）预处理，对待测低分辨率图像应用双三次插值法升采样得到目标尺寸大小的图像，并将图像转化为YCbCr格式；
2）图像块特征提取，以重叠块的方式提取低分辨率图像的图像块特征，根据上述步骤得到的聚类中心值确定该特征属于哪一类特征，同时也保存该图像块的平均像素值；
3）稀疏编码，根据上述步骤中得到的各类特征选择对应类的低分辨率子字典进行稀疏编码求得稀疏表示系数，结合高分辨率子字典得到高分辨率的图像块特征，并与上述步骤中保存的对应图像块的平均像素值相加得到最终的高分辨率图像块；
4）全局优化：首先，将上述步骤中得到的所有高分辨率图像块按对应位置叠加后取平均值；然后，与上述步骤中得到的Cb和Cr通道合并转化为原来的图像格式；最后，利用迭代反向投影法进行全局优化后，输出果图像。
在本发明中，在上述训练阶段的步骤2）中，所述低分辨率图像是再次经过对步骤1）中的低分辨率图像进行双三次插值升采样得到的。
如图3所示，所述图像特征分别包括边缘特征和纹理特征，首先，对高分辨率图像块利用Canny算法提取二值边缘图像，对低分辨率图像求一阶和二阶导得到四幅梯度图像；然后，以图像块中心点是否为边缘像素为基准，分别得到边缘图像块和纹理图像块。
在本发明中，低分辨率图像提取的是梯度特征，高分辨率图像提取的是图像块像素减去其平均像素值的值。实际上提取的图像块大小应为7*7，那么最后得到4*(7*7)=196维的低分辨率特征向量，7*7=49维的高分辨率特征向量。
所述实验偏差阈值设定为10，若图像块特征大于该阈值，则保留，否则丢弃。
在本发明中，在上述训练阶段的步骤3）中，所述特征分类过程包括：首先，对低分辨率图像特征进行分类，并得到各类的聚类中心值；然后，根据已经分好类的低分辨率图像特征，以对号入座的方式对高分辨率图像特征进行分类。
如图4所示，所述聚类中心值采用了有重叠的聚类方法，在保持原有的聚类中心值不变的情况下，通过计算使各类的边缘点同时属于多个类，降低因信息分散而造成的误差。本发明中，取R=0.1较为合适。
在本发明中，在上述重构阶段的步骤2）中，图像块的大小根据超完备字典给定的信息确定，其重叠像素值则可以自由确定；所述图像块特征包括边缘特征和纹理特征。
在本发明中，在上述重构阶段的步骤4）中，所述高分辨率图像块叠取均值后，还要对此时像素值为零的像素进行填充，填充的值为升采样的低分辨率图像的照度通道的对应像素值。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于改进的稀疏表示的图像超分辨率方法，其特征在于，它包括如下步骤：
（1）训练阶段
1）图像样本采集，通过摄像机采集大量的高分辨率图像，包括建筑物、动物、花草、人等；
2）图像特征提取，首先，对采集到的高和低分辨率图像样本随机提取一对图像块作为图像特征；然后，根据所设定的实验偏差阈值对图像特征进行裁剪，保留信息量大的图像特征；最后，对图像特征进行归一化处理；
3）图像特征分类，根据上述步骤中得到的图像特征进行分类，使每一类更具有结构性，并保存所有的聚类中心值；
4）训练超完备字典，根据上述步骤中得到的各类特征，采用稀疏编码训练得到相等类别的子字典，并与上述步骤中得到的聚类中心值合并成为一个整体的超完备字典；
（2）重构阶段
1）预处理，对待测低分辨率图像应用双三次插值法升采样得到目标尺寸大小的图像，并将图像转化为YCbCr格式；
2）图像块特征提取，以重叠块的方式提取低分辨率图像的图像块特征，根据上述步骤得到的聚类中心值确定该特征属于哪一类特征，同时也保存该图像块的平均像素值；
3）稀疏编码，根据上述步骤中得到的各类特征选择对应类的低分辨率子字典进行稀疏编码求得稀疏表示系数，结合高分辨率子字典得到高分辨率的图像块特征，并与上述步骤中保存的对应图像块的平均像素值相加到最终的高分辨率图像块；
4）全局优化：首先，将上述步骤中得到的所有高分辨率图像块按对应位置叠加后取平均值；然后，与上述步骤中得到的Cb和Cr通道合并转化为原来的图像格式；最后，利用迭代反向投影法进行全局优化后，输出结果图像。
2.如权利要求1所述的基于改进的稀疏表示的图像超分辨率方法，其特征在于，在上述训练阶段的步骤2）中，所述低分辨率图像是再次经过对步骤1）中的低分辨率图像进行双三次插值升采样得到的。
3.如权利要求1所述的基于改进的稀疏表示的图像超分辨率方法，其特征在于，所述图像特征分别包括边缘特征和纹理特征，首先，对高分辨率图像块利用Canny算法提取二值边缘图像，对低分辨率图像求一阶和二阶导得到四幅梯度图像；然后，以图像块中心点是否为边缘像素为基准，分别得到边缘图像块和纹理图像块。
4.如权利要求1所述的基于改进的稀疏表示的图像超分辨率方法，其特征在于，低分辨率图像提取的是梯度特征，高分辨率图像提取的是图像块像素减去其平均像素值的值。
5.如权利要求1所述的基于改进的稀疏表示的图像超分辨率方法，其特征在于，所述实验偏差阈值设定为10，若图像块特征大于该阈值，则保留，否则丢弃。
6.如权利要求1所述的基于改进的稀疏表示的图像超分辨率方法，其特征在于，在上述训练阶段的步骤3）中，所述特征分类过程包括：首先，对低分辨率图像特征进行分类，并得到各类的聚类中心值；然后，根据已经分好类的低分辨率图像特征，以对号入座的方式对高分辨率图像特征行分类。
7.如权利要求1所述的基于改进的稀疏表示的图像超分辨率方法，其特征在于，所述聚类中心值采用了有重叠的聚类方法，在保持原有的聚类中心值不变的情况下，通过计算使各类的边缘点同时属于多个类，降低因信息分散而造成的误差。
8.如权利要求1所述的基于改进的稀疏表示的图像超分辨率方法，其特征在于，在上述重构阶段的步骤2）中，图像块的大小根据超完备字典给定的信息确定，其重叠像素值则可以自由确定；所述图像块特征包括边缘特征和纹理特征。
9.如权利要求1所述的基于改进的稀疏表示的图像超分辨率方法，其特征在于，在上述重构阶段的步骤4）中，所述高分辨率图像块叠加取均值后，还要对此时像素值为零的像素进行填充，填充的值为升采样的低分辨率图像的照度通道的对应像素值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210195620.6A CN102930518B (zh) | 2012-06-13 | 2012-06-13 | 基于改进的稀疏表示的图像超分辨率方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210195620.6A CN102930518B (zh) | 2012-06-13 | 2012-06-13 | 基于改进的稀疏表示的图像超分辨率方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102930518A true CN102930518A (zh) | 2013-02-13 |
| CN102930518B CN102930518B (zh) | 2015-06-24 |
Family
ID=47645308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210195620.6A Active CN102930518B (zh) | 2012-06-13 | 2012-06-13 | 基于改进的稀疏表示的图像超分辨率方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102930518B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104113789A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 一种基于深度学习的视频摘要在线生成方法 |
| CN104677309A (zh) * | 2015-03-24 | 2015-06-03 | 哈尔滨理工大学 | 基于稀疏表达的强反射表面编码光测量的高光抑制方法 |
| WO2015180055A1 (zh) * | 2014-05-28 | 2015-12-03 | 北京大学深圳研究生院 | 一种基于分类字典库的超分辨率图像重构方法及装置 |
| CN105678728A (zh) * | 2016-01-19 | 2016-06-15 | 西安电子科技大学 | 分区域管理的高效超分辨率成像装置及方法 |
| CN106600536A (zh) * | 2016-12-14 | 2017-04-26 | 同观科技（深圳）有限公司 | 一种视频图像超分辨率重建方法及装置 |
| CN107967669A (zh) * | 2017-11-24 | 2018-04-27 | 腾讯科技（深圳）有限公司 | 图片处理的方法、装置、计算机设备及存储介质 |
| WO2018120329A1 (zh) * | 2016-12-28 | 2018-07-05 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
| CN108830792A (zh) * | 2018-05-09 | 2018-11-16 | 浙江师范大学 | 一种利用多类字典的图像超分辨率方法 |
| WO2018214671A1 (zh) * | 2017-05-26 | 2018-11-29 | 杭州海康威视数字技术股份有限公司 | 一种失真图像的去失真方法、装置及电子设备 |
| US10417996B2 (en) | 2017-08-31 | 2019-09-17 | Yuan Ze University | Method, image processing device, and display system for power-constrained image enhancement |
| CN111612691A (zh) * | 2020-04-17 | 2020-09-01 | 重庆大学 | 一种基于稀疏表示的图像超分辨率处理改进方法 |
| CN114697543A (zh) * | 2020-12-31 | 2022-07-01 | 华为技术有限公司 | 一种图像重建方法、相关装置及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556690A (zh) * | 2009-05-14 | 2009-10-14 | 复旦大学 | 基于词典学习和稀疏表示的超分辨率算法 |
| CN102142137A (zh) * | 2011-03-10 | 2011-08-03 | 西安电子科技大学 | 基于高分辨率字典的稀疏表征图像超分辨重建方法 |
| CN102156875A (zh) * | 2011-03-25 | 2011-08-17 | 西安电子科技大学 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
-
2012
- 2012-06-13 CN CN201210195620.6A patent/CN102930518B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556690A (zh) * | 2009-05-14 | 2009-10-14 | 复旦大学 | 基于词典学习和稀疏表示的超分辨率算法 |
| CN102142137A (zh) * | 2011-03-10 | 2011-08-03 | 西安电子科技大学 | 基于高分辨率字典的稀疏表征图像超分辨重建方法 |
| CN102156875A (zh) * | 2011-03-25 | 2011-08-17 | 西安电子科技大学 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李民等: "稀疏字典编码的超分辨率重建", 《软件学报》 * |
| 浦剑等: "基于词典学习和稀疏表示的超分辨率方法", 《模式识别与人工智能》 * |
| 练秋生等: "基于图像块分类稀疏表示的超分辨率重构算法", 《电子学报》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015180055A1 (zh) * | 2014-05-28 | 2015-12-03 | 北京大学深圳研究生院 | 一种基于分类字典库的超分辨率图像重构方法及装置 |
| CN104113789A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 一种基于深度学习的视频摘要在线生成方法 |
| CN104113789B (zh) * | 2014-07-10 | 2017-04-12 | 杭州电子科技大学 | 一种基于深度学习的视频摘要在线生成方法 |
| CN104677309A (zh) * | 2015-03-24 | 2015-06-03 | 哈尔滨理工大学 | 基于稀疏表达的强反射表面编码光测量的高光抑制方法 |
| CN104677309B (zh) * | 2015-03-24 | 2017-04-26 | 哈尔滨理工大学 | 基于稀疏表达的强反射表面编码光测量的高光抑制方法 |
| CN105678728A (zh) * | 2016-01-19 | 2016-06-15 | 西安电子科技大学 | 分区域管理的高效超分辨率成像装置及方法 |
| CN106600536A (zh) * | 2016-12-14 | 2017-04-26 | 同观科技（深圳）有限公司 | 一种视频图像超分辨率重建方法及装置 |
| CN106600536B (zh) * | 2016-12-14 | 2020-02-14 | 同观科技（深圳）有限公司 | 一种视频图像超分辨率重建方法及装置 |
| WO2018120329A1 (zh) * | 2016-12-28 | 2018-07-05 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
| WO2018214671A1 (zh) * | 2017-05-26 | 2018-11-29 | 杭州海康威视数字技术股份有限公司 | 一种失真图像的去失真方法、装置及电子设备 |
| CN108932697A (zh) * | 2017-05-26 | 2018-12-04 | 杭州海康威视数字技术股份有限公司 | 一种失真图像的去失真方法、装置及电子设备 |
| CN108932697B (zh) * | 2017-05-26 | 2020-01-17 | 杭州海康威视数字技术股份有限公司 | 一种失真图像的去失真方法、装置及电子设备 |
| US11250546B2 (en) | 2017-05-26 | 2022-02-15 | Hangzhou Hikvision Digital Technology Co., Ltd. | Image distortion correction method and device and electronic device |
| US10417996B2 (en) | 2017-08-31 | 2019-09-17 | Yuan Ze University | Method, image processing device, and display system for power-constrained image enhancement |
| CN107967669A (zh) * | 2017-11-24 | 2018-04-27 | 腾讯科技（深圳）有限公司 | 图片处理的方法、装置、计算机设备及存储介质 |
| CN108830792A (zh) * | 2018-05-09 | 2018-11-16 | 浙江师范大学 | 一种利用多类字典的图像超分辨率方法 |
| CN108830792B (zh) * | 2018-05-09 | 2022-03-11 | 浙江师范大学 | 一种利用多类字典的图像超分辨率方法 |
| CN111612691A (zh) * | 2020-04-17 | 2020-09-01 | 重庆大学 | 一种基于稀疏表示的图像超分辨率处理改进方法 |
| CN114697543A (zh) * | 2020-12-31 | 2022-07-01 | 华为技术有限公司 | 一种图像重建方法、相关装置及*** |
| WO2022143921A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 一种图像重建方法、相关装置及*** |
| CN114697543B (zh) * | 2020-12-31 | 2023-05-19 | 华为技术有限公司 | 一种图像重建方法、相关装置及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102930518B (zh) | 2015-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102930518B (zh) | 基于改进的稀疏表示的图像超分辨率方法 | |
| WO2021184891A1 (zh) | 遥感影像地物分类方法及*** | |
| CN112287940B (zh) | 一种基于深度学习的注意力机制的语义分割的方法 | |
| CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
| CN109671023B (zh) | 一种人脸图像超分辨率二次重建方法 | |
| Li et al. | Joint example-based depth map super-resolution | |
| CN101976435B (zh) | 基于对偶约束的联合学习超分辨方法 | |
| CN105046672A (zh) | 一种图像超分辨率重建方法 | |
| CN104899830B (zh) | 一种图像超分辨方法 | |
| Hua et al. | A normalized convolutional neural network for guided sparse depth upsampling. | |
| CN105069746A (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其*** | |
| CN103714526B (zh) | 基于稀疏多流形嵌入的超分辨率图像重构方法 | |
| CN105335929A (zh) | 一种深度图超分辨方法 | |
| CN104751432A (zh) | 一种基于图像重构的可见光与红外图像融合方法 | |
| CN103984963B (zh) | 一种高分辨率遥感图像场景分类方法 | |
| CN103854268A (zh) | 基于多核高斯过程回归的图像超分辨重建方法 | |
| 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 | |
| KR101028628B1 (ko) | 영상 텍스쳐 필터링 방법, 이를 수행하는 프로그램을 기록한 기록매체 및 이를 수행하는 장치 | |
| CN106169174A (zh) | 一种图像放大方法 | |
| CN112560701B (zh) | 一种人脸图像提取方法、装置及计算机存储介质 | |
| CN108460833A (zh) | 一种基于bim构建传统建筑数字化保护与修复的信息平台 | |
| CN103971354A (zh) | 低分辨率红外图像重建高分辨率红外图像的方法 | |
| CN110111272A (zh) | 一种人工智能红外图像处理仪、控制***及控制方法 | |
| CN101609503B (zh) | 基于双流形对齐的人脸超分图像处理方法 | |
| CN113610024B (zh) | 一种多策略的深度学习遥感影像小目标检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C53 | Correction of patent of invention or patent application | ||
| CB02 | Change of applicant information |
Address after: 201505 Jinshan District, Shanghai, Lin Ting Town, Temple Ping Road, room 16, No. 599 Applicant after: SHANGHAI WINNER INFORMATION TECHNOLOGY CO., INC. Address before: 201505 Jinshan District, Shanghai, Lin Ting Town, Temple Ping Road, room 16, No. 599 Applicant before: Huina Network Information Science & Technology Co., Ltd. |
|
| COR | Change of bibliographic data |
Free format text: CORRECT: APPLICANT; FROM: HUINA NETWORK INFORMATION SCIENCE + TECHNOLOGY CO., LTD. TO: SHANGHAI WINNER INFORMATION TECHNOLOGY CO., INC. |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 201505 Shanghai city Jinshan District ting Lin Zhen Ting Feng Road No. 333, room 216 Patentee after: Winner Technology Co.,Ltd. Address before: 201505, room 16, No. 599, Ping Nan Road, ting Lin Town, Shanghai, Jinshan District Patentee before: SHANGHAI WINNER INFORMATION TECHNOLOGY Co.,Inc. |
|
| CP03 | Change of name, title or address | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 201203 No. 6, Lane 55, Chuanhe Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Patentee after: Winner Technology Co.,Ltd. Address before: 201505 Room 216, 333 Tingfeng Highway, Tinglin Town, Jinshan District, Shanghai Patentee before: Winner Technology Co.,Ltd. |