CN106683049A - 一种基于显著图和稀疏表示的图像超分辨率重构方法 - Google Patents
一种基于显著图和稀疏表示的图像超分辨率重构方法 Download PDFInfo
- Publication number
- CN106683049A CN106683049A CN201611189524.5A CN201611189524A CN106683049A CN 106683049 A CN106683049 A CN 106683049A CN 201611189524 A CN201611189524 A CN 201611189524A CN 106683049 A CN106683049 A CN 106683049A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- alpha
- dictionary
- low
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 208000031481 Pathologic Constriction Diseases 0.000 claims 1
- 210000001215 vagina Anatomy 0.000 claims 1
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer 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
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显著图和稀疏表示的图像超分辨率重构方法,基于全局对比度的FT算法,与超分辨率重构算法相互结合,通过对低分辨率图像进行插值分块得到低分辨率图像块,以及采取FT算法检测得到的显著图进行二值化,按照图像块是否包含二值化显著图的显著点来判定是否为图像的显著区域,然后对图像的显著区域通过来联合训练方法对高低分辨率的字典对进行训练,并采取基于稀疏表示的超分辨率重构算法进行重构,非显著区域则采取双三次插值法,最后将各个图像块合并连接,得到最终的高分辨率图像。与现有的技术相比,本发明具有更快速的重构速率、有针对性地重构显著区域的优点。
Description
技术领域
本发明涉及信号处理领域,尤其是指一种基于显著图和稀疏表示的图像超分辨率重构方法。
背景技术
随着现代科技的进步,数学图像得到越来越广泛的应用,逐渐演变为最重要的信息,而图像的分辨率是评价一幅图像的内容丰富程度的客观标准,分辨率越高说明图像内容越丰富,人们可以从中分析得到的信息越多。根据实验表明,传统的基于双三次插值的图像超分辨率重构算法和Yang的基于稀疏表示的图像超分辨率重构算法各有各的优点和缺陷,前者运行速度比较快,但是随之带来的就是就是重构效果比较差,相比前者,后者虽然运行速度比较慢,计算运行效率低,但是重构效果比较好。
研究表明,人类从外界接收到的信息有七成是通过视觉来获取的,人类的视觉***能够根据先验条件快速注意到该物体最显著最重要的位置上,这种信息筛选机制就是视觉注意机制。图像的显著检测性方法在图像处理方面上有着广泛的应用,例如图像分割,提取图像信息等。对图像做显著区域检测处理,使得可以用较小的空间保存所需较多的图像信息,大大提高了数据传输的速率和处理速度等。
在很多应用背景下,例如检测某场景下的目标物体,对图像进行显著分割等,这样的情景下往往我们所关注的显著区域才是起关键性作用的,于是我们可以把图像显著性检测和超分辨率重构算法结合起来,对显著区域重点进行超分辨率重构,从而达到我们所预期的速率和效果。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供了一种基于显著图和稀疏表示的图像超分辨率重构方法,该方法具有更快速的重构速率、有针对性地重构显著区域的优点。
为实现上述目的,本发明所提供的技术方案为:一种基于显著图和稀疏表示的图像超分辨率重构方法,基于全局对比度的FT算法,与超分辨率重构算法相互结合,通过对低分辨率图像进行插值分块得到低分辨率图像块,以及采取FT算法检测得到的显著图进行二值化,按照图像块是否包含二值化显著图的显著点来判定是否为图像的显著区域,然后对图像的显著区域通过来联合训练方法对高低分辨率的字典对进行训练,并采取基于稀疏表示的超分辨率重构算法进行重构,非显著区域则采取双三次插值法,最后将各个图像块合并连接,得到最终的高分辨率图像。
本发明上述基于显著图和稀疏表示的图像超分辨率重构方法,包括以下步骤:
1)根据基于全局对比度的FT算法,对低分辨率图像进行显著性检测,计算出该图像的显著图,对显著图进行二值化,得到二值化显著图;
2)将输入的低分辨率图像进行插值分块,得到插值图像块;
3)依照步骤1)得到的二值化显著图,通过步骤2)得到的插值图像块是否包含显著图像像素点来判定采取哪种方法进行重构,若图像块包含显著图像像素点,采用基于稀疏表示的超分辨率重构方法,得到的重构图像块为xt;否则采用双三次插值法进行重构,得到的重构图像块为yt;
4)将步骤3)得到的重构后的图像块xt和yt进行拼接合并处理,得到最终的高分辨率图像X,然后对高分辨率图像X进行全局优化得到最终的高分辨率图像X*。
所述步骤3)包含以下内容:
3.1)基于稀疏表示的超分辨率重构方法采用联合训练高、低分辨率字典对方法来保持高、低分辨率字典对的同构性,具体过程如下:
3.1.1)输入训练样本X={x1,x2,···,xt};
3.1.2)采用高斯随机矩阵对字典D进行初始化,并归一化字典D的每一列;
3.1.3)当字典D固定,先用OMP算法来求解下列方程,来更新稀疏系数α:
3.1.4)当稀疏系数α固定,采用K-SVD算法更新字典D,并同时更新稀疏系数α时,迭代直至收敛为止,此时将问题转化为以下方程:
其中,λ是系数矩阵的稀疏度和字典的保真度,||α||1是L1范数,用来保证系数的稀疏度,是L2范数,用来去除模糊、噪声的干扰;
3.2)根据步骤3.1)的单个字典训练法,为了保证高、低频部分字典对所对应的稀疏表示系数是一样的,采用联合字典的训练方法进行训练高、低分辨率字典对,具体过程如下:
3.2.1)假设获取的字典训练图像对为{Xh,Yl},其中Xh={x1,x2,...,xn}是高分辨率纹理图像块集,Yl={y1,y2,...yn}是低分辨率图像块特征集;
3.2.2)针对高低分辨率部分的字典分别为:
将以上两个式子结合起来为:
其中,N,M分别为高低分辨率部分训练数据的向量形式的维度,1/N,1/M是平衡权重系数,上式转化为:
其中:
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明利用基于全局对比度的FT算法进行显著性检测,提高了显著区域的亮度,而且在自然图像数据库中能够较好地检测出显著目标,计算运行效率也比较高,其分辨率也比较高。
2、本发明在训练样本的过程中利用K-SVD算法进行联合训练的方法,加快了字典的更新速度,并且降低了算法的复杂度,更加简单,高效。
3、本发明将超分辨率重构与FT算法结合起来,能够针对性地恢复图像的显著性区域,具有更快速的重构速率,有针对性地重构显著区域的优点。
附图说明
图1为本发明基于显著图和稀疏表示的超分辨率重构方法的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的图像超分辨率重构方法,是基于全局对比度的FT算法,与超分辨率重构算法相互结合,通过对低分辨率图像进行插值分块得到低分辨率图像块,以及采取FT算法检测得到的显著图进行二值化,按照图像块是否包含二值化显著图的显著点来判定是否为图像的显著区域,然后对图像的显著区域通过来联合训练方法对高低分辨率的字典对进行训练,并采取基于稀疏表示的超分辨率重构算法进行重构,非显著区域则采取双三次插值法,最后将各个图像块合并连接,得到最终的高分辨率图像。
如图1所示,上述的图像超分辨率重构方法,包括以下步骤:
1)根据基于全局对比度的FT算法,对低分辨率图像进行显著性检测,计算出该图像的显著图,对显著图进行二值化,得到二值化显著图。
2)将输入的低分辨率图像进行插值分块,得到插值图像块。
3)依照步骤1)得到的二值化显著图,通过步骤2)得到的插值图像块是否包含显著图像像素点来判定采取哪种方法进行重构;图像块如果包含显著图像像素点,我们采取重构效果比较好,计算速率比较慢的基于稀疏表示的超分辨率重构方法,得到的重构图像块为xt;否则我们则采取重构效果稍差,计算速率快的双三次插值法进行重构,得到的重构图像块为yt;其具体如下:
3.1)基于稀疏表示的超分辨率重构方法采用联合训练高、低分辨率字典对方法来保持高、低分辨率字典对的同构性,具体过程如下:
3.1.1)输入训练样本X={x1,x2,···,xt};
3.1.2)采用高斯随机矩阵对字典D进行初始化,并归一化字典D的每一列;
3.1.3)当字典D固定,先用OMP算法来求解下列方程,来更新稀疏系数α:
3.1.4)当稀疏系数α固定,采用K-SVD算法更新字典D,并同时更新稀疏系数α时,迭代直至收敛为止,此时将问题转化为以下方程:
其中,λ是系数矩阵的稀疏度和字典的保真度,||α||1是L1范数,用来保证系数的稀疏度,是L2范数,用来去除模糊、噪声的干扰;
3.2)根据步骤3.1)的单个字典训练法,为了保证高、低频部分字典对所对应的稀疏表示系数是一样的,采用联合字典的训练方法进行训练高、低分辨率字典对,具体过程如下:
3.2.1)假设获取的字典训练图像对为{Xh,Yl},其中Xh={x1,x2,...,xn}是高分辨率纹理图像块集,Yl={y1,y2,...yn}是低分辨率图像块特征集;
3.2.2)针对高低分辨率部分的字典分别为:
将以上两个式子结合起来为:
其中,N,M分别为高低分辨率部分训练数据的向量形式的维度,1/N,1/M是平衡权重系数,上式可以转化为:
其中:
4)将步骤3)得到的重构后的图像块xt和yt进行拼接合并处理,得到最终的高分辨率图像X,然后对高分辨率图像X进行全局优化得到最终的高分辨率图像X*。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (3)
1.一种基于显著图和稀疏表示的图像超分辨率重构方法,其特征在于:基于全局对比度的FT算法,与超分辨率重构算法相互结合,通过对低分辨率图像进行插值分块得到低分辨率图像块,以及采取FT算法检测得到的显著图进行二值化,按照图像块是否包含二值化显著图的显著点来判定是否为图像的显著区域,然后对图像的显著区域通过来联合训练方法对高低分辨率的字典对进行训练,并采取基于稀疏表示的超分辨率重构算法进行重构,非显著区域则采取双三次插值法,最后将各个图像块合并连接,得到最终的高分辨率图像。
2.根据权利要求1所述的一种基于显著图和稀疏表示的图像超分辨率重构方法,其特征在于,包括以下步骤:
1)根据基于全局对比度的FT算法,对低分辨率图像进行显著性检测,计算出该图像的显著图,对显著图进行二值化,得到二值化显著图;
2)将输入的低分辨率图像进行插值分块,得到插值图像块;
3)依照步骤1)得到的二值化显著图,通过步骤2)得到的插值图像块是否包含显著图像像素点来判定采取哪种方法进行重构,若图像块包含显著图像像素点,采用基于稀疏表示的超分辨率重构方法,得到的重构图像块为xt;否则采用双三次插值法进行重构,得到的重构图像块为yt;
4)将步骤3)得到的重构后的图像块xt和yt进行拼接合并处理,得到最终的高分辨率图像X,然后对高分辨率图像X进行全局优化得到最终的高分辨率图像X*。
3.根据权利要求2所述的一种基于显著图和稀疏表示的图像超分辨率重构方法,其特征在于,所述步骤3)包含以下内容:
3.1)基于稀疏表示的超分辨率重构方法采用联合训练高、低分辨率字典对方法来保持高、低分辨率字典对的同构性,具体过程如下:
3.1.1)输入训练样本X={x1,x2,…,xt};
3.1.2)采用高斯随机矩阵对字典D进行初始化,并归一化字典D的每一列;
3.1.3)当字典D固定,先用OMP算法来求解下列方程,来更新稀疏系数α:
3.1.4)当稀疏系数α固定,采用K-SVD算法更新字典D,并同时更新稀疏系数α时,迭代直至收敛为止,此时将问题转化为以下方程:
其中,λ是系数矩阵的稀疏度和字典的保真度,||α||1是L1范数,用来保证系数的稀疏度,是L2范数,用来去除模糊、噪声的干扰;
3.2)根据步骤3.1)的单个字典训练法,为了保证高、低频部分字典对所对应的稀疏表示系数是一样的,采用联合字典的训练方法进行训练高、低分辨率字典对,具体过程如下:
3.2.1)假设获取的字典训练图像对为{Xh,Yl},其中Xh={x1,x2,...,xn}是高分辨率纹理图像块集,Yl={y1,y2,...yn}是低分辨率图像块特征集;
3.2.2)针对高低分辨率部分的字典分别为:
将以上两个式子结合起来为:
其中,N,M分别为高低分辨率部分训练数据的向量形式的维度,1/N,1/M是平衡权重系数,上式转化为:
其中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611189524.5A CN106683049A (zh) | 2016-12-21 | 2016-12-21 | 一种基于显著图和稀疏表示的图像超分辨率重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611189524.5A CN106683049A (zh) | 2016-12-21 | 2016-12-21 | 一种基于显著图和稀疏表示的图像超分辨率重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106683049A true CN106683049A (zh) | 2017-05-17 |
Family
ID=58870903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611189524.5A Pending CN106683049A (zh) | 2016-12-21 | 2016-12-21 | 一种基于显著图和稀疏表示的图像超分辨率重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106683049A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154488A (zh) * | 2017-12-27 | 2018-06-12 | 西北工业大学 | 一种基于显著图像块分析的图像运动模糊去除方法 |
CN108335264A (zh) * | 2018-01-30 | 2018-07-27 | 武汉大学 | 一种基于混合分辨率稀疏字典学习的图像超分辨率方法 |
CN108764301A (zh) * | 2018-05-07 | 2018-11-06 | 石家庄铁道大学 | 一种基于反向稀疏表示的混凝土裂缝检测方法 |
CN111340696A (zh) * | 2020-02-10 | 2020-06-26 | 南京理工大学 | 融合仿生视觉机制的卷积神经网络图像超分辨率重建方法 |
Citations (3)
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 |
CN102722876A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于残差的图像超分辨率重建方法 |
CN105844590A (zh) * | 2016-03-23 | 2016-08-10 | 武汉理工大学 | 基于稀疏表示的图像超分辨率重建方法及*** |
-
2016
- 2016-12-21 CN CN201611189524.5A patent/CN106683049A/zh active Pending
Patent Citations (3)
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 |
CN102722876A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于残差的图像超分辨率重建方法 |
CN105844590A (zh) * | 2016-03-23 | 2016-08-10 | 武汉理工大学 | 基于稀疏表示的图像超分辨率重建方法及*** |
Non-Patent Citations (2)
Title |
---|
方杰等: "基于非局部均值的混沌映射噪声抑制算法", 《华南理工大学学报》 * |
管超: "基于稀疏表示理论的图像超分辨重构算法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154488A (zh) * | 2017-12-27 | 2018-06-12 | 西北工业大学 | 一种基于显著图像块分析的图像运动模糊去除方法 |
CN108335264A (zh) * | 2018-01-30 | 2018-07-27 | 武汉大学 | 一种基于混合分辨率稀疏字典学习的图像超分辨率方法 |
CN108335264B (zh) * | 2018-01-30 | 2021-08-03 | 武汉大学 | 一种基于混合分辨率稀疏字典学习的图像超分辨率方法 |
CN108764301A (zh) * | 2018-05-07 | 2018-11-06 | 石家庄铁道大学 | 一种基于反向稀疏表示的混凝土裂缝检测方法 |
CN111340696A (zh) * | 2020-02-10 | 2020-06-26 | 南京理工大学 | 融合仿生视觉机制的卷积神经网络图像超分辨率重建方法 |
CN111340696B (zh) * | 2020-02-10 | 2022-11-04 | 南京理工大学 | 融合仿生视觉机制的卷积神经网络图像超分辨率重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537733B (zh) | 基于多路径深度卷积神经网络的超分辨率重建方法 | |
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 | |
CN110992270A (zh) | 基于注意力的多尺度残差注意网络图像超分辨率重建方法 | |
CN103218776B (zh) | 基于最小生成树的非局部的深度图超分辨率重建方法 | |
CN110232653A (zh) | 快速轻型超分辨率重建密集残差网络 | |
CN110544205B (zh) | 基于可见光与红外交叉输入的图像超分辨率重建方法 | |
CN110599401A (zh) | 遥感图像超分辨率重建方法、处理装置及可读存储介质 | |
CN103279933B (zh) | 一种基于双层模型的单幅图像超分辨率重建方法 | |
CN110717856A (zh) | 一种用于医学成像的超分辨率重建算法 | |
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 | |
CN106683049A (zh) | 一种基于显著图和稀疏表示的图像超分辨率重构方法 | |
CN108573479A (zh) | 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法 | |
CN112232134B (zh) | 一种基于沙漏网络结合注意力机制的人体姿态估计方法 | |
US12008779B2 (en) | Disparity estimation optimization method based on upsampling and exact rematching | |
CN110060286B (zh) | 一种单目深度估计方法 | |
CN107590775B (zh) | 一种利用回归树场的图像超分辨率放大方法 | |
CN105825477A (zh) | 基于多字典学习与非局部信息融合的遥感图像超分辨率重建方法 | |
CN106251297A (zh) | 一种改进的基于多幅图像模糊核估计的盲超分辨率重建算法 | |
CN110599411A (zh) | 一种基于条件生成对抗网络的图像修复方法及*** | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
CN116682120A (zh) | 基于深度学习的多语种马赛克图像文本识别方法 | |
CN114581330A (zh) | 一种基于多尺度混合注意力的太赫兹图像去噪方法 | |
Yang et al. | A survey of super-resolution based on deep learning | |
Hua et al. | Dynamic scene deblurring with continuous cross-layer attention transmission | |
CN117788296A (zh) | 基于异构组合深度网络的红外遥感图像超分辨率重建方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170517 |
|
WD01 | Invention patent application deemed withdrawn after publication |