CN109064403A - 基于分类耦合字典稀疏表示的指纹图像超分辨率方法 - Google Patents
基于分类耦合字典稀疏表示的指纹图像超分辨率方法 Download PDFInfo
- Publication number
- CN109064403A CN109064403A CN201810908519.8A CN201810908519A CN109064403A CN 109064403 A CN109064403 A CN 109064403A CN 201810908519 A CN201810908519 A CN 201810908519A CN 109064403 A CN109064403 A CN 109064403A
- Authority
- CN
- China
- Prior art keywords
- block
- fingerprint
- resolution
- low resolution
- classification
- 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
- 238000010168 coupling process Methods 0.000 title claims abstract description 46
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 46
- 230000008878 coupling Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图形处理技术领域,提供了一种基于分类耦合字典稀疏表示的指纹图像超分辨率方法,该方法包括如下步骤:S1、基于构建的字典学习模型,对分类耦合字典学习样本块集进行分类训练,构建高低分辨率分类耦合字典;S2、基于输入的低分辨率指纹图像块的脊线方向,选择对应类的高低分辨率分类耦合字典,重构高分辨率指纹图像。充分考虑了点梯度模在指纹块脊线方向估计中的贡献,通过块点梯度矢量集加权线性投影分析对指纹块脊线方向进行估计,提高了指纹块脊线方向估计的准确性和可靠性,基于脊线约束的分类耦合字典的使用提高了指纹图像稀疏建模的有效性,在保证指纹脊线可靠重构的同时,尽可能地抑制了噪声,更好地保存了脊线模式信息。
Description
技术领域
本发明属于图像处理技术领域,提供了一种基于分类耦合字典稀疏表示的指纹图像超分辨率方法。
背景技术
图像超分辨率重构技术是当前图像处理领域的研究热点之一。图像超分辨率是一种图像分辨率增强技术,广泛应用在低质量医学图像、遥感图像和卫星图像等诊断或分析极为困难的场合。图像超分辨率技术的目的是依据输入低分辨率(Low Resolution,LR)图像得到高分辨率(High Resolution,HR)输出图像。显然,高分辨率图像中的像素密度高,能够提供更多的细节,而这些细节在许多实际应用中不可或缺。目前对图像超分辨率增强问题的研究在人脸图像超分辨率和核磁共振图像超分辨率等领域取得了极大成功。
生物识别技术是当前信息科学技术领域研究的热点之一,而指纹识别则是目前应用最多,也是目前应用最好的生物识别技术之一。尽管人们对自动指纹识别技术已经进行了广泛而深入的研究,也取得了***的成果,但对于低质量指纹图像的识别仍然存在很多挑战性的问题。在已有的研究文献中,低质量指纹图像的质量可以通过各种增强方法来改进,但绝大多数指纹增强方法都是基于不变分辨率进行的,指纹图像超分辨率的研究并不常见。而在实际应用中,由于受到各种现实条件的限制(如移动设备等),在某些情况下,我们只能获得低分辨率的指纹,而对低分辨率的指纹图像的识别是非常困难的,有时甚至会变得毫无意义,因此,对低分辨率指纹图像进行高分辨率重构时十分必要的。
在单个图像超分辨率重构算法中,为了使单个图像超分辨率更具鲁棒性,获得一个可靠且有效的图像先验信息是至关重要的。指纹图像超分辨的目的是设计一种可行的方法,实现低分辨率输入指纹的高分辨率重构问题,进而提高指纹识别***的性能。与自然界一般真实图像不同,指纹具有非常稳定可靠的脊线模式先验。指纹脊线方向描述了指纹局部脊线模式,它在自动指纹识别***的各个阶段都起着重要的作用。因此,将指纹脊线模式先验引入指纹图像超分辨率重构时可行的。已有研究文献提出基于聚类的方法对指纹图像训练集进行分类,从而构建分类字典进行指纹图像超分辨率重构。然而,由于指纹图像块方向分布的不一致性,使用聚类得到的训练集会导致每类的样本分布不均匀。在极端情况下,某些类可能只有少量的训练样本,可能导致该类字典学习变得毫无意义,进而使得该类指纹块的超分辨率重构出现严重错误。
发明内容
本发明实施例提供了一种基于分类耦合字典稀疏表示的指纹图像超分辨率方法,旨在解决现有基于分类字典进行指纹图像超分辨率重构方法,由于某些类可能只有少量的训练样本,可能使得该类字典学习存在偏差,导致该类指纹块的超分辨率重构出现严重错误的问题。
本发明是这样实现的,一种基于分类耦合字典稀疏表示的指纹图像超分辨率方法,该方法包括如下步骤:
S1、基于构建的字典学习模型,对分类耦合字典学习样本块集进行分类训练,构建高低分辨率分类耦合字典;
S2、基于输入的低分辨率指纹图像块的脊线方向,选择对应类的高低分辨率分类耦合字典,重构高分辨率指纹图像。
进一步的,所述分类耦合字典学习样本块集的构建方法包括如下步骤:
S11、构建高分辨率指纹图像训练集及对应的低分辨率指纹图像训练集;
S12、对高分辨率指纹图像训练集及低分辨率指纹图像训练集中的指纹图像分块,分别构建高分辨率训练指纹块候选集及低分辨率训练指纹块候选集;
S13、计算高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中指纹块内所有点的梯度矢量及指纹块内点方向相似度R(i,j),以点方向相似度为权值,基于指纹块的点梯度矢量集,采用加权线性投影分析方法计算对应指纹块的脊线方向θ及块点方向的一致性参数Coh;
S14、依据脊线方向对高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中的所有指纹块进行分类,分别得到高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集;
S15、依据块点方向一致性参数Coh,从高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集中分别抽取高质量的样本,构成高分辨率分类指纹图像块训练集及低分辨率分类指纹图像块训练集;
S16、将低分辨率分类指纹图像块训练集中的每类指纹块转换到特征空间,构建对应的低分辨率训练块分类特征样本集;
高分辨率分类指纹图像块训练集及低分辨率训练块分类特征样本集构建分类耦合字典学习样本块集。
进一步的,高低分辨率分类耦合字典的构建方法具体如下:
基于构建的字典学习模型,对分类耦合字典学习样本块集进行训练,每类分类耦合字典学习样本块集分别学习一个稀疏字典,即构建高低分辨率分类耦合字典。
进一步的,所述步骤S2具体包括如下步骤:
S21、上采样输入的低分辨率指纹图像,将低分辨率指纹图像的尺度缩放至超分辨率指纹图像的尺度,以获得标准尺寸的低分辨率指纹图像;
S22、在空域基于重叠窗口对标准尺寸的低分辨率指纹图像分块,计算低分辨率指纹块的脊线方向;
S23、根据块脊线方向将每个低分辨率指纹块划分到对应的类并提取低分辨率指纹块的特征
S24、对于每一类指纹块特征从高低分辨率分类耦合字典D中选择相应的低分辨率分类特征字典计算对应的稀疏系数向量
S25、将重建的高分辨率块反馈回对应的低分辨率指纹块,即重建的高分辨率指纹图像Y。
本发明具有如下有益技术效果:
(1)充分考虑了点梯度模在指纹块脊线方向估计中的贡献,通过块点梯度矢量集加权线性投影分析对指纹块脊线方向进行估计,提高了指纹块脊线方向估计的准确性和可靠性;
(2)基于块脊线方向和块点方向一致性抽样高质量的指纹图像块构建指纹块分类训练样本集,保证了分类样本中拥有更为准确、可靠的脊线模式信息;
(3)将指纹脊线模式先验引入字典学习,使得分类耦合字典能够学习到更为可靠的指纹脊线特征;
(4)基于脊线约束的分类耦合字典的使用提高了指纹图像稀疏建模的有效性,在保证指纹脊线可靠重构的同时,尽可能地抑制了噪声,更好地保存了脊线模式信息;
(5)提出的方法能够有效重构低分辨率指纹图像,拥有很强的普适性和鲁棒性,具有一定的优势。
附图说明
图1为本发明实施例提供的基于分类耦合字典稀疏表示的指纹图像超分辨率方法流程图;
图2为本发明实施例提供的分类耦合字典学习样本块集构建方法流程图;
图3为本发明实施例提供的高分辨率指纹图像重构方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明充分考虑点梯度矢量模在指纹块方向估计中的贡献,采用基于指纹块点梯度向量加权线性投影分析的方法对指纹脊线方向进行估计,得到准确、可靠的指纹脊线方向,从而保证分类样本中拥有可靠的脊线模式信息。为了进一步捕获更可靠的脊线模式先验,依据指纹图像块点方向一致性方法抽样每类中的高质量块来构建相应的训练集。对低分辨率字典而言,这里在特征空间中进行构造,使用LR指纹块的一阶和二阶导数构建LR分类特征字典学习训练集,完成LR分类特征字典的构建。在重构高分辨率指纹图像时,依据输入低分辨率指纹块的脊线方向,选择对应的高低分辨率分类耦合字典重构高分辨率指纹图像。基于脊线约束的分类耦合字典的使用提高了指纹图像稀疏建模的有效性,在保证脊线能够可靠重构的同时,尽可能地抑制了噪声,更好地保存了脊线模式信息。
图1为本发明实施例提供的基于分类耦合字典稀疏表示的指纹图像超分辨率方法流程图,该方法包括如下步骤:
S1、基于无监督自适应字典学习模型,对分类耦合字典学习样本块集分类训练,构建具有脊线先验约束的高低分辨率分类耦合字典D;
其中,分类耦合字典学习样本块集由高分辨率分类指纹图像块训练集及低分辨率训练块分类特征样本集组成;高分辨率分类指纹图像块训练集中分类存储有指纹块点方向一致性好的高分辨率指纹块样本,将与高分辨率分类指纹块图像训练集相应的低分辨分类指纹图形块训练集转换到特征空间,即构成低分辨率训练块分类特征样本集,低分辨率分类指图像纹块训练集中分类存储有指纹块点方向一致性好的低分辨率指纹块样本;
高低分辨率分类耦合字典D由C组低分辨率分类特征字典及高分辨率分类字典对耦合而成,C组即对应于高分辨率分类指纹图形块训练集及低分辨率训练块分类特征样本集中的样本种类数,高低分辨率分类耦合字典D可以描述为:
图2为本发明实施例提供的分类耦合字典学习样本块集构建方法流程图,该方法包括如下步骤:
S11、构建高分辨率指纹图像训练集及对应的低分辨率指纹图像训练集;
抽样高分辨率指纹图形训练样本构成高分辨率指纹图像训练集,将高分辨率指纹图像训练集中每个指纹图像以缩放因子m向下采样生成对应的低分辨率指纹图像,然后再将低分辨率指纹图像向上采样到对应的高分辨率指纹图像的大小,构建低分辨率指纹图像训练集。
S12、对高分辨率指纹图像训练集及低分辨率指纹图像训练集中的指纹图像分块,分别构建高分辨率训练指纹块候选集及低分辨率训练指纹块候选集;
在空域基于重叠窗口对高分辨率指纹图像训练集及低分辨率指纹图像训练集中的指纹图像分块,窗口尺度为8×8像素,即分块后的指纹图像块的大小为8×8像素,分别构建高分辨率训练指纹块候选集和低分辨率训练指纹块候选集。
S13、计算高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中指纹块内所有点的梯度矢量及指纹块内点方向相似度R(i,j),以点方向相似度为权值,基于指纹块的点梯度矢量集,采用加权线性投影分析方法计算对应指纹块的脊线方向θ及块点方向的一致性参数Coh;
针对高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中的所有指纹块样本,计算指纹块内所有点的梯度矢量及指纹块内点方向相似度R(i,j),梯度矢量的计算公式如公式(1)所示,
其中,Gx(x,y)、Gy(x,y)分别为像素P(x,y)在x方向和y方向的梯度。
点方向相似度R(i,j)的计算公式如公式(2)所示:
其中,(i、j)为指纹块内某个像素点的坐标,m、n为块内所有像素点坐标;W为指纹块尺度大小,即为窗口大小。
以点方向相似度为权值,基于块点梯度矢量集(块点梯度矢量集中存储某个指纹块的块内所有点的梯度矢量),使用加权线性投影分析方法计算指纹块的脊线方向θ和块内点方向一致性参数Coh,
指纹块的脊线方向θ的计算公式如公式(3)至公式(6)所示:
其中,λ1,λ2为加权梯度向量投影矩阵Vs的特征值,Gxx、Gyy分别为块内所有梯度向量x方向、y方向的加权平方和;Gxy为块内所有梯度向量x方向、y方向分量加权乘积的和;Rj为块内对应像素点的权值;Vj为块内某点对应的梯度向量,Φ为指纹块梯度方向。
块内点方向一致性参数Coh的计算公式如公式(7)所示
其中,λ1,λ2为加权梯度向量投影矩阵Vs的特征值。
S14、依据脊线方向对高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中的所有指纹块进行分类,分别得到高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集;
令高低分辨率分类训练指纹块候选集为P={Yh,Xl},Yh为高分辨率分类训练指纹块候选集,Xl为低分辨率分类训练指纹块候选集,高分辨率样本候选块对应的脊线方向为θ={θ1,θ2,…,θn},依据脊线方向θi(i=1,2,…,n),所有的高分辨率候选样本块被划分到C类,得到高分辨率分类训练指纹块候选集:
其中
对应的低分辨率分类训练样本块候选集为:
其中
M为第i类高分辨率分类训练指纹块候选集所含样本块的数量,N为第i类低分辨率分类训练指纹块候选集所含样本块的数量。
S15、依据块点方向一致性参数Coh,从高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集中分别抽取高质量的样本,构成高分辨率分类指纹图像块训练集及低分辨率分类指纹图像块训练集;
,在本发明实施例中,高质量的指纹块样本定义为块点方向一致性参数Coh(Coh∈[0,1])大于阈值参数的指纹块样本,例如参数阈值为0.8,即大于0.8的Coh对应的样本指纹块即为高质量样本指纹块。
S16、将低分辨率分类指纹图像块训练集中的每类指纹块转换到特征空间,构建对应的低分辨率训练块分类特征样本集,高分辨率分类指纹图像块训练集及低分辨率训练块分类特征样本集构建分类耦合字典学习样本块集;
为了更好地学习到低分辨率指纹图像的内在特征,这里构建低分辨率训练块分类特征样本集
其中,G为梯度特征算子,P(u,v)为指纹图像块。
在本发明实施例中,高低分辨率分类耦合字典的构建方法具体如下:
构建无监督自适应字典学习模型,基于分类耦合字典学习样本块集,对构建的字典学习模型进行训练,每类分类耦合字典学习样本块集分别学习一个稀疏字典,构建高低分辨率分类耦合字典。
第i类高低分辨率耦合字典Di的构建可转化为求解下面的最优化问题:
其中,H为向量形式的高分辨率维度,L为向量形式的低分辨率维度;αi为稀疏系数。
S2、计算输入的低分辨率指纹图像块的脊线方向,选择对应类的高低分辨率分类耦合字典,重构高分辨率指纹图像;
图3为本发明实施例提供的高分辨率指纹图像重构方法流程图,该方法包括如下步骤:
S21、上采样输入的低分辨率指纹图像,将低分辨率指纹图像的尺度缩放至超分辨率指纹图像的尺度,以获得标准尺寸的低分辨率指纹图像;
S22、在空域基于重叠窗口对标准尺寸的低分辨率指纹图像分块,计算低分辨率指纹块的脊线方向;
S23、根据块脊线方向将每个低分辨率指纹块划分到对应的类并提取低分辨率指纹块的特征
S24、对于每一类指纹块特征从高低分辨率分类耦合字典D中选择相应的低分辨率分类特征字典计算对应的稀疏系数向量
S25、将重建的高分辨率块反馈回对应的低分辨率指纹块,即重建的高分辨率指纹图像Y;
本发明具有如下有益技术效果:
(1)充分考虑了点梯度模在指纹块脊线方向估计中的贡献,通过块点梯度矢量集加权线性投影分析对指纹块脊线方向进行估计,提高了指纹块脊线方向估计的准确性和可靠性;
(2)基于块脊线方向和块点方向一致性抽样高质量的指纹图像块构建指纹块分类训练样本集,保证了分类样本中拥有更为准确、可靠的脊线模式信息;
(3)将指纹脊线模式先验引入字典学习,使得分类耦合字典能够学习到更为可靠的指纹脊线特征;
(4)基于脊线约束的分类耦合字典的使用提高了指纹图像稀疏建模的有效性,在保证指纹脊线可靠重构的同时,尽可能地抑制了噪声,更好地保存了脊线模式信息;
(5)提出的方法能够有效重构低分辨率指纹图像,拥有很强的普适性和鲁棒性,具有一定的优势。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于分类耦合字典稀疏表示的指纹图像超分辨率方法,其特征在于,所述方法包括如下步骤:
S1、基于构建的字典学习模型,对分类耦合字典学习样本块集进行分类训练,构建高低分辨率分类耦合字典;
S2、基于输入的低分辨率指纹图像块的脊线方向,选择对应类的高低分辨率分类耦合字典,重构高分辨率指纹图像。
2.如权利要求1所述基于分类耦合字典稀疏表示的指纹图像超分辨率方法,其特征在于,所述分类耦合字典学习样本块集的构建方法包括如下步骤:
S11、构建高分辨率指纹图像训练集及对应的低分辨率指纹图像训练集;
S12、对高分辨率指纹图像训练集及低分辨率指纹图像训练集中的指纹图像分块,分别构建高分辨率训练指纹块候选集及低分辨率训练指纹块候选集;
S13、计算高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中指纹块内所有点的梯度矢量及指纹块内点方向相似度R(i,j),以点方向相似度为权值,基于指纹块的点梯度矢量集,采用加权线性投影分析方法计算对应指纹块的脊线方向θ及块点方向的一致性参数Coh;
S14、依据脊线方向对高分辨率训练指纹块候选集及低分辨率训练指纹块候选集中的所有指纹块进行分类,分别得到高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集;
S15、依据块点方向一致性参数Coh,从高分辨率分类训练指纹块候选集及低分辨率分类训练指纹块候选集中分别抽取高质量的样本,构成高分辨率分类指纹图像块训练集及低分辨率分类指纹图像块训练集;
S16、将低分辨率分类指纹图像块训练集中的每类指纹块转换到特征空间,构建对应的低分辨率训练块分类特征样本集;
高分辨率分类指纹图像块训练集及低分辨率训练块分类特征样本集构建分类耦合字典学习样本块集。
3.如权利要求1所述基于分类耦合字典稀疏表示的指纹图像超分辨率方法,其特征在于,高低分辨率分类耦合字典的构建方法具体如下:
基于构建的字典学习模型,对分类耦合字典学习样本块集进行训练,每类分类耦合字典学习样本块集分别学习一个稀疏字典,即构建高低分辨率分类耦合字典。
4.如权利要求1所述基于分类耦合字典稀疏表示的指纹图像超分辨率方法,其特征在于,所述步骤S2具体包括如下步骤:
S21、上采样输入的低分辨率指纹图像,将低分辨率指纹图像的尺度缩放至超分辨率指纹图像的尺度,以获得标准尺寸的低分辨率指纹图像;
S22、在空域基于重叠窗口对标准尺寸的低分辨率指纹图像分块,计算低分辨率指纹块的脊线方向;
S23、根据块脊线方向将每个低分辨率指纹块划分到对应的类并提取低分辨率指纹块的特征
S24、对于每一类指纹块特征从高低分辨率分类耦合字典D中选择相应的低分辨率分类特征字典计算对应的稀疏系数向量
S25、将重建的高分辨率块反馈回对应的低分辨率指纹块,即重建的高分辨率指纹图像Y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810908519.8A CN109064403B (zh) | 2018-08-10 | 2018-08-10 | 基于分类耦合字典稀疏表示的指纹图像超分辨率方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810908519.8A CN109064403B (zh) | 2018-08-10 | 2018-08-10 | 基于分类耦合字典稀疏表示的指纹图像超分辨率方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064403A true CN109064403A (zh) | 2018-12-21 |
CN109064403B CN109064403B (zh) | 2022-11-01 |
Family
ID=64683179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810908519.8A Active CN109064403B (zh) | 2018-08-10 | 2018-08-10 | 基于分类耦合字典稀疏表示的指纹图像超分辨率方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064403B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046669A (zh) * | 2019-04-22 | 2019-07-23 | 广东石油化工学院 | 基于素描图像的半耦合度量鉴别字典学习的行人检索方法 |
WO2022027155A1 (en) * | 2020-08-01 | 2022-02-10 | Huawei Technologies Co., Ltd. | Device and method for fingerprint sensing |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934766A (zh) * | 2017-03-15 | 2017-07-07 | 西安理工大学 | 一种基于稀疏表示的红外图像超分辨率重建方法 |
US9865036B1 (en) * | 2015-02-05 | 2018-01-09 | Pixelworks, Inc. | Image super resolution via spare representation of multi-class sequential and joint dictionaries |
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 |
US20180225807A1 (en) * | 2016-12-28 | 2018-08-09 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Single-frame super-resolution reconstruction method and device based on sparse domain reconstruction |
-
2018
- 2018-08-10 CN CN201810908519.8A patent/CN109064403B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9865036B1 (en) * | 2015-02-05 | 2018-01-09 | Pixelworks, Inc. | Image super resolution via spare representation of multi-class sequential and joint dictionaries |
US20180225807A1 (en) * | 2016-12-28 | 2018-08-09 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Single-frame super-resolution reconstruction method and device based on sparse domain reconstruction |
CN106934766A (zh) * | 2017-03-15 | 2017-07-07 | 西安理工大学 | 一种基于稀疏表示的红外图像超分辨率重建方法 |
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 |
Non-Patent Citations (2)
Title |
---|
徐德琴等: "指纹图像多尺度分类字典稀疏增强", 《中国图象图形学报》 * |
穆瑞娟等: "基于低秩约束和字典学习的图像超分辨率重建", 《山东师范大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046669A (zh) * | 2019-04-22 | 2019-07-23 | 广东石油化工学院 | 基于素描图像的半耦合度量鉴别字典学习的行人检索方法 |
WO2022027155A1 (en) * | 2020-08-01 | 2022-02-10 | Huawei Technologies Co., Ltd. | Device and method for fingerprint sensing |
Also Published As
Publication number | Publication date |
---|---|
CN109064403B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362223B (zh) | 基于注意力机制和双通道网络的图像超分辨率重建方法 | |
CN109886121B (zh) | 一种遮挡鲁棒的人脸关键点定位方法 | |
CN105913413B (zh) | 一种基于在线流形学习的彩色图像质量客观评价方法 | |
CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN110111256B (zh) | 基于残差蒸馏网络的图像超分辨重建方法 | |
CN109598220B (zh) | 一种基于多元输入多尺度卷积的人数统计方法 | |
CN101958000B (zh) | 基于稀疏表示的人脸画像-照片生成方法 | |
CN104077742B (zh) | 基于Gabor特征的人脸素描合成方法及*** | |
CN108846800A (zh) | 一种图像超分辨率重建的无参考图像质量评价方法 | |
CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及*** | |
Zhao et al. | Residual super-resolution single shot network for low-resolution object detection | |
Zhu et al. | Csrgan: medical image super-resolution using a generative adversarial network | |
CN111626927A (zh) | 采用视差约束的双目图像超分辨率方法、***及装置 | |
CN103020940B (zh) | 一种基于局部特征转换的人脸超分辨率重建方法 | |
CN114329034A (zh) | 基于细粒度语义特征差异的图像文本匹配判别方法及*** | |
CN109064403A (zh) | 基于分类耦合字典稀疏表示的指纹图像超分辨率方法 | |
CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
CN111611962A (zh) | 基于分数阶多集偏最小二乘的人脸图像超分辨率识别方法 | |
CN109919215B (zh) | 基于聚类算法改进特征金字塔网络的目标检测方法 | |
CN112580569B (zh) | 一种基于多维特征的车辆重识别方法及装置 | |
CN111695570B (zh) | 一种基于变分原型推理的小样本下语义分割方法 | |
CN113344110A (zh) | 一种基于超分辨率重建的模糊图像分类方法 | |
CN116580289A (zh) | 一种基于注意力的细粒度图像识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |