CN106651770B - 基于拉普拉斯范数正则化的多光谱超分辨成像重构方法 - Google Patents
基于拉普拉斯范数正则化的多光谱超分辨成像重构方法 Download PDFInfo
- Publication number
- CN106651770B CN106651770B CN201610832828.2A CN201610832828A CN106651770B CN 106651770 B CN106651770 B CN 106651770B CN 201610832828 A CN201610832828 A CN 201610832828A CN 106651770 B CN106651770 B CN 106651770B
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- similar block
- resolution
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003384 imaging method Methods 0.000 title description 7
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 92
- 238000005070 sampling Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 description 14
- 238000002310 reflectometry Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于二阶拉普拉斯变换的图像超分辨重构方法,主要解决现有技术重构后的图像可信度不高及出现错误有色块的问题。其技术方案是:1.对低分辨率图像进行插值处理得到初始图像;2.根据设定的迭代公式,对初始图像进行迭代;3.对迭代后的图像进行分块和匹配相似块;4.将匹配后的相似块合并成各图像矩阵块;5.对图像矩阵块进行奇异值分解,并利用迭代收缩方法更新相似块;6.合并相似块获得更新后的图像矩阵块;6.将更新后的各图像矩阵块合并成图像,迭代实现图像的超分辨重构。本发明减少了错误有色块,有效提高了重构后图像的可信度和空间分辨率,可用于从低分辨率图像中重构出高分辨率图像。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种多光谱超分辨成像重构方法,用于从低分辨率图像中重构出高分辨率图像。
背景技术
超分辨成像的重构,是对低分辨率图像通过特定的方法重构出高分辨率图像。通常,通过超分辨成像的重构获得图像的空间高分辨率和多光谱图像高可信度。虽然现有的超分辨成像重构方法可获得比较高的空间分辨率图像。但是,现有的超分辨成像重构方法重构出的高分辨率灰度图中出现错误的有色块,如附图4(a)、4(b)、4(c)所示。并且对于一些要求比较精密的工作,比如材料分析、识别鉴别、精确分类等方面,需要提高空间分辨率和多光谱图像可信度。
目前,在提高多光谱可信度上没有很好的解决方法。提高空间分辨率的方法主要有两种有效的方法。
第一种方法是,在空间域直接进行超分辨图像重构,以此重构出空间高分辨率图像。但由于该重构方法忽略了高阶的谱间相关性,通过数学分析可知重构后的解是次优解,因此该方法不能有效提高图像的可信度。
第二种方法是,在图像重构时先对图像进行RGB到YUV的变换,然后进行空间超分辨重构,以此重构出空间高分辨率图像。但这种方法在带间去相关方面和谱段间结构适应性方面存在不足,因此不能有效提高图像的可信度,并且,在由RGB到YUV的变换过程中,会使图像的R、G、B各分量对应的空间位置无法对齐,最终在灰度图中出现错误的有色块,导致重构后的图像包含错误信息,进而不能准确实现图像的重构。
发明内容
本发明的目的是针对上述现有技术的不足,提出一种基于拉普拉斯l1,2范数正则化的超分辨重构方法,以减少现有方法重构后图像出现的错误信息,提高图像的空间分辨率和可信度。
本发明的实施方案是这样完成的:
一种基于拉普拉斯l1,2范数正则化的图像超分辨重构方法,包括如下步骤:
(1)对低分辨率图像进行双三次插值,得到初始的图像X(0);
(2)设定迭代公式X(l)=X(l-1)+δDT(Y-D(X(l-1))),其中l=1,2,…,L,L为最大迭代次数,X(l)为第l次迭代后的图像,δ为迭代正则参数;
(3)对初始图像X(0)利用上述设定的迭代公式获得第一次迭代后的图X(1);
(4)将第一次迭代后的图像X(1)分成M块,并对第i块利用块匹配方法获得Si个相似块矩阵,记x(i,j)为第i块第j个相似块矩阵,再将这Si个相似块合并成第i个图像矩阵Xi,其中i=1,2,....,M,j=1,2,…,Si;
(5)对图像矩阵Xi利用公式[U,Σ′,V]=SVD(Xi)进行奇异值分解,获得U,Σ′,V三个分解矩阵,其中U是与图像矩阵Xi相关的左正交矩阵,Σ′是包含图像矩阵Xi奇异值的奇异矩阵,V是与图像矩阵Xi相关的右正交矩阵;
(6)根据步骤(5)获得的U,Σ′,V这三个矩阵,利用公Xi=USμ(∑′)VT更新图像矩阵Xi,其中Sμ(∑′)=max(∑′-μl|k1,0)是对奇异矩阵Σ′的软阈值运算,VT代表对右正交矩阵V的转置,μl取奇异值矩阵Σ′中第三大特征值,k1为设定第一个正则项的参数,max()表示对其求最大值;
(7)利用基于全变分正则化中的重建方法更新相似块矩阵x(i,j)获得更新矩阵
(8)计算更新矩阵秩的最大值ri,j;
(9)利用公式对更新矩阵进行奇异值分解,获得U1,Σ1,V1三个分解矩阵,其中U1是与更新矩阵相关的左正交矩阵,Σ1是包含更新矩阵的奇异值的奇异矩阵,V1是与更新矩阵相关的右正交矩阵;
(10)设定收缩操作公式对相似块矩阵x(i,j)进行更新,式中,为与相似块矩阵x(i,j)距离最近的收缩矩阵,H(∑1)是使约束Rank(x(i,j))≤ri,j成立的一个硬阈值运算,V1 T代表对与相似块矩阵x(i,j)相关的右正交矩阵V1的转置,Rank(x(i,j))代表相似块矩阵x(i,j)的秩;
(11)将第i块的Si个相似块矩阵合并,获得第i个图像矩阵Xi;
(12)将M个图像矩阵Xi合并,获得图像X(1),返回步骤(2),重复上述步骤,直到经过L次迭代后输出超分辨重构图像X(L)。
本发明与现有技术相比具有以下优点
第一:提高重构后图像的空间分辨率和可信度。
本发明在现有的重构方法如A+、BCSR、NCSR方法基础上,考虑到空间结构上的相关性,使用迭代收缩方法更新相似块矩阵,使得本方法在峰值信噪比PSNR以及结构相关性SSIM表现更好,有效提高图像的空间分辨率和可信度。
第二:有效减少错误有色块。
现有方法重构出的图像会出现错误的有色块,而本发明利用二阶拉普拉斯空间特性,以及对相似块矩阵加约束,会有效减少错误有色块。
第三:重构后的图像更加准确。
现有方法重构出的高分辨图像与原高分辨图像的光谱反射率曲线有出入,而本发明的方法能够很好地拟合原图的光谱反射率曲线,因而重构后的图像更加准确。
附图说明
图1是本发明的实现流程图;
图2是仿真使用的原始光谱图像;
图3是可视化对比实验仿真时使用的低分辨率图像;
图4分别是用现有的A+方法、BSSC方法、NSCR方法以及本发明方法对图3进行重构的仿真结果对比图;
图5是可信度验证实验仿真时使用的原图像
图6是可信度验证实验中,用现有的A+方法、BSSC方法、NSCR方法以及本发明方法对图5进行重构后绘制的光谱反射率曲线图。
具体实施方式
下面结合附图和实例对本发明进行详细说明
参照图1,本发明的实现步骤如下:
步骤1,初始化。
对图2所示的原始光谱图像进行下采样处理获得如图3所示的低分辨率图像Y;
对低分辨率图像Y进行双三次插值,即对低分辨率图像矩阵隔行隔列抽取压缩得到抽样矩阵,对获得的抽样矩阵在行方向和列方向分别利用进行三次插值得到初始的图像X(0),式中,n为插值点个数,Ck是第k个原函数的值,h(x-xk)是插值基函数,该插值基函数的最高次幂为三次,且在定义域内基函数的一阶.二阶导数连续。
步骤2,对初始图像进行第一次迭代后,依次作分块、合并处理,获得图像矩阵。
(2a)设定迭代公式X(l)=X(l-1)+δDT(Y-D(X(l-1))),其中,l=1,2,…,L,L为最大迭代次数,X(l)为第l次迭代后的图像,δ为迭代正则化系数,其值为0.22;D(x)表示对x作下采样处理的函数;DT(x)表示D(x)的转置;
(2b)对步骤1获得的初始图像X(0)利用(2a)中设定公式进行迭代,得到第一次迭代后的图像X(1);
(2c)将第一次迭代后的图像X(1)分成M块,利用块匹配方法计算当前块与相邻块最近的块,获得Si个相似块矩阵,记x(i,j)为第i块第j个相似块矩阵,再将这Si个相似块合并成第i个图像矩阵Xi,其中,i=1,2,....,M,j=1,2,…,Si。
步骤3,对图像矩阵Xi进行奇异值分解,并更新该图像矩阵。
(3a)对图像矩阵Xi利用公式[U,Σ′,V]=SVD(Xi)进行奇异值分解,获得U,Σ′,V三个分解矩阵,其中U是与图像矩阵Xi相关的左正交矩阵,Σ′是包含图像矩阵Xi奇异值的奇异矩阵,V是与图像矩阵Xi相关的右正交矩阵;
(3b)根据步骤3a所获得的U,Σ′,V这三个矩阵,利用公式Xi=USμ(∑′)VT更新图像矩阵Xi,其中:
Sμ(∑′)=max(∑′-μl|k1,0)是对奇异矩阵Σ′的软阈值运算,
k1为设定第一个正则项的参数,取值为0.5,
VT代表对右正交矩阵V的转置,
μl取奇异值矩阵Σ′中第三大特征值,使得所获得的图像矩阵Xi低秩,
max()表示对其求最大值。
步骤4,利用基于全变分正则化的重建方法更新相似块矩阵x(i,j)。
本步骤的具体实现是根据全变分正则化的重建方法中的公式:
求解最小值问题,获得与相似块矩阵x(i,j)距离最近的更新矩阵式中:
x为自变量;argmin()表示使某个泛函取得最小值的函数;ρl是权重系数,取值为1;k2为设定第二个正则项的参数,取值为0.59;是对x做二阶拉普拉斯运算得到的矩阵;||·||1,2代表l1,2范数,代表l2范数的平方。
步骤5,估算更新矩阵的最大秩。
利用不等式约束估算得到更新矩阵的最大秩ri,j;其中,γk代表相似块矩阵x(i,j)的第k个奇异值;Γ为给定的阈值,其值为第二大奇异值和第三大奇异值的平均值。
步骤6,对更新矩阵进行奇异值分解,并更新相似块矩阵x(i,j)。
(6a)利用公式对更新矩阵进行奇异值分解,获得U1,Σ1,V1三个分解矩阵,其中U1是与更新矩阵相关的左正交矩阵,Σ1是包含更新矩阵的奇异值的奇异矩阵,V1是与更新矩阵的右正交矩阵;
(6b)设定收缩操作公式对相似块矩阵x(i,j)进行更新,其中:
为与相似块矩阵x(i,j)距离最近的收缩矩阵,
H(∑1)是使约束Rank(x(i,j))≤ri,j成立的一个硬阈值运算,
Rank(x(i,j))代表相似块矩阵x(i,j)的秩,
V1 T代表对与相似块矩阵x(i,j)相关的右正交矩阵V1的转置。
步骤7,依次合并相似块x(i,j)、图像矩阵Xi,迭代L次输出超分辨重构图像。
(7a)将步骤2中的图像X(1)分成M块,对于第i块,循环j次得到Si个相似块矩阵x(i,j),将其合并后获得第i个图像矩阵Xi,将M个图像矩阵Xi合并后获得图像X(1),其中i=1,2,....,M,j=1,2,…,Si;
(7b)将图像X(1)代入步骤2中设定的迭代公式获得图像X(2),对图像X(2)执行步骤2~(7a),获得新的图像X(2),再返回步骤2,依次执行l次迭代,获得第l次迭代后的图像X(l),其中,l=1,2,3,…,L,L取值为200;
(7c)判断图像X(l)是否迭代了L次,若是,停止迭代,输出重构后的高分辨图像X(L),若不是,则继续重复执行步骤2~(7a),直到l=L。
本发明的效果可通过以下的仿真进一步说明
1.仿真条件
本实验的硬件测试平台是:Intel Core i7CPU,主频3.40GHz,内存8GB;软件仿真平台为:windows 7、64位操作***和Matlab2013b。
2.仿真实验
仿真1:对比实验,
为了验证本发明中方法的有效性,以哥伦比亚公开的前八个光谱图像作为实验所需的原始光谱图像,对其进行下采样得到八个低分辨率图像A~H。
用本发明方法和现有的A+方法、NCSR方法、BSSC方法分别对低分辨率图像A~H进行重构获得八个重构后的高分辨率图像a~h,分别在σ2=0和σ2=25不同水平的噪声下,比较重构后的高分辨率图像a~h的信噪比PSNR的大小以及结构相似性SSIM的大小,结果在表1所示。
表1
从表1中可以看出:在不同水平的噪声下,本发明方法的信噪比PSNR的大小比A+方法平均能增加0.67dB~1.08dB、比BCSR方法平均增加0.7dB~2.22dB、比NCSR方法平均增加0.24dB~0.96dB,结构相关性SSIM从表中也可以看出,本发明方法的结构相关性大小均比其他方法要高。
仿真2:可视化对比实验
为了更加可视化的突出本发明会有效减少有色块的优点,对图2进行下采样处理获得图3所示的低分辨率图像,对图3通过本发明方法和现有的A+方法、NCSR方法、BSSC方法进行重构,获得如图4表示的重构后的彩色图像,结果如图所示,其中:
4(a)是通过A+方法进行重构后彩色图像,
4(b)是通过BSSC方法进行重构后彩色图像,
4(c)是通过NCSR方法进行重构后彩色图像,
4(d)是通过本发明方法进行重构后彩色图像。
从图4(a)~4(d)对比图2原图,可以看出,A+、BCSR、NCSR方法重构的高分辨图像会呈现不同程度的错误色块。而本发明重构后的高分辨率图像有效减少了错误有色块。
仿真3:可信度验证实验,
为了说明本发明方法在可信度上的优越性,从图5选取材料相同、光谱特征相同的三点:即第一点1、第二点2、第三点3。
对图5进行下采样处理获得低分辨率图像Y1,对低分辨率图像Y1通过本发明方法和现有的A+方法、NCSR方法、BSSC方法进行重构,获得重构后的高分辨率图像。
绘制重构后的高分辨率图像中点1、点2、点3的光谱反射率曲线图,同时绘制图5的光谱反射率曲线图,结果如图6所示,其中,
图6(a)表示第一点1的光谱反射率曲线图,
图6(b)表示第二点2的光谱反射率曲线图,
图6(c)表示第三点3的光谱反射率曲线图。
对比图6所示的三点光谱反射率曲线,可以明显看出A+、BCSR、NCSR方法重构的高分辨率图像与原图像的光谱反射率曲线有较大的出入,而本发明方法能够很好拟合原图的光谱反射率的曲线,实现准确重构,保证了重构的高分辨率图像的可信度。
Claims (3)
1.一种基于拉普拉斯范数正则化的图像超分辨重构方法,包括如下步骤:
(1)对低分辨率图像进行双三次插值,得到初始的图像X(0);
(2)设定迭代公式其中L为最大迭代次数,为第次迭代后的图像,δ为迭代正则系数,Y为原始光谱图像进行下采样处理获得的低分辨率图像;
(3)对初始图像X(0)利用上述设定的迭代公式获得第一次迭代后的图像X(1);
(4)将第一次迭代后的图像X(1)分成M块,并对第i块利用块匹配方法获得Si个相似块矩阵,记x(i,j)为第i块第j个相似块矩阵,再将这Si个相似块合并成第i个图像矩阵Xi,其中i=1,2,....,M,j=1,2,…,Si;
(5)对图像矩阵Xi利用公式[U,Σ′,V]=SVD(Xi)进行奇异值分解,获得U,Σ′,V三个分解矩阵,其中U是与图像矩阵Xi相关的左正交矩阵,Σ′是包含图像矩阵Xi奇异值的奇异矩阵,V是与图像矩阵Xi相关的右正交矩阵;
(6)根据步骤(5)获得的U,Σ′,V这三个矩阵,利用公式Xi=USμ(∑′)VT更新图像矩阵Xi,其中Sμ(∑′)=max(∑′-μl|k1,0)是对奇异矩阵Σ′的软阈值运算,VT代表对右正交矩阵V的转置,μl取奇异值矩阵Σ′中第三大特征值,k1为设定第一个正则项的参数,max()表示对其求最大值;
(7)利用基于全变分正则化中的重建方法更新相似块矩阵x(i,j)获得更新矩阵
(8)计算更新矩阵秩的最大值ri,j;
(9)利用公式对更新矩阵进行奇异值分解,获得U1,Σ1,V1三个分解矩阵,其中U1是与更新矩阵相关的左正交矩阵,Σ1是包含更新矩阵的奇异值的奇异矩阵,V1是与更新矩阵相关的右正交矩阵;
(10)设定收缩操作公式对相似块矩阵x(i,j)进行更新,式中,为与相似块矩阵x(i,j)距离最近的收缩矩阵,H(∑1)是使约束Rank(x(i,j))≤ri,j成立的一个硬阈值运算,V1 T代表对与相似块矩阵x(i,j)相关的右正交矩阵V1的转置,Rank(x(i,j))代表相似块矩阵x(i,j)的秩;
(11)将第i块的Si个相似块矩阵合并,获得第i个图像矩阵Xi;
(12)将M个图像矩阵Xi合并,获得图像X(1),返回步骤(2),重复上述步骤,直到经过L次迭代后输出超分辨重构图像X(L)。
2.根据权利要求1所述的方法,其中步骤(7)中利用基于全变分正则化的重建方法更新相似块矩阵x(i,j),通过如下公式进行:
式中,x为自变量;为更新后的矩阵;argmin()表示使某个泛函取得最小值的函数;ρl是权重系数,取值为1;k2为设定第二个正则项的参数,取值为0.59;是对x做二阶拉普拉斯运算得到的矩阵;||·||1,2代表范数,代表范数的平方。
3.根据权利要求1所述的方法,其中步骤(8)中计算相似块矩阵x(i,j)的最大秩的ri,j,是通过不等式约束估算得到,其中,∑表示求和符号;γk代表相似块矩阵x(i,j)的第k个奇异值;Γ为给定的阈值,其值为第二大奇异值和第三大奇异值的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610832828.2A CN106651770B (zh) | 2016-09-19 | 2016-09-19 | 基于拉普拉斯范数正则化的多光谱超分辨成像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610832828.2A CN106651770B (zh) | 2016-09-19 | 2016-09-19 | 基于拉普拉斯范数正则化的多光谱超分辨成像重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651770A CN106651770A (zh) | 2017-05-10 |
CN106651770B true CN106651770B (zh) | 2019-07-23 |
Family
ID=58853152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610832828.2A Active CN106651770B (zh) | 2016-09-19 | 2016-09-19 | 基于拉普拉斯范数正则化的多光谱超分辨成像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651770B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685125A (zh) * | 2018-12-14 | 2019-04-26 | 大连海事大学 | 基于频繁传感器事件序列的日常行为特征挖掘及计算方法 |
CN111257833B (zh) * | 2019-12-24 | 2023-08-01 | 重庆大学 | 一种基于拉普拉斯范数的快速迭代收缩阈值的声源识别方法 |
CN111311729B (zh) * | 2020-01-18 | 2022-03-11 | 西安电子科技大学 | 一种基于双向投影网络的自然场景三维人体姿态重建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156878A (zh) * | 2011-04-08 | 2011-08-17 | 南京邮电大学 | 一种基于带有流形信息稀疏映射的人脸识别方法 |
CN103473740A (zh) * | 2013-08-31 | 2013-12-25 | 西安电子科技大学 | 基于稀疏表示和低秩双重约束的非局部去噪方法 |
CN104200439A (zh) * | 2014-09-05 | 2014-12-10 | 西安电子科技大学 | 基于自适应滤波和正则约束的图像超分辨方法 |
CN105021280A (zh) * | 2015-08-13 | 2015-11-04 | 西安电子科技大学 | 基于全色和压缩光谱成像的图像超分辨率***及方法 |
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 |
-
2016
- 2016-09-19 CN CN201610832828.2A patent/CN106651770B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156878A (zh) * | 2011-04-08 | 2011-08-17 | 南京邮电大学 | 一种基于带有流形信息稀疏映射的人脸识别方法 |
CN103473740A (zh) * | 2013-08-31 | 2013-12-25 | 西安电子科技大学 | 基于稀疏表示和低秩双重约束的非局部去噪方法 |
CN104200439A (zh) * | 2014-09-05 | 2014-12-10 | 西安电子科技大学 | 基于自适应滤波和正则约束的图像超分辨方法 |
CN105021280A (zh) * | 2015-08-13 | 2015-11-04 | 西安电子科技大学 | 基于全色和压缩光谱成像的图像超分辨率***及方法 |
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 |
Non-Patent Citations (2)
Title |
---|
High-resolution spectral imaging based on coded dispersion;Yaohai Lin 等;《Europe PMC》;20130201;第194-200页 |
基于自学习的稀疏正则化图像超分辨率方法;李娟 等;《仪器仪表学报 》;20150311;第1041-1048页 |
Also Published As
Publication number | Publication date |
---|---|
CN106651770A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Details or artifacts: A locally discriminative learning approach to realistic image super-resolution | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN106952228B (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 | |
Zhang et al. | Learning multiple linear mappings for efficient single image super-resolution | |
CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
Zhang et al. | CCR: Clustering and collaborative representation for fast single image super-resolution | |
Lu et al. | Image super-resolution via double sparsity regularized manifold learning | |
Ren et al. | Single image super-resolution using local geometric duality and non-local similarity | |
CN105513033B (zh) | 一种非局部联合稀疏表示的超分辨率重建方法 | |
CN106651770B (zh) | 基于拉普拉斯范数正则化的多光谱超分辨成像重构方法 | |
CN104657962B (zh) | 基于级联线性回归的图像超分辨重建方法 | |
Huang et al. | Single image super-resolution via multiple mixture prior models | |
Ding et al. | Tgan: Deep tensor generative adversarial nets for large image generation | |
Yang et al. | Image super-resolution based on deep neural network of multiple attention mechanism | |
CN106600533B (zh) | 单图像超分辨率重建方法 | |
CN111640059B (zh) | 基于高斯混合模型的多字典图像超分辨方法 | |
Gao et al. | Locality-constrained double low-rank representation for effective face hallucination | |
CN112184549A (zh) | 基于时空变换技术的超分辨图像重建方法 | |
Xue et al. | Research on gan-based image super-resolution method | |
Wen et al. | The power of complementary regularizers: Image recovery via transform learning and low-rank modeling | |
US20240046602A1 (en) | Hyperspectral image distributed restoration method and system based on graph signal processing and superpixel segmentation | |
Alonso-Fernandez et al. | Super-resolution for selfie biometrics: Introduction and application to face and iris | |
Güven et al. | An augmented Lagrangian method for image reconstruction with multiple features | |
Zhou et al. | Nonlinear image interpolation via deep neural network | |
Zhang et al. | Image super-resolution via RL-CSC: when residual learning meets convolutional sparse coding |
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 |