CN103295197A - 基于字典学习和双边正则的图像超分辨率重建方法 - Google Patents
基于字典学习和双边正则的图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN103295197A CN103295197A CN2013101897838A CN201310189783A CN103295197A CN 103295197 A CN103295197 A CN 103295197A CN 2013101897838 A CN2013101897838 A CN 2013101897838A CN 201310189783 A CN201310189783 A CN 201310189783A CN 103295197 A CN103295197 A CN 103295197A
- Authority
- CN
- China
- Prior art keywords
- image
- dictionary
- initial
- pixel
- image block
- 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 Analysis (AREA)
- Image Processing (AREA)
Abstract
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率重建方法,可用于自然图像、遥感图像和医学图像的超分辨率重建。
背景技术
图像超分辨率重建是利用单幅或多幅低分辨率图像重建出一幅高分辨率图像的逆问题。为了解决这个问题,一些基于插值的方法和基于模型的重建方法被提出。插值的方法包括最近邻插值法和双线性插值法等,这类方法简单快速,但容易导致边缘模糊,达不到好的重建效果;基于模型的方法包括迭代反投影法、最大后验概率法、凸集投影法等,这类方法虽然能够产生较好的重建效果,但是重建模型的参数很难估计,提高图像分辨率的能力有限。随着机器学习技术的发展,大量的基于学习的超分辨率重建算法被提出。近年来比较流行的是Yang等人提出的基于稀疏表示的字典学习超分辨率重建方法,他们假设多数自然图像具有相似的结构表示基元,例如边缘、纹理等。自此,许多基于字典学习的重建方法得到了发展。
多数基于字典学习的重建方法可以有效利用外来高分辨样本图像的先验信息,但重建的图像质量存在不稳定性。当选择的高分辨样本图像不能有效提供待超图像丢失的信息时,重建效果会下降,并且这类方法忽略了待超图像本身的先验知识;另外,有些方法仅利用低分辨率图像自身的结构相似性实现分辨率提升,虽然充分利用了待超图像自身的先验信息,但该类方法受制于待超图像自身相似性的强弱,不能保证重建结果。
发明内容
本发明的目的在于针对基于字典学习的图像超分辨重建方法的缺点,提出一种基于字典学习和双边正则的图像超分辨率重建方法,充分利用待超低分辨图像提供的附加信息和外来的高分辨样本库的先验信息,提高图像重建的质量。
为实现上述目的,本发明的技术方案是:通过引入一个高分辨图像样本库,联合待超低分辨率图像的附加先验信息构造字典对,在降质模型的约束下设计目标优化函数,通过多次迭代得到高分辨图像。具体步骤包括如下:
(2)对初始高分辨率图像以0.8的比率做5个尺度的双线性插值处理,得到5幅插值图像O1,O2,O3,O4,O5,对5幅插值图像O1,O2,O3,O4,O5进行自适应的聚类字典训练,得到初始的内字典集合d0和R个聚类中心Ccenter={Ci,i=1,2,...,R},用R个聚类中心Ccenter={Ci,i=1,2,...,R}指导高分辨率样本库中的图像O1',O'2,O3'的字典训练,得到初始的外字典集合D0;
(3)在初始高分辨率图像上计算初始的正则权值矩阵W0;
(4)设迭代次数为n,n=0,1,2,...,299,初始迭代n=0,重建超分辨率图像:
4c)设误差精度ε=2e-9,N为重建图像中总的图像块个数,根据所述参数ε,N,判断迭代是否终止,若则终止迭代,输出重建图像否则将重建图像作为新的迭代输入图像,迭代次数加1,即n=n+1,并设指示参数p1=140;
4d)根据参数p1,n判断是否更新初始的外字典集合D0,初始的内字典集合d0和初始的权值矩阵W0,若n为p1的整数倍,则将初始的内字典集合D0更新为Dn,将初始的内字典集合d0更新为dn,将初始的权值矩阵W0更新为Wn;否则不更新,返回步骤4a)。
本发明与现有的技术相比具有以下优点:
1)本发明充分利用了高分辨率训练样本图像的先验知识和低分辨率图像的附加先验知识,克服了传统的基于字典学习的重建方法无法有效补充低分辨率图像缺失信息的缺点,能够更加高效和定向的补充低分辨率图像缺失的信息;
2)本发明的重建过程中应用了带方向信息的非局部双边正则约束项,在进行相似块匹配时,综合考虑了图像块的亮度距离、几何位置距离以及方向信息,克服了传统的非局部正则技术仅利用亮度距离衡量图像块相似性的缺点,有效提高了相似块匹配的精度。
实验表明,本发明适用于自然图像的超分辨率重建,较好的保持了图像的边缘以及纹理细节信息。
附图说明
图1是本发明的总流程图;
图2是本发明采用的三幅高分辨率训练样本图像;
图3是本发明用到的四幅测试图像的原始高分辨率图像;
图4是用本发明和现有三种重建方法对测试图像Foreman的重建效果图;
图5是用本发明和现有三种重建方法对测试图像Leaves的重建效果图;
图6是用本发明和现有三种重建方法对测试图像Cameraman的重建效果图;
图7是用本发明和现有三种重建方法对测试图像House的重建效果图。
具体实施方式
参照附图1,本发明的实现步骤如下:
步骤1.对5幅插值图像O1,O2,O3,O4,O5进行自适应的聚类字典训练,得到初始的内字典集合d0和R个聚类中心Ccenter={Ci,i=1,2,...,R}。
1a)分别提取5幅插值图像O1,O2,O3,O4,O5的高频特征,得到对应的高频特征图G1,G2,G3,G4,G5;
1b)分别在5幅插值图O1,O2,O3,O4,O5和5幅高频特征图G1,G2,G3,G4,G5上取7×7的图像块;将这5幅插值图上获取的所有图像块以列向量的形式依次排列,形成图像块集合将这5幅高频特征图上获取的所有特征块以列向量的形式依次排列,形成特征块集合
1c)利用K均值聚类的方法对特征块集合进行聚类,得到R个聚类中心Ccenter={Ci,i=1,2,...,R};
上述步骤1c)中所用的聚类方法包括K均值聚类方法,模糊C均值聚类方法等,本实例采用但不局限于为K均值聚类方法,K均值聚类方法的程序调用自“WeishengDong,Guangming Shi,Lei Zhang,and Xiaolin Wu,Image Deblurring andSuper-Resolution by Adaptive Sparse Domain Selection and Adaptive Regularization[J].IEEE Transactions on image processing,vol.20,no.7,pp.1838-1857,July2011.”。
上述步骤1d)中所用的训练字典的方法包括K-奇异值分解法,主成分分析法等,本实例采用但不局限于为主成分分析法,主成分分析法的程序调用自“Weisheng Dong,Guangming Shi,Lei Zhang,and Xiaolin Wu,Image Deblurring and Super-Resolution byAdaptive Sparse Domain Selection and Adaptive Regularization[J].IEEE Transactionson image processing,vol.20,no.7,pp.1838-1857,July2011.”。
步骤2.用R个聚类中心Ccenter={Ci,i=1,2,...,R}指导图2中的3幅高分辨率样本库中的图像O1',O'2,O3'的字典训练,得到初始的外字典集合D0。
2a)分别提取图2中的3幅高分辨率图像O1',O'2,O3'的高频特征,得到对应的高频特征图G1',G'2,G3';
2b)分别在图2中的3幅高分辨率图像O1',O'2,O3'和3幅特征图G1',G'2,G3'上取7×7的块,将这3幅高分辨率图像上获取的所有图像块以列向量的形式依次排列,形成图像块集合将这3幅高频特征图像上获取的所有特征块以列向量的形式依次排列,形成特征块集合
上述步骤2c)中所用的训练字典的方法包括K-奇异值分解法,主成分分析法等,本实例采用但不局限于为主成分分析法,主成分分析的法程序调用自“Weisheng Dong,Guangming Shi,Lei Zhang,and Xiaolin Wu,Image Deblurring and Super-Resolution byAdaptive Sparse Domain Selection and Adaptive Regularization[J].IEEE Transactionson image processing,vol.20,no.7,pp.1838-1857,July2011.”。
3a)设图像块ui为初始高分辨率图像的第i个图像块,设像素点ci为图像块ui的中心像素点,采用8个线性方向模板B1,B2,...,B8和初始高分辨率图像做卷积运算,该8个模板方向分别为0°,0°~45°,45°,45°~90°,90°,90°~135°,135°,135°~180°,每个模板的尺寸为7×7,卷积运算后,初始高分辨率图像的每个像素点处有8个卷积值;
3b)将像素点ci处的8个卷积值按降序排列为M1,M2,...,M8,设该最大卷积值M1是由模板Bx1,x1∈{1,2,...,8}和初始高分辨率图像卷积得到,设该次大卷积值为M2由模板Bx2,x2∈{1,2,...,8}和初始高分辨率图像卷积得到;计算所述两个卷积值M1和M2的差值Δ为:Δ=M1-M2;
3c)计算像素点ci处的8个卷积值M1,M2,...,M8的标准差τ:
3d)根据差值Δ和标准差τ获得像素点ci的主方向模板D:若Δ>τ,则D=Bx1,x1∈{1,2,...,;8}若Δ≤τ,则D为7×7的全1矩阵;
设图像块uj是以该相似窗内第j个像素点c'j为中心的图像块,j=1,2,...,143,设像素点ci在初始高分辨率图像上的二维坐标为Zi(x,y),设像素点c'j在初始高分辨率图像上的二维坐标为Zj(x,y);
3g)按照步骤3f)中所述方法,获得与像素点ci距离最近的25个像素点{c'pm,m=1,2,...,25},该25个像素点与像素点ci的亮度值欧氏距离为该25个像素点与像素点ci的几何位置欧氏距离为
3h)设亮度平滑控制参数h1=300,设几何平滑控制参数h2=100,根据亮度平滑控制参数h1和几何平滑控制参数h2,将上述的亮度值欧氏距离和几何位置欧氏距离代入高斯核函数exp(.),计算像素点ci与像素点c'pm的权重系数w(ci,c'pm):
4a)设矩阵C为采样矩阵,设低分辨图像为Il,设未知高分辨率图像为Ih,设正则参数β=0.18,设矩阵E为单位矩阵;
该步骤4d)中l2范数公式所用的求解方法包括梯度下降法,软阈值收缩法等,本实例采用但不局限于为梯度下降法,梯度下降法程序调用自“Weisheng Dong,Guangming Shi,Lei Zhang,and Xiaolin Wu,Image Deblurring and Super-Resolution byAdaptive Sparse Domain Selection and Adaptive Regularization[J].IEEE Transactionson image processing,vol.20,no.7,pp.1838-1857,July2011.”。
5g)设阈值参数ε2=0.35,根据阈值参数ε2,外字典稀疏表示系数α'D,内字典稀疏表示系数α'd,利用迭代加权的稀疏表示法,计算外字典正则参数λD和内字典正则参数λd:
其中,sign(.)表示符号函数,abs(.)表示取绝对值函数;
上述步骤5g)中外字典正则参数λD和内字典正则参数λd所用的求解方法包括迭代加权的稀疏表示法,全局加权的稀疏表示法等。本实例采用但不局限于为迭代加权的稀疏表示法,迭代加权的稀疏表示法的程序调用自“E.J.Candes,M.B.Wakin,and S.Boyd,Enhancing Sparsity by Reweighted l1Minimization[J],Journal of Fourier Analysisand Applications,vol.14,pp.877–905,2008.”。
上述步骤5h)中稀疏表示系数更新所用的求解方法包括梯度下降法,软阈值收缩法等。本实例采用但不局限于为软阈值收缩法,软阈值收缩法的程序调用自“I.Daubechies,M.Defriese,and C.DeMol,An iterative thresholding algorithm forlinearinverse problems with a sparsity constraint[J],Commun.Pure Appl.Math.,vol.57,pp.1413~1457,2004.”。
本发明的效果可以通过以下实验进一步说明:
1)实验条件
本实验采用的标准测试图像为Foreman、Leaves、Cameraman、House,如图3所示,采用MATLAB7.10.0软件作为仿真工具,计算机配置为Intel(R)Core(TM)2/2.33G/1.99G,本实验中,图像降质过程中的下采样因子设为3。
2)实验内容
实验1,利用Bicubic插值算法、ScSR算法、SCDL算法和本发明方法,对Foreman图像进行重建,结果如图4所示,其中图4(a)为Foreman图像的高分辨率图像,图4(b)为输入的低分辨率图像,图4(c)为Bicubic插值算法的重建结果,图4(d)为ScSR算法的重建结果,图4(e)为SCDL算法的重建结果,图4(f)为本发明的重建结果;
实验2,利用Bicubic插值算法、ScSR算法、SCDL算法和本发明方法,对Leaves图像进行重建,结果如图5所示,其中图5(a)为Leaves图像的高分辨率图像,图5(b)为输入的低分辨率图像,图5(c)为Bicubic插值算法的重建结果,图5(d)为ScSR算法的重建结果,图5(e)为SCDL算法的重建结果,图5(f)为本发明的重建结果;
实验3,利用Bicubic插值算法、ScSR算法、SCDL算法和本发明方法,对Cameraman图像进行重建,结果如图6所示,其中图6(a)为Cameraman图像的高分辨率图像,图6(b)为输入的低分辨率图像,图6(c)为Bicubic插值算法的重建结果,图6(d)为ScSR算法的重建结果,图6(e)为SCDL算法的重建结果,图6(f)为本发明的重建结果;
实验4,利用Bicubic插值算法、ScSR算法、SCDL算法和本发明方法,对House图像进行重建,结果如图7所示,其中图7(a)为House图像的高分辨率图像,图7(b)为输入的低分辨率图像,图7(c)为Bicubic插值算法的重建结果,图7(d)为ScSR算法的重建结果,图7(e)为SCDL算法的重建结果,图7(f)为本发明的重建结果。
实验结果分析
从图4—图7可以看出,本发明的重建图像的视觉效果要优于其它三种重建方法,对于输入的四幅测试图像Foreman、Leaves、Cameraman、House,图像的边缘和纹理细节信息都保持的比较好。
Claims (6)
1.一种基于字典学习和双边正则的图像超分辨率重建方法,包括如下步骤:
(2)对初始高分辨率图像以0.8的比率做5个尺度的双线性插值处理,得到5幅插值图像O1,O2,O3,O4,O5,对5幅插值图像O1,O2,O3,O4,O5进行自适应的聚类字典训练,得到初始的内字典集合d0和R个聚类中心Ccenter={Ci,i=1,2,...,R},用R个聚类中心Ccenter={Ci,i=1,2,...,R}指导高分辨率样本库中的图像O1',O'2,O3'的字典训练,得到初始的外字典集合D0;
(4)设迭代次数为n,n=0,1,2,...,299,初始迭代n=0,重建超分辨率图像:
4c)设误差精度ε=2e-9,N为重建图像中总的图像块个数,根据所述参数ε,N,判断迭代是否终止,若则终止迭代,输出重建图像否则将重建图像作为新的迭代输入图像,迭代次数加1,即n=n+1,并设指示参数p1=140;
4d)根据参数p1,n判断是否更新初始的外字典集合D0,初始的内字典集合d0和初始的权值矩阵W0,若n为p1的整数倍,则将初始的内字典集合D0更新为Dn,将初始的内字典集合d0更新为dn,将初始的权值矩阵W0更新为Wn;否则不更新,返回步骤4a)。
2.根据权利要求1所述的基于字典学习和双边正则的图像超分辨率重建方法,其中步骤(2)所述的对5幅插值图像O1,O2,O3,O4,O5进行自适应的聚类字典训练,得到初始的内字典集合d0和R个聚类中心Ccenter={Ci,i=1,2,...,R},按如下步骤进行:
2.1)分别提取5幅插值图像O1,O2,O3,O4,O5的高频特征,得到对应的高频特征图G1,G2,G3,G4,G5;
2.2)分别在5幅插值图O1,O2,O3,O4,O5和5幅高频特征图G1,G2,G3,G4,G5上取7×7的图像块;将这5幅插值图上获取的所有图像块以列向量的形式依次排列,形成图像块集合将这5幅高频特征图上获取的所有特征块以列向量的形式依次排列,形成特征块集合
3.根据权利要求1所述的基于字典学习和双边正则的图像超分辨率重建方法,其中步骤(2)所述的用R个聚类中心Ccenter={Ci,i=1,2,...,R}指导高分辨率样本库中的图像O1',O'2,O3'的字典训练,得到初始的外字典集合D0,按如下步骤进行:
2A)分别提取3幅高分辨率图像O1',O'2,O3'的高频特征,得到对应的高频特征图G1',G'2,G3';
2B)分别在3幅高分辨率图像O1',O'2,O3'和3幅特征图G1',G'2,G3'上取7×7的块,将这3幅高分辨率图像上获取的所有图像块以列向量的形式依次排列,形成图像块集合将这3幅高频特征图像上获取的所有特征块以列向量的形式依次排列,形成特征块集合
3a)设图像块ui为初始高分辨率图像的第i个图像块,设像素点ci为图像块ui的中心像素点,采用8个线性方向模板B1,B2,...,B8和初始高分辨率图像做卷积运算,该8个模板方向分别为0°,0°~45°,45°,45°~90°,90°,90°~135°,135°,135°~180°,每个模板的尺寸为7×7,卷积运算后,初始高分辨率图像的每个像素点处有8个卷积值;
3b)将像素点ci处的8个卷积值按降序排列为M1,M2,...,M8,设该最大卷积值M1是由模板和初始高分辨率图像卷积得到,设该次大卷积值为M2由模板和初始高分辨率图像卷积得到;计算所述两个卷积值M1和M2的差值Δ为:Δ=M1-M2;
3c)计算像素点ci处的8个卷积值M1,M2,...,M8的标准差τ:
3d)根据差值Δ和标准差τ获得像素点ci的主方向模板D:若Δ>τ,则D=Bx1,x1∈{1,2,...,8};若Δ≤τ,则D为7×7的全1矩阵;
设图像块uj是以该相似窗内第j个像素点c'j为中心的图像块,j=1,2,...,143,设像素点ci在初始高分辨率图像上的二维坐标为Zi(x,y),设像素点c'j在初始高分辨率图像上的二维坐标为Zj(x,y);
3g)按照步骤3f)中所述方法,获得与像素点ci距离最近的25个像素点{c'pm,m=1,2,...,25},该25个像素点与像素点ci的亮度值欧氏距离为该25个像素点与像素点ci的几何位置欧氏距离为
3h)设亮度平滑控制参数h1=300,设几何平滑控制参数h2=100,根据亮度平滑控制参数h1和几何平滑控制参数h2,将上述的亮度值欧氏距离和几何位置欧氏距离代入高斯核函数exp(.),计算像素点ci与像素点c'pm的权重系数w(ci,c'pm):
6.根据权利要求1所述的基于字典学习和双边正则的图像超分辨率重建方法,其中步骤4b)所述的应用初始的内字典集合d0,初始的外字典集合D0,R个聚类中心Ccenter={Ci,i=1,2,...,R}和输入的迭代图像对优化图像进行重建,得到重建后的图像按如下步骤进行:
4b7)设阈值参数ε2=0.35,根据阈值参数ε2,外字典稀疏表示系数α'D,内字典稀疏表示系数α'd,利用迭代加权的稀疏表示法,计算外字典正则参数λD和内字典正则参数λd:
其中,sign(.)表示符号函数,abs(.)表示取绝对值函数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310189783.8A CN103295197B (zh) | 2013-05-21 | 2013-05-21 | 基于字典学习和双边正则的图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310189783.8A CN103295197B (zh) | 2013-05-21 | 2013-05-21 | 基于字典学习和双边正则的图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103295197A true CN103295197A (zh) | 2013-09-11 |
CN103295197B CN103295197B (zh) | 2016-01-20 |
Family
ID=49096004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310189783.8A Expired - Fee Related CN103295197B (zh) | 2013-05-21 | 2013-05-21 | 基于字典学习和双边正则的图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103295197B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985111A (zh) * | 2014-02-21 | 2014-08-13 | 西安电子科技大学 | 一种基于双字典学习的4d-mri超分辨率重构方法 |
CN104360295A (zh) * | 2014-11-04 | 2015-02-18 | 中国科学院深圳先进技术研究院 | 基于字典学习的磁共振并行成像方法和装置 |
CN105072373A (zh) * | 2015-08-28 | 2015-11-18 | 中国科学院自动化研究所 | 基于双向循环卷积网络的视频超分辨率方法和*** |
CN105447836A (zh) * | 2015-12-30 | 2016-03-30 | 南京信息工程大学 | 一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法 |
CN105469371A (zh) * | 2015-12-30 | 2016-04-06 | 南京信息工程大学 | 一种基于双字典学习的非局部稀疏表示图像去噪方法 |
CN105590296A (zh) * | 2015-12-07 | 2016-05-18 | 天津大学 | 一种基于双字典学习的单帧图像超分辨率复原方法 |
CN105844589A (zh) * | 2016-03-21 | 2016-08-10 | 深圳市未来媒体技术研究院 | 一种基于混合成像***的实现光场图像超分辨的方法 |
CN104063855B (zh) * | 2014-05-28 | 2017-01-04 | 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 |
CN106934837A (zh) * | 2017-01-16 | 2017-07-07 | 鲁东大学 | 图像重构方法及装置 |
CN109064394A (zh) * | 2018-06-11 | 2018-12-21 | 西安电子科技大学 | 一种基于卷积神经网络的图像超分辨率重建方法 |
CN109447905A (zh) * | 2018-11-06 | 2019-03-08 | 大连海事大学 | 基于判别字典的海上图像超分辨率重建方法 |
CN110136066A (zh) * | 2019-05-23 | 2019-08-16 | 北京百度网讯科技有限公司 | 面向视频的超分辨率方法、装置、设备和存储介质 |
CN111340697A (zh) * | 2020-02-16 | 2020-06-26 | 西安工程大学 | 一种基于聚类回归的图像超分辨方法 |
US11004178B2 (en) | 2018-03-01 | 2021-05-11 | Nvidia Corporation | Enhancing high-resolution images with data from low-resolution images |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102800076A (zh) * | 2012-07-16 | 2012-11-28 | 西安电子科技大学 | 基于双字典学习的图像超分辨重建方法 |
-
2013
- 2013-05-21 CN CN201310189783.8A patent/CN103295197B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102800076A (zh) * | 2012-07-16 | 2012-11-28 | 西安电子科技大学 | 基于双字典学习的图像超分辨重建方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985111B (zh) * | 2014-02-21 | 2017-07-25 | 西安电子科技大学 | 一种基于双字典学习的4d‑mri超分辨率重构方法 |
CN103985111A (zh) * | 2014-02-21 | 2014-08-13 | 西安电子科技大学 | 一种基于双字典学习的4d-mri超分辨率重构方法 |
CN104063855B (zh) * | 2014-05-28 | 2017-01-04 | 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 |
CN104360295A (zh) * | 2014-11-04 | 2015-02-18 | 中国科学院深圳先进技术研究院 | 基于字典学习的磁共振并行成像方法和装置 |
CN104360295B (zh) * | 2014-11-04 | 2017-02-15 | 中国科学院深圳先进技术研究院 | 基于字典学习的磁共振并行成像方法和装置 |
CN105072373A (zh) * | 2015-08-28 | 2015-11-18 | 中国科学院自动化研究所 | 基于双向循环卷积网络的视频超分辨率方法和*** |
CN105072373B (zh) * | 2015-08-28 | 2018-03-27 | 中国科学院自动化研究所 | 基于双向循环卷积网络的视频超分辨率方法和*** |
CN105590296B (zh) * | 2015-12-07 | 2019-01-29 | 天津大学 | 一种基于双字典学习的单帧图像超分辨率复原方法 |
CN105590296A (zh) * | 2015-12-07 | 2016-05-18 | 天津大学 | 一种基于双字典学习的单帧图像超分辨率复原方法 |
CN105447836B (zh) * | 2015-12-30 | 2018-12-21 | 南京信息工程大学 | 一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法 |
CN105469371A (zh) * | 2015-12-30 | 2016-04-06 | 南京信息工程大学 | 一种基于双字典学习的非局部稀疏表示图像去噪方法 |
CN105447836A (zh) * | 2015-12-30 | 2016-03-30 | 南京信息工程大学 | 一种耦合聚类中心约束项的非局部稀疏表示图像去噪方法 |
CN105469371B (zh) * | 2015-12-30 | 2018-11-27 | 南京信息工程大学 | 一种基于双字典学习的非局部稀疏表示图像去噪方法 |
CN105844589A (zh) * | 2016-03-21 | 2016-08-10 | 深圳市未来媒体技术研究院 | 一种基于混合成像***的实现光场图像超分辨的方法 |
CN105844589B (zh) * | 2016-03-21 | 2018-12-21 | 深圳市未来媒体技术研究院 | 一种基于混合成像***的实现光场图像超分辨的方法 |
CN106934837A (zh) * | 2017-01-16 | 2017-07-07 | 鲁东大学 | 图像重构方法及装置 |
US11004178B2 (en) | 2018-03-01 | 2021-05-11 | Nvidia Corporation | Enhancing high-resolution images with data from low-resolution images |
US11544818B2 (en) | 2018-03-01 | 2023-01-03 | Nvidia Corporation | Enhancing high-resolution images with data from low-resolution images |
CN109064394A (zh) * | 2018-06-11 | 2018-12-21 | 西安电子科技大学 | 一种基于卷积神经网络的图像超分辨率重建方法 |
CN109447905A (zh) * | 2018-11-06 | 2019-03-08 | 大连海事大学 | 基于判别字典的海上图像超分辨率重建方法 |
CN109447905B (zh) * | 2018-11-06 | 2022-11-18 | 大连海事大学 | 基于判别字典的海上图像超分辨率重建方法 |
CN110136066A (zh) * | 2019-05-23 | 2019-08-16 | 北京百度网讯科技有限公司 | 面向视频的超分辨率方法、装置、设备和存储介质 |
CN110136066B (zh) * | 2019-05-23 | 2023-02-24 | 北京百度网讯科技有限公司 | 面向视频的超分辨率方法、装置、设备和存储介质 |
CN111340697A (zh) * | 2020-02-16 | 2020-06-26 | 西安工程大学 | 一种基于聚类回归的图像超分辨方法 |
CN111340697B (zh) * | 2020-02-16 | 2023-08-25 | 浙江昕微电子科技有限公司 | 一种基于聚类回归的图像超分辨方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103295197B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103295197A (zh) | 基于字典学习和双边正则的图像超分辨率重建方法 | |
CN103295196B (zh) | 基于非局部字典学习和双正则项的图像超分辨率重建方法 | |
Zhussip et al. | Training deep learning based image denoisers from undersampled measurements without ground truth and without image prior | |
Ghorai et al. | Multiple pyramids based image inpainting using local patch statistics and steering kernel feature | |
US9317929B2 (en) | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images | |
CN104574336B (zh) | 基于自适应亚模字典选择的超分辨率图像重建*** | |
CN106952228A (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
Li et al. | A two-channel convolutional neural network for image super-resolution | |
US9449395B2 (en) | Methods and systems for image matting and foreground estimation based on hierarchical graphs | |
Ma et al. | Sparse representation and position prior based face hallucination upon classified over-complete dictionaries | |
CN103279933A (zh) | 一种基于双层模型的单幅图像超分辨率重建方法 | |
CN106910215B (zh) | 一种基于分数阶梯度插值的超分辨率方法 | |
CN103455988A (zh) | 基于结构自相似性与稀疏表示的超分辨率图像重构方法 | |
Guo et al. | Multiscale semilocal interpolation with antialiasing | |
CN114463511A (zh) | 一种基于Transformer解码器的3D人体模型重建方法 | |
Purkait et al. | Image upscaling using multiple dictionaries of natural image patches | |
CN111340697A (zh) | 一种基于聚类回归的图像超分辨方法 | |
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 | |
Li et al. | A self-learning image super-resolution method via sparse representation and non-local similarity | |
Li et al. | Depth image super-resolution based on joint sparse coding | |
Hadwiger et al. | Sparse pdf maps for non-linear multi-resolution image operations. | |
Mikaeli et al. | Single-image super-resolution via patch-based and group-based local smoothness modeling | |
Xiong et al. | Gradient boosting for single image super-resolution | |
Luo et al. | Piecewise linear regression-based single image super-resolution via Hadamard transform | |
Yang et al. | Structural similarity regularized and sparse coding based super-resolution for medical images |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191125 Address after: 710000 Room 2F183, Building C0201, Pioneering Plaza, 48 Science and Technology Road, Xi'an High-tech Zone, Shaanxi Province Patentee after: Xi'an Intelligence Innovation Information Technology Co., Ltd. Address before: Xi'an City, Shaanxi province Taibai Road 710071 No. 2 Patentee before: Xi'an University of Electronic Science and Technology |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 Termination date: 20210521 |