CN103279933A - 一种基于双层模型的单幅图像超分辨率重建方法 - Google Patents
一种基于双层模型的单幅图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN103279933A CN103279933A CN2013102257218A CN201310225721A CN103279933A CN 103279933 A CN103279933 A CN 103279933A CN 2013102257218 A CN2013102257218 A CN 2013102257218A CN 201310225721 A CN201310225721 A CN 201310225721A CN 103279933 A CN103279933 A CN 103279933A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- resolving power
- training
- gradient
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
一种基于双层模型的单幅图像超分辨率重建方法,其包括(1)利用L0梯度最小化方法和HoG算子生成K个训练簇,然后训练它的对应字典对;(2)依据HoG算子,自适应的选取用于测试的低分辨率图像块对应的几何字典对,并求解出低分辨率图像对应的高分辨率纹理细节图像;(3)利用L0梯度最小化方法求解出用于测试的低分辨率图像对应的高分辨率边缘结构图像;(4)把求解出的高分辨率纹理细节图像加到高分辨率边缘结构图像上得到初始高分辨率图像;(5)对初始高分辨率图像进行全局和局部约束得到最终高分辨率图像。本发明可以使得重建后的图像轮廓更清晰,细节信息更丰富,提高重建后的图像质量。
Description
技术领域
本发明属于图像处理技术领域,涉及一种图像的超分辨重建方法,可用于各类自然图像的超分辨重建。
背景技术
图像的超分辨率重建可以看作是从一幅或者多幅低分辨率图像恢复出一幅高分辨率图像的一个逆问题,在视频监控、医学成像、卫星遥感遥测、军事侦察与定位、高清电视成像等方面应用广泛。目前国内外学者为了解决图像超分辨率重建这一逆问题,做了大量的研究工作,提出了许多经典的算法,主要可分为三个范畴:基于插值、基于重建和基于学***滑现象,并且在放大倍数较大情况下重构出的图像质量下降较严重;因此,Freeman等提出了一种基于学习的重构方法,主要通过使用Markov网络对图像的空间关系进行建模。而后Chang等提出了基于邻域嵌入的图像超分辨率重建方法,其假定了高分辨率和对应的低分辨率图像块在特征空间可以形成具有相同局部几何结构的流形。但是这种方法获得的高分辨率图像缺乏细节信息,图像边缘比较模糊;此后,Yang等提出了使用稀疏表示方法来实现超分辨率重建,首先收集训练库(高-低分辨率图像),然后训练一个普通的字典对(高-低分辨率字典),接着利用这对字典来重建给定的低分辨图像。此方法对于图像中的不同成分如边缘和纹理都采用相同的处理,易导致重建出的图像在细节和边缘处趋于模糊。
发明内容
本发明的目的是提出一种基于双层模型的单幅图像超分辨率重建方法,以在图像超分辨率重建过程中,有效解决以上技术存在的缺陷,恢复更多的图像细节信息,提高重建图像的质量。
为实现上述目的,本发明所采用的技术方案如下:
一种基于双层模型的单幅图像超分辨率重建方法,包括
1、利用L0梯度最小化方法和HoG算子来获取训练集合,然后训练这些集合的对应字典对{(D1 l,D1 T),(D2 l,D2 T),...(DK l,DK T)};
2、依据用于测试的低分辨率图像块和用于训练的低分辨率图像块的方向梯度直方图信息,自适应的选取用于测试的低分辨率图像块对应的几何字典对(Di l,Di T),然后求解出测试低分辨率图像对应的高分辨率纹理细节图像;
3、利用L0梯度最小化方法求解出用于测试的低分辨率图像的高分辨率边缘结构图像;
4、把高分辨率纹理细节图像加到高分辨率边缘结构图像上得到初始高分辨率图像;
5、对4得出的初始高分辨率图像进行全局和局部约束得到最终高分辨率图像。
具体的方法步骤如下:
(1)从BSDS300高分辨图像库(全名:The Berkeley Segmentation Data Set 300。来自于:Berkeley University of California。用途:被用于图像分割,识别,分类,以及图像重建的训练库和测试库。链接:http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/)中随机选取n幅作为训练图像X1,X2,…Xn,然后运用退化模型式(1)生成对应的低分辨率训练图像Y1,Y2,…Yn。
Y=UBX (1)
其中,向量X表示高分辨率图像,向量Y表示对应的低分辨率图像,矩阵U表示下采样算子,矩阵B表示模糊算子;
(2a)获取高分辨率边缘结构图像的目标函数:
其中,式(3)中第一项定义为保真项,式(3)中第二项表示对待求高分辨率图像进行梯度最小化约束,即 和表示在像素p点的水平和垂直方向的梯度,#表示计数,β是平衡参数,作用是最大程度上保持处理前后的图像具有相似的结构;
(2b)通过引入辅助变量hp、vp,(2a)中目标函数式(3)被转换为:
(2c)对(2b)中的目标函数式(4)进行如下方法求解,①固定(h,v),用梯度下降法求解X,②固定X,用梯度下降法求解(h,v),经过若干次迭代,最后生成高分辨率边缘结构图像;
(2d)执行对应的高分辨率图像与(2c)中生成的高分辨率边缘结构图像相减操作,生成高分辨率纹理细节图像。
(3)对所有的低分辨率训练图像Yi执行尺寸为3×3的分块操作,随机选取P个低分辨率图像块,并以向量yi来表示。不失一般性,用矩阵 表示尺寸为3×3的块,其向量表示为[1 2 3 4 5 6 7 8 9]T。并获取对应的尺寸为3s×3s高分辨率纹理细节图像块,并以向量来表示,最后聚集它们生成P个训练对,其中,P经验的选取范围在8-10万块间,s表示重建倍数。
(4)计算训练对中yi的方向梯度直方图(HoG),然后依据yi的HoG中的方向值,用K-means算法对训练对 进行分簇,得到K个簇C1,C2,...CK,其中CK表示第K个簇中具有相同方向值的训练对集合K,k表示在第K簇中训练对的数目。
(5)用式(4)训练K个簇C1,C2,...CK的字典对(Di l,Di T),得到K个字典对{(D1 l,D1 T),(D2 l,D2 T),...(DK l,DK T)};
(6)对于一幅用于测试的尺寸为H×L的低分辨率图像Z,将Z分成尺寸为3×3的块,并以向量Zi来表示,块与块之间重叠2个像素;
(7)对所有Zi进行以下遍历操作:首先,任取一个Zi,计算Zi与C1,C2,...CK的簇中心距离:d1,d2,...,dK,提取最小的di对应簇的字典对(Di l,Di T),然后,利用式(2)求解出对应的高分辨率纹理细节图像块;
(9)用L0梯度最小化方法求解测试图像Z的高分辨率边缘结构图像XE;
(10)获取Z的初始高分辨率图像X0(X0=XE+XT),然后对X0执行式(5)全局和局部的约束,得到最终的高分辨率重建图像X*,过程如下:
(10a)全局和局部的目标函数为:
其中,式(5)中第一项表示保真项,第二项表示全局约束,第三项是局部约束,式中 N(xj)是邻域操作符,h是相似参数,I是单位矩阵,Ci表示由水平和垂直方向梯度组成的协方差矩阵,α1,α2是平衡参数,作用是平衡全局和局部的约束;
(10b)对(10a)中的目标函数式(5)的用梯度下降法求解:
Xt+1=Xt+ψ[BTUT(Y-UBXt)-α1(Xt-X0)-α2(I-A)T(I-A)Xt] (6)
其中,T为转置操作符,t为迭代次数,ψ为迭代步长;
(10c)设置门限ε,经过若干次的迭代,X*=Xt+1即为最终所求的高分辨率图像。
本发明与现有的技术相比具有以下优点:
本发明分别从边缘结构和纹理细节层进行图像重建,并对合成的图像进行全局和局部约束优化,使得重建后的图像边缘更加清晰,有效抑制了边缘附近的振铃现象,同时细节纹理信息能够得到较好的保持。
实验证明,本发明适用于各种低分辨率自然图像的超分辨率重建,使得重建后的图像轮廓更加清晰,细节信息更加丰富,提高了重建后的图像质量。
附图说明
图1是本发明方法的原理框图;
图2是本发明所用的训练图像(均来自于BSDS300高分辨图像库,并被灰度化处理);
图3是本发明所用的5幅低分辨率测试图像(均来自于BSDS300高分辨图像库,并被灰度化处理),依次为:Lena、Peppers、Head、Boats、Butterfly;
图4是本发明和其他各种方法对测试Lena图像的重建效果图;
图5是本发明和其他各种方法对测试Peppers图像的重建效果图;
图6是本发明和其他各种方法对测试Head图像的重建效果图;
图7是本发明和其他各种方法对测试Boats图像的重建效果图;
图8是本发明和其他各种方法对测试Butterfly图像的重建效果图。
具体实施方式
参照附图1右半部分,本发明的具体步骤包括:
步骤1.对训练图像进行L0梯度最小化处理与分块操作
(1a)从BSDS300高分辨图像库中随机选取n幅作为训练图像X1,X2,…Xn,然后运用退化模型式(1)生成对应的低分辨率训练图像Y1,Y2,…Yn;
Y=UBX (1)
其中,向量X表示高分辨率图像,向量Y表示对应的低分辨率图像,矩阵U表示下采样算子,矩阵B表示模糊算子;
(1b)对所有低分辨率训练图像Yi进行式(3)L0梯度最小化操作,生成高分辨率边缘结构图像XEi,然后执行Xi与XEi的相减操作,生成高分辨率纹理细节图像XTi。
其中,式(3)中第一项定义为保真项,式(3)中第二项表示对待求高分辨率图像进行梯度最小化约束,即 ,和表示在像素p点的水平和垂直方向的梯度,#表示计数,β是平衡参数,作用是最大程度上保持处理前后的图像具有相似的结构;
(1c)对所有的低分辨率训练图像Yi进行尺寸为3×3分块,随机选取P个低分辨率图像块yi,并以向量yi来表示。不失一般性,用矩阵 表示尺寸为3×3的块,其向量表示为[1 2 3 4 5 6 7 8 9]T。并获取对应的尺寸为3s×3s高分辨率纹理细节图像,并以向量来表示,最后聚集它们,生成P个训练对其中,P经验的选取为9万块,s=3表示重建倍数;
步骤2.对训练库中得的纹理细节图像块与低分辨率图像块进行联合分类
(2a)计算训练对中yi的方向梯度直方图(HoG),然后依据yi的HoG中的方向值,用K-means算法对训练对 进行分簇,得到K=35个簇C1,C2,...CK,其中CK表示第K个簇中具有相同方向值的块对集合k=512表示第K个簇中对的数目;
步骤3.对训练库中的纹理细节图像块与低分辨率图像块进行联合字典的训练
(3a)用式(2)训练K个簇C1,C2,...CK的字典对(Di l,Di T),得到K个字典对{(D1 l,D1 T),(D2 l,D2 T),...(DK l,DK T)};
步骤4.输入低分辨率图像Z,得到初始高分辨率重构图像X0。
参照附图1左半部分,本步骤的具体实现如下:
(4a)输入一幅用于测试的尺寸为H×L(高×宽)的低分辨率图像Z,将Z分成尺寸为3×3的块,并以向量Zi来表示,块与块之间重叠2个像素;
(4b)对所有Zi进行以下遍历操作:首先任取一个Zi,计算Zi与步骤2.(2a)中得到K个簇的中心距离:d1,d2,...,dK,取最小的di对应簇的字典对(Di l,Di T),然后,利用式(2)求解出对应的高分辨率纹理细节图像块;
(4c)拼接由步骤(4b)求出的所有的高分辨率纹理细节图像块,组成初始的高分辨率纹理细节图像XT;
(4d)用式(3)和式(4)求解测试图像Z的高分辨率边缘结构图像XE;
(4e)获取Z的初始高分辨率图像X0(X0=XE+XT)。
步骤5.对初始高分辨率重构图像X0执行全局和局部约束
(5a)利用式(5)和式(6)对X0执行全局和局部的约束,得到最终的高分辨率重建图像X*。
其中,式(5)中第一项表示保真项,第二项表示全局约束,第三项是局部约束,式中 N(xj)是邻域操作符,h是相似参数,I是单位矩阵,Ci表示由水平和垂直方向梯度组成的协方差矩阵,α1,α2是平衡参数,作用是平衡全局和局部的约束;
(5b)对(5a)中式(5)用梯度下降法求解如下:
Xt+1=Xt+ψ[BTUT(Y-UBXt)-α1(Xt-X0)-α2(I-A)T(I-A)Xt] (6)
其中,T为转置操作符,t为迭代次数,ψ为迭代步长;
(5c)设置门限ε,经过若干次的迭代,X*=Xt+1即为最终所求的高分辨率图像。
本发明的效果可以通过以下实验进一步说明:
(1)实验条件
本实验采用标准测试图像(均来自于BSDS300高分辨图像库,并被灰度化处理)Lena、Peppers、Head、Boats、Butterfly作为实验数据,采用软件MATLAB7.0作为仿真工具,计算机配置为Intel(R)Core(TM)i3-2100CPU3.10GHz。
(2)实验内容
分别利用Bicubic插值算法、NE算法、YangSR算法、基于全局优化的本发明算法、基于全局和局部优化的本发明算法,对各类输入测试图像进行3倍放大超分辨率重建:
第一幅测试:对Lena图像进行超分辨率重建,结果如图4所示,图4中的图像经过缩小处理,左下角为截取的局部原始图像,其中图4(a)为Bicubic插值算法重建结果、其中图4(b)为NE算法重建结果、其中图4(c)为YangSR算法重建结果、其中图4(d)为基于全局优化的本发明算法重建结果、其中图4(e)为基于全局和局部优化的本发明算法重建结果、其中图4(f)为原始的高分辨率图像;
第二幅测试:对Peppers图像进行超分辨率重建,结果如图5所示,图5中的图像经过缩小处理,左下角为截取的局部原始图像,其中图5(a)为Bicubic插值算法重建结果、其中图5(b)为NE算法重建结果、其中图5(c)为YangSR算法重建结果、其中图5(d)为基于全局优化的本发明算法重建结果、其中图5(e)为基于全局和局部优化的本发明算法重建结果、其中图5(f)为原始的高分辨率图像;
第三幅测试:对Head图像进行超分辨率重建,结果如图6所示,图6中的图像经过缩小处理,左下角为截取的局部原始图像,其中图6(a)为Bicubic插值算法重建结果、其中图6(b)为NE算法重建结果、其中图6(c)为YangSR算法重建结果、其中图6(d)为基于全局优化的本发明算法重建结果、其中图6(e)为基于全局和局部优化的本发明算法重建结果、其中图6(f)为原始的高分辨率图像;
第四幅测试:对Boats图像进行超分辨率重建,结果如图7所示,图7中的图像经过缩小处理,左下角为截取的局部原始图像,其中图7(a)为Bicubic插值算法重建结果、其中图7(b)为NE算法重建结果、其中图7(c)为YangSR算法重建结果、其中图7(d)为基于全局优化的本发明算法重建结果、其中图7(e)为基于全局和局部优化的本发明算法重建结果、其中图7(f)为原始的高分辨率图像;
第五幅测试:对Butterfly图像进行超分辨率重建,结果如图8所示,图8中的图像经过缩小处理,左下角为截取的局部原始图像,其中图8(a)为Bicubic插值算法重建结果、其中图8(b)为NE算法重建结果、其中图8(c)为YangSR算法重建结果、其中图8(d)为基于全局优化的本发明算法重建结果、其中图8(e)为基于全局和局部优化的本发明算法重建结果、其中图8(f)为原始的高分辨率图像;
(3)实验结果分析
从图4、图5、图6、图7、图8可以看出,利用基于Bicubic插值算法、基于NE算法、基于YangSR算法得到的重建结果过于平滑,细节信息缺失,图像较模糊;而利用基于全局优化的本发明算法、基于全局和局部优化的本发明算法得到的重建结果较前三种算法视觉效果较好,但是基于全局优化的本发明算法较基于全局和局部优化的本发明算法在边缘处引入了较大的振铃,基于全局和局部优化的本发明算法能够获得较理想的重建结果。
Claims (3)
1.一种基于双层模型的单幅图像超分辨率重建方法,所述方法包括以下步骤:
(1)从高分辨图像库中随机选取n幅作为训练图像X1,X2,…Xn,然后运用退化模型式(1)生成对应的低分辨率训练图像Y1,Y2,…Yn;
Y=UBX (1)
其中,向量X表示高分辨率图像,向量Y表示对应的低分辨率图像,矩阵U表示下采样算子,矩阵B表示模糊算子;
(3)对所有的低分辨率训练图像Yi执行尺寸为3×3的分块操作,随机选取P个低分辨率图像块,并以向量yi来表示,不失一般性,用矩阵 表示尺寸为3×3的块,其向量表示为[1 2 3 4 5 6 7 8 9]T,并获取对应的尺寸为3s×3s高分辨率纹理细节图像块,并以向量来表示,最后聚集它们,生成P个训练对其中,P经验的选取范围在8-10万块间,s表示重建倍数;
(4)计算训练对中yi的方向梯度直方图(HoG),然后依据yi的HoG中的方向值,用K-means算法对训练对 进行分簇,得到K个簇C1,C2,...CK,其中CK表示第K个簇中具有相同方向值的训练对集合k表示在第K簇中训练对的数目;
(5)用式(2)训练K个簇C1,C2,...CK的字典对(Di l,Di T),得到K个字典对{(D1 l,D1 T),(D2 l,D2 T),...(DK l,DK T)};
(6)对于一幅用于测试的尺寸为H×L(高×宽)的低分辨率图像Z,将Z分成尺寸为3×3的块,并以向量Zi来表示,块与块之间重叠2个像素;
(7)对所有Zi进行以下遍历操作:首先,任取一个Zi,计算Zi与C1,C2,...CK的簇中心距离:d1,d2,...,dK,提取最小的di对应簇的字典对(Di l,Di T),然后,利用式(2)求解出对应的高分辨率纹理细节图像块;
(9)用L0梯度最小化方法求解测试图像Z的高分辨率边缘结构图像XE;
(10)获取Z的初始高分辨率图像X0(X0=XE+XT),然后对X0执行全局和局部的约束,得到最终的高分辨率重建图像X*。
2.根据权利要求1所述的基于双层模型的单幅图像超分辨率重建方法,其特点在于步骤(2)中利用L0梯度最小化方法来获取高分辨率边缘结构图像和高分辨率纹理细节图像,过程如下:
(2a)获取高分辨率边缘结构图像的目标函数:
其中,式(3)中第一项定义为保真项,式(3)中第二项表示对待求高分辨率图像进行梯度最小化约束,即 和表示在像素p点的水平和垂直方向的梯度,#表示计数,β是平衡参数,作用是最大程度上保持处理前后的图像具有相似的结构;
(2b)通过引入辅助变量hp、vp,(2a)中目标函数式(3)被转换为:
其中,γ是自适应参数,作用是控制变量(hp,vp)和其对应梯度之间的相似性;
(2c)对(2b)中的目标函数式(4)进行如下方法求解,①固定(h,v),用梯度下降法求解X,②固定X,用梯度下降法求解(h,v),经过若干次迭代,最后生成高分辨率边缘结构图像;
(2d)执行高分辨率图像与(2c)中生成的高分辨率边缘结构图像相减操作,得到高分辨率纹理细节图像。
3.如权利要求1所述的基于双层模型的单幅图像超分辨率重建方法,其特点在于步骤(10)中利用全局和局部的约束得到最终的高分辨率图像,过程如下:
(10a)全局和局部的目标函数为:
其中,式(5)中第一项表示保真项,第二项表示全局约束,第三项是局部约束,式中 N(xj)是邻域操作符,h是相似参数,I是单位矩阵,Ci表示由水平和垂直方向梯度组成的协方差矩阵,α1,α2是平衡参数,作用是平衡全局和局部的约束;
(10b)对(10a)中的式(5)用梯度下降法求解如下:
Xt+1=Xt+ψ[BTUT(Y-UBXt)-α1(Xt-X0)-α2(I-A)T(I-A)Xt] (6)
其中,T为转置操作符,t为迭代次数,ψ为迭代步长;
(10c)设置门限ε,经过若干次的迭代,X*=Xt+1即为最终所求的高分辨率图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310225721.8A CN103279933B (zh) | 2013-06-07 | 2013-06-07 | 一种基于双层模型的单幅图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310225721.8A CN103279933B (zh) | 2013-06-07 | 2013-06-07 | 一种基于双层模型的单幅图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103279933A true CN103279933A (zh) | 2013-09-04 |
CN103279933B CN103279933B (zh) | 2016-10-26 |
Family
ID=49062440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310225721.8A Expired - Fee Related CN103279933B (zh) | 2013-06-07 | 2013-06-07 | 一种基于双层模型的单幅图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103279933B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761723A (zh) * | 2014-01-22 | 2014-04-30 | 西安电子科技大学 | 基于多层支持向量回归机模型的图像超分辨重建方法 |
CN104123707A (zh) * | 2014-08-07 | 2014-10-29 | 重庆大学 | 一种基于局部秩先验的单幅图像超分辨率重建方法 |
CN104660951A (zh) * | 2015-01-21 | 2015-05-27 | 上海交通大学 | 一种高清转超高清视频图像的超分辨率放大方法 |
WO2015127847A1 (zh) * | 2014-02-25 | 2015-09-03 | 清华大学深圳研究生院 | 一种深度图的超分辨率处理方法 |
US20150348234A1 (en) * | 2014-05-30 | 2015-12-03 | National Chiao Tung University | Method for image enhancement, image processing apparatus and computer readable medium using the same |
CN106295677A (zh) * | 2016-07-28 | 2017-01-04 | 浙江工业大学 | 一种联合拉斯正则项和特征自学习的水流图像分簇方法 |
CN106558022A (zh) * | 2016-11-30 | 2017-04-05 | 重庆大学 | 一种基于边缘差异约束的单幅图像超分辨率重建方法 |
CN107622493A (zh) * | 2016-07-15 | 2018-01-23 | 西门子医疗有限公司 | 用于分割医学图像中的对象的方法和数据处理单元 |
US10643092B2 (en) | 2018-06-21 | 2020-05-05 | International Business Machines Corporation | Segmenting irregular shapes in images using deep region growing with an image pyramid |
US10776923B2 (en) | 2018-06-21 | 2020-09-15 | International Business Machines Corporation | Segmenting irregular shapes in images using deep region growing |
US10803378B2 (en) | 2017-03-15 | 2020-10-13 | Samsung Electronics Co., Ltd | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
US11354577B2 (en) | 2017-03-15 | 2022-06-07 | Samsung Electronics Co., Ltd | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
US11790489B2 (en) | 2020-04-07 | 2023-10-17 | Samsung Electronics Co., Ltd. | Systems and method of training networks for real-world super resolution with unknown degradations |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100290529A1 (en) * | 2009-04-14 | 2010-11-18 | Pankaj Topiwala | Real-time superresolution and video transmission |
CN101950365A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于ksvd字典学习的多任务超分辨率图像重构方法 |
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 |
US20120299906A1 (en) * | 2011-05-24 | 2012-11-29 | Derek Shiell | Model-Based Face Image Super-Resolution |
JP2013026659A (ja) * | 2011-07-15 | 2013-02-04 | Univ Of Tsukuba | 超解像画像処理装置及び超解像画像処理用辞書作成装置 |
CN103093445A (zh) * | 2013-01-17 | 2013-05-08 | 西安电子科技大学 | 基于联合稀疏约束的统一特征空间图像超分辨重建方法 |
-
2013
- 2013-06-07 CN CN201310225721.8A patent/CN103279933B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100290529A1 (en) * | 2009-04-14 | 2010-11-18 | Pankaj Topiwala | Real-time superresolution and video transmission |
CN101950365A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于ksvd字典学习的多任务超分辨率图像重构方法 |
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 |
US20120299906A1 (en) * | 2011-05-24 | 2012-11-29 | Derek Shiell | Model-Based Face Image Super-Resolution |
JP2013026659A (ja) * | 2011-07-15 | 2013-02-04 | Univ Of Tsukuba | 超解像画像処理装置及び超解像画像処理用辞書作成装置 |
CN103093445A (zh) * | 2013-01-17 | 2013-05-08 | 西安电子科技大学 | 基于联合稀疏约束的统一特征空间图像超分辨重建方法 |
Non-Patent Citations (5)
Title |
---|
JIANCHAO YANG 等: "Coupled Dictionary Training for Image Super-Resolution", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
JIANCHAO YANG 等: "Image Super-Resolution Via Sparse Representation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
KAIBING ZHANG 等: "Single Image Super-Resolution With Non-Local Means and Steering Kernel Regression", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
SHUYUAN YANG 等: "Single-Image Super-Resolution Reconstruction via Learned Geometric Dictionaries and Clustered Sparse Coding", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
江静 等: "图像超分辨率重建算法综述", 《红外技术》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761723B (zh) * | 2014-01-22 | 2016-10-26 | 西安电子科技大学 | 基于多层支持向量回归机模型的图像超分辨重建方法 |
CN103761723A (zh) * | 2014-01-22 | 2014-04-30 | 西安电子科技大学 | 基于多层支持向量回归机模型的图像超分辨重建方法 |
WO2015127847A1 (zh) * | 2014-02-25 | 2015-09-03 | 清华大学深圳研究生院 | 一种深度图的超分辨率处理方法 |
US10115182B2 (en) | 2014-02-25 | 2018-10-30 | Graduate School At Shenzhen, Tsinghua University | Depth map super-resolution processing method |
US20150348234A1 (en) * | 2014-05-30 | 2015-12-03 | National Chiao Tung University | Method for image enhancement, image processing apparatus and computer readable medium using the same |
US9552625B2 (en) * | 2014-05-30 | 2017-01-24 | National Chiao Tung University | Method for image enhancement, image processing apparatus and computer readable medium using the same |
CN104123707B (zh) * | 2014-08-07 | 2017-05-10 | 重庆大学 | 一种基于局部秩先验的单幅图像超分辨率重建方法 |
CN104123707A (zh) * | 2014-08-07 | 2014-10-29 | 重庆大学 | 一种基于局部秩先验的单幅图像超分辨率重建方法 |
CN104660951A (zh) * | 2015-01-21 | 2015-05-27 | 上海交通大学 | 一种高清转超高清视频图像的超分辨率放大方法 |
CN107622493A (zh) * | 2016-07-15 | 2018-01-23 | 西门子医疗有限公司 | 用于分割医学图像中的对象的方法和数据处理单元 |
CN107622493B (zh) * | 2016-07-15 | 2020-10-02 | 西门子医疗有限公司 | 用于分割医学图像中的对象的方法和数据处理单元 |
CN106295677A (zh) * | 2016-07-28 | 2017-01-04 | 浙江工业大学 | 一种联合拉斯正则项和特征自学习的水流图像分簇方法 |
CN106295677B (zh) * | 2016-07-28 | 2019-07-26 | 浙江工业大学 | 一种联合拉斯正则项和特征自学习的水流图像分簇方法 |
CN106558022A (zh) * | 2016-11-30 | 2017-04-05 | 重庆大学 | 一种基于边缘差异约束的单幅图像超分辨率重建方法 |
CN106558022B (zh) * | 2016-11-30 | 2020-08-25 | 重庆大学 | 一种基于边缘差异约束的单幅图像超分辨率重建方法 |
US10803378B2 (en) | 2017-03-15 | 2020-10-13 | Samsung Electronics Co., Ltd | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
US11354577B2 (en) | 2017-03-15 | 2022-06-07 | Samsung Electronics Co., Ltd | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
US10643092B2 (en) | 2018-06-21 | 2020-05-05 | International Business Machines Corporation | Segmenting irregular shapes in images using deep region growing with an image pyramid |
US10776923B2 (en) | 2018-06-21 | 2020-09-15 | International Business Machines Corporation | Segmenting irregular shapes in images using deep region growing |
US11790489B2 (en) | 2020-04-07 | 2023-10-17 | Samsung Electronics Co., Ltd. | Systems and method of training networks for real-world super resolution with unknown degradations |
Also Published As
Publication number | Publication date |
---|---|
CN103279933B (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279933A (zh) | 一种基于双层模型的单幅图像超分辨率重建方法 | |
Wang et al. | Ultra-dense GAN for satellite imagery super-resolution | |
Qin et al. | Multi-scale feature fusion residual network for single image super-resolution | |
Cho et al. | Weakly-and self-supervised learning for content-aware deep image retargeting | |
CN105741252B (zh) | 基于稀疏表示与字典学习的视频图像分级重建方法 | |
CN106558022B (zh) | 一种基于边缘差异约束的单幅图像超分辨率重建方法 | |
Sun et al. | Lightweight image super-resolution via weighted multi-scale residual network | |
CN103295197B (zh) | 基于字典学习和双边正则的图像超分辨率重建方法 | |
Cao et al. | Deconvolutional neural network for image super-resolution | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN110060204B (zh) | 一种基于可逆网络的单一图像超分辨率方法 | |
Lu et al. | A deep learning method for image super-resolution based on geometric similarity | |
CN102243711A (zh) | 一种基于邻域嵌套的图像超分辨率重建方法 | |
Lin et al. | Deep unsupervised learning for image super-resolution with generative adversarial network | |
CN114581347B (zh) | 无参考影像的光学遥感空谱融合方法、装置、设备及介质 | |
CN106097253A (zh) | 一种基于块旋转和清晰度的单幅图像超分辨率重建方法 | |
CN106600533B (zh) | 单图像超分辨率重建方法 | |
Li et al. | Single image super-resolution reconstruction based on genetic algorithm and regularization prior model | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
Muqeet et al. | Hybrid residual attention network for single image super resolution | |
Salem et al. | Semantic image inpainting using self-learning encoder-decoder and adversarial loss | |
Liu et al. | Facial image inpainting using attention-based multi-level generative network | |
Li et al. | Dual-streams edge driven encoder-decoder network for image super-resolution | |
CN104252715B (zh) | 一种基于单幅线条图像的三维立体重建方法 | |
CN116128722A (zh) | 基于频域-纹理特征融合的图像超分辨率重建方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161026 Termination date: 20190607 |
|
CF01 | Termination of patent right due to non-payment of annual fee |