CN110084752B - 一种基于边缘方向和k均值聚类的图像超分辨重建方法 - Google Patents
一种基于边缘方向和k均值聚类的图像超分辨重建方法 Download PDFInfo
- Publication number
- CN110084752B CN110084752B CN201910371191.5A CN201910371191A CN110084752B CN 110084752 B CN110084752 B CN 110084752B CN 201910371191 A CN201910371191 A CN 201910371191A CN 110084752 B CN110084752 B CN 110084752B
- Authority
- CN
- China
- Prior art keywords
- resolution image
- low
- resolution
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003064 k means clustering Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Images
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于边缘方向和K均值聚类的图像超分辨重建方法,属于机器视觉和图像处理技术领域。本发明的处理步骤包括:S1:构建高低分辨率图像块训练集;S2:提取低分辨率图像块的边缘方向特征向量;S3:使用K均值聚类对边缘方向特征进行聚类;S4:对高低分辨率图像块进行分类;S5:使用岭回归训练每个类别的线性映射矩阵;S6:对输入的低分辨率图像进行放大。本发明充分利用了图像块的边缘幅度和方向特征,采用K均值聚类能够更加精确的对图像块进行分类,保证了重建图像的质量,且重建过程具有较低的计算复杂度,方便进行快速实现。
Description
技术领域
本发明属于计算机视觉和图像处理领域,具体涉及一种基于边缘方向和K均值聚类的图像超分辨重建方法。
背景技术
随着技术的发展,市面上出现了越来越多支持超高清分辨率图像的播放设备。但由于采集设备的价格昂贵,导致应用市场上缺少足够的超高清分辨率图像。图像超分辨是使用软件方法提高图像分辨率的技术,只需要较低的成本,能够很好的解决上述问题,因此在多媒体、医疗、卫星遥感、军事等多个领域都有着重要的研究价值和应用前景。
当前,国内外的许多研究人员都对图像超分辨重建技术进行了研究,根据研究者选择的理论基础不同,可以将超分辨方法分为三类:基于插值、重建和学习的超分辨方法。
其中,基于插值的图像超分辨算法是最直观,最基础的一类方法,该类方法一般通过周围的邻域像素的值来推断待插值点的像素的值。基于插值的方法通常计算开销都很小,所以常用于日常软件中进行图像的放大,但是其重建的图像质量不高,图像边缘容易出现锯齿。
由于插值技术对图像分辨率的提升有限,不能满足某些应用的要求,于是出现了基于重建的超分辨处理技术。基于重建的方法通常会利用多幅低分辨率图像之间的相关信息,并且加入合适的先验知识来进行超分辨。研究人员将集合论和概率论等学科的理论引入到超分辨算法中,以便得到质量相对较高的高分辨率图像。
近年来基于学习的超分辨方法成为了研究的热点,许多基于学习的超分辨算法被提出,并且都具有比传统插值和重建技术更加优秀的图像重建质量。因为跟前者不同,基于机器学习的方法是通过对大量高低分辨率图像集进行训练来学习获取高低分辨率图像块之间的对应关系,这样得到的先验知识比人为的假设更加准确,训练得到的映射关系也更能反映高低分辨率图像之间的联系。但是基于学习的方法通常具有很高的计算开销,因此难以在硬件上进行快速实现。
插值法着重追求图像重建的速度,学***衡。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种在重建质量和计算开销上取得较好的平衡的图像超分辨重建方法。
本发明的基于边缘方向和K均值聚类的图像超分辨重建方法,包括下列步骤:
步骤一、采集高分辨率图像数据集;
对高分辨率图像数据集中的高低分辨率图像进行退化处理,得到对应的低分辨率图像数据集;
将高低分辨率图像转换为YUV图像,对Y通道高低分辨率图像进行分割,得到相同图像块数的高分辨率图像块集合和低分辨图像块集合其中,i表示图像块标识,t表示图像区分符,n表示分割得到的图像块的总个数,由采集到的高分辨率图像个数和大小决定,图像块之间组成高低分辨率图像块对
其中,高分辨率图像的分割方式为:基于预设的图像块大小(例如2×2,3×3等),将高分辨率图像分割为n个大小相同且相互邻接的图像块;
低分辨率图像的分割方式为:基于预设的图像块大小(例如3×3,5×5,7×7,9×9等),将低分辨率图像分割为n个大小相同且相互间重叠的图像块;
步骤二、提取各低分辨率图像块的边缘方向特征向量:
将步骤一中的低分辨率图像块进一步分割成为低分辨率图像子块其中r表示分割得到的图像子块的总个数,由低分辨率图像块的大小决定,采用一阶梯度算子计算低分辨率子图像块的水平和垂直梯度值,使用水平和垂直梯度值计算得到低分辨率图像子块的边缘幅度mj和边缘方向aj,将同一个低分辨率图像块的全部子块的边缘幅度和方向结合起来组成边缘方向特征向量f=[a1 m1…ar mr]T;
步骤三、采用K均值聚类方法对低分辨率图像块的边缘方向特征向量进行聚类,每一个类别计算得到一个中心点ck,k=1,…,K,其中K为中心点个数,由超分辨重建结果决定,选取能够取得最好的超分辨重建质量的聚类个数,并且聚类的中心点在特征空间中最大的分散,将中心点集保存;
步骤五、对于每一个类别,计算(例如采用岭回归方式计算)出能将低分辨率图像块转换成为高分辨率图像块的线性映射矩阵mk,k=1,…,K并且保存;
步骤六、输入待重建的低分辨率图像,对所述低分辨率图像进行加边处理后,转换为YUV图像;
按照步骤一中对低分辨率图像的分割方式,将Y通道图像分割为低分辨率图像块,并提取各低分辨率图像块的边缘方向特征向量,基于边缘方向特征向量与K个中心点的距离,将当前低分辨率图像块分配到距离中心点最近的类别中;
基于每个类别对应的线性映射矩阵mk,对Y通道低分辨率图像块进行超分辨率重建,得到Y通道高分辨率图像块,将高分辨率图像块组合得到Y通道高分辨率图像,对于UV通道低分辨率图像,采用双三次插值的方法进行相同倍数的超分辨,将高分辨率YUV图像转换成为RGB图像,得到重建结果;
进一步的,步骤六中,基于每个类别对应的线性映射矩阵mk,对Y通道低分辨率图像块进行超分辨率重建具体为:hi=mkli;其中,li为第i个低分辨率图像块矢量化后构成的列向量,mk为第k类的线性映射矩阵,hi为第i个高分辨率图像块矢量化后构成的列向量。
进一步的,步骤六中,加边处理具体为:在所述低分辨率图像的四周各添加(e-1)/2条边(e为低分辨率图像块的长度),添加的边的值为零或者为低分辨率图像最外层像素的值。
本发明中,为了显著降低重建处理的运行时间且提升重建效果,只考虑对Y通道采用本发明的步骤S2所述的重建方式得到对应的Y通道高分辨率图像,而对其他两个通道(UV通道)则采用现有的双三次插值的方法进行相同倍数的超分辨重建。当然,出于对重建效果的更进一步考虑,也可以对UV通道也采用Y通道高分辨率图像的重建方式进行对应通道的高分辨率图像重建,即,分别对U、V通道的高低分辨率图像进行分割,得到图像块相同的高低分辨率图像块对,提取低分辨率图像块的边缘方向特征向量以及对其进行K均值聚类,再将高低分辨率图像块对基于各聚类中心(中心点)的距离分配到不同的类别中;并构建对应的U、V通道在各类别中的线性映射矩阵,然后基于待重建的低分辨率图像的U、V通道的对应图像块的边缘方向特征向量,对其进行分配对应的类别(距离中心点最近的类),再结合对应的线性映射矩阵得到重构的U、V通道的高分辨率图像。只是该处理方式会损失掉部分计算开销,但是其计算开销依然比现有的基于学习的超分辨算法低。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明通过计算子图像块的边缘幅度和方向并组成联合特征向量,能够充分利用子图像块的边缘方向信息,该特征提取方法也具有较低的复杂度;使用K均值聚类对边缘方向特征向量进行聚类,能够灵活的选择聚类个数,以便取得更好的重建效果,且该方法的计算开销小,方便在硬件上进行快速实现。
附图说明
图1为本发明基于边缘方向和K均值聚类的图像超分辨算法的的训练阶段流程图;
图2为本发明低分辨图像恢复的流程图;
图3为用于实施例的低分辨率图像,其图像宽度为144,高度为144;
图4为用于实施例的高分辨率图像,其图像宽度为288,高度为288。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
本发明的基于边缘方向和K均值聚类的图像超分辨重建方法包括训练阶段和低分辨图像重建两个部分。参见图1,训练阶段(步骤S1)的具体处理过程如下;
步骤S101:采集高分辨率图像数据集,采用预选的图像退化模型生成对应的低分辨率数据集,将高低分辨率图像从RGB通道转换为YUV通道,并对Y通道高低分辨率图像进行分割,基于预设的分割块数n(高分辨率图像个数和大小决定),以及待分割图像的大小,设置具体的分割方式。
本具体实施方式中,将高分辨率图像数据集中的高分辨率图像分割成为邻接的大小为2×2的图像块集合低分辨率图像使用滑动窗口分割成为相互间重叠的7×7大小的图像块集合即分割后的高、低分辨率图像的图像块数相同;
步骤S102:对步骤步骤S101中的低分辨率图像块中间区域(本具体实施方式中为其中间3×3大小的区域),采用滑动窗口进一步分割成为4个2×2大小的低分辨率图像子块采用一阶梯度算子计算低分辨率子图像块的水平和垂直梯度值,使用水平和垂直梯度值计算得到低分辨率图像子块的边缘幅度mj和边缘方向aj,将同一个低分辨率图像块的全部子块的边缘幅度和方向结合起来组成边缘方向特征向量f=[a1 m1…a4 m4]T;即将边缘方向特征向量f作为每个低分辨率图像块的特征向量f。
步骤S103:设置K均值聚类方法聚类数,本具体实施方式中,设置K=512。然后采用K均值聚类方法对步骤S102中得到的所有图像块的特征(低分辨率图像块特征向量f)进行聚类,每一个类别计算得到一个中心点ck,k=1,…,512,并且聚类的中心点在特征空间中最大的分散,将中心点集保存;
步骤S104:对步骤S101中得到的高低分辨率图像块对,采用步骤S102中的方法提取每个图像块对中的低分辨图像块的边缘方向特征向量,并计算边缘方向特征向量与步骤S103中的各中心点的距离,基于对应的低分辨率图像块的边缘方向特征向量与各中心点的距离,将高低分辨率图像块对分配到距离最近的类别中去;
步骤S105:对于每一个类别,基于每个类别所包括的高低分辨率图像块对,采用岭回归计算出能将低分辨率图像块转换成为高分辨率图像块的线性映射矩阵mk,k=1,…,512并保存。
步骤S2:低分辨图像重建。
参见图2,首先输入待重建的低分辨率图像,如图3所示,其大小为144×144,对原图像进行加边处理后,转换成为YUV图像。
本具体实施方式中,加边处理具体为:在原图四周各添加3条边,添加的边的值为零或者为低分辨率图像最外层像素的值。
然后,按照步骤S101的方法将Y通道图像分割为低分辨率图像块li,i=1,…,1442,按照步骤S102和步骤S104的方法对低分辨率图像块进行分类,使用对应的线性映射函数(即各类别所对应的线性映射矩阵)对Y通道低分辨率图像块进行超分辨率重建,得到Y通道高分辨率图像块hi,i=1,…,1442;其中对应通道的高分辨率图像块的计算式为:hi=mkli;其中,li为第i个低分辨率图像块矢量化后构成的列向量,mk为步骤五中得到的第k类线性映射矩阵,hi为第i个高分辨率图像块矢量化后构成的列向量。
最后,将高分辨率图像块组合得到Y通道高分辨率图像,对于UV通道低分辨率图像,采用双三次插值的方法进行相同倍数的超分辨,将高分辨率YUV图像转换成为RGB图像,得到重建的高分辨率图像,如图4所示,其大小为288×288,重建的图像具有良好的效果。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (6)
1.一种基于边缘方向和K均值聚类的图像超分辨重建方法,其特征在于,包括下列步骤:
步骤一、采集高分辨率图像数据集;
对高分辨率图像数据集中的高低分辨率图像进行退化处理,得到对应的低分辨率图像数据集;
将高低分辨率图像转换为YUV图像,对Y通道高低分辨率图像进行分割,得到相同图像块数的高分辨率图像块集合和低分辨图像块集合其中,i表示图像块标识,t表示图像区分符,n表示分割得到的图像块的总个数,图像块之间组成高低分辨率图像块对
其中,高分辨率图像的分割方式为:基于预设的图像块大小,将高分辨率图像分割为n个大小相同且相互邻接的图像块;
低分辨率图像的分割方式为:基于预设的图像块大小,将低分辨率图像分割为n个大小相同且相互间重叠的图像块;
步骤二、提取各低分辨率图像块的边缘方向特征向量:
采用一阶梯度算子计算低分辨率子图像块的水平和垂直梯度值,使用水平和垂直梯度值计算得到低分辨率图像子块的边缘幅度mj和边缘方向aj,将同一个低分辨率图像块的全部图像子块的边缘幅度和方向结合起来组成边缘方向特征向量f=[a1 m1 … ar mr]T;
步骤三、采用K均值聚类方法对低分辨率图像块的边缘方向特征向量进行聚类,每一个类别计算得到一个中心点ck,k=1,…,K,并将中心点集保存,其中K为预设的中心点个数;
步骤五、对于每一个类别,计算出能将低分辨率图像块转换成为高分辨率图像块的线性映射矩阵mk,k=1,…,K并且保存;
步骤六、输入待重建的低分辨率图像,对所述低分辨率图像进行加边处理后,转换为YUV图像;
按照步骤一中对低分辨率图像的分割方式,将Y通道图像分割为低分辨率图像块,并提取各低分辨率图像块的边缘方向特征向量,基于边缘方向特征向量与K个中心点的距离,将当前低分辨率图像块分配到距离中心点最近的类别中;
基于每个类别对应的线性映射矩阵mk,对Y通道低分辨率图像块进行超分辨率重建,得到Y通道高分辨率图像块,将高分辨率图像块组合得到Y通道高分辨率图像,对于UV通道低分辨率图像,采用双三次插值的方法进行相同倍数的超分辨,将高分辨率YUV图像转换成为RGB图像,得到重建结果。
2.如权利要求1所述的方法,其特征在于,步骤六中,基于每个类别对应的线性映射矩阵mk,对Y通道低分辨率图像块进行超分辨率重建具体为:hi=mkli;其中,li为第i个低分辨率图像块矢量化后构成的列向量,mk为第k类的线性映射矩阵,hi为第i个高分辨率图像块矢量化后构成的列向量。
3.如权利要求1或2所述的方法,其特征在于,步骤六中,加边处理具体为:在所述低分辨率图像的四周各添加(e-1)/2条边,添加的边的值为零或者为低分辨率图像最外层像素的值,其中e为低分辨率图像块的长度。
4.如权利要求1所述的方法,其特征在于,将步骤六中对待重建的低分辨率图像的UV通道的高分辨率图像重建方式替换为:采用Y通道高分辨率图像的重建方式进行对应通道的高分辨率图像重建。
5.如权利要求1所述的方法,其特征在于,提取低分辨率图像块的边缘方向特征向量时,将低分辨率图像块的中间区域分割为r个大小相同的低分辨率图像子块。
6.如权利要求5所述的方法,其特征在于,将低分辨率图像块的中间区域分割为r个大小相同且相互间重叠的低分辨率图像子块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371191.5A CN110084752B (zh) | 2019-05-06 | 2019-05-06 | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371191.5A CN110084752B (zh) | 2019-05-06 | 2019-05-06 | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084752A CN110084752A (zh) | 2019-08-02 |
CN110084752B true CN110084752B (zh) | 2023-04-21 |
Family
ID=67418759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910371191.5A Active CN110084752B (zh) | 2019-05-06 | 2019-05-06 | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084752B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801879B (zh) * | 2021-02-09 | 2023-12-08 | 咪咕视讯科技有限公司 | 图像超分辨率重建方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077505A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于字典学习和结构聚类的图像超分辨率重建方法 |
CN103295196A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 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 |
CN104036519A (zh) * | 2014-07-03 | 2014-09-10 | 中国计量学院 | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 |
CN104699781A (zh) * | 2015-03-12 | 2015-06-10 | 西安电子科技大学 | 基于双层锚图散列的sar图像检索方法 |
CN105321156A (zh) * | 2015-11-26 | 2016-02-10 | 三维通信股份有限公司 | 一种基于多元结构的图像复原方法 |
CN107341776A (zh) * | 2017-06-21 | 2017-11-10 | 北京工业大学 | 基于稀疏编码与组合映射的单帧超分辨率重建方法 |
CN107392855A (zh) * | 2017-07-19 | 2017-11-24 | 苏州闻捷传感技术有限公司 | 基于稀疏自编码网络与极速学习的图像超分辨重建方法 |
CN108648147A (zh) * | 2018-05-08 | 2018-10-12 | 北京理工大学 | 一种人眼视网膜机理的超分辨率图像获取方法及*** |
CN108805814A (zh) * | 2018-06-07 | 2018-11-13 | 西安电子科技大学 | 基于多频段深度卷积神经网络的图像超分辨重建方法 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200407799A (en) * | 2002-11-05 | 2004-05-16 | Ind Tech Res Inst | Texture partition and transmission method for network progressive transmission and real-time rendering by using the wavelet coding algorithm |
US7187811B2 (en) * | 2003-03-18 | 2007-03-06 | Advanced & Wise Technology Corp. | Method for image resolution enhancement |
US20060291750A1 (en) * | 2004-12-16 | 2006-12-28 | Peyman Milanfar | Dynamic reconstruction of high resolution video from low-resolution color-filtered video (video-to-video super-resolution) |
US8081256B2 (en) * | 2007-03-20 | 2011-12-20 | Samsung Electronics Co., Ltd. | Method and system for edge directed deinterlacing in video image processing |
CN101727568B (zh) * | 2008-10-10 | 2013-04-17 | 索尼(中国)有限公司 | 前景动作估计装置和前景动作估计方法 |
JP5388779B2 (ja) * | 2009-09-28 | 2014-01-15 | 京セラ株式会社 | 画像処理装置、画像処理方法、および画像処理プログラム |
US8861853B2 (en) * | 2010-03-19 | 2014-10-14 | Panasonic Intellectual Property Corporation Of America | Feature-amount calculation apparatus, feature-amount calculation method, and program |
US20120075440A1 (en) * | 2010-09-28 | 2012-03-29 | Qualcomm Incorporated | Entropy based image separation |
US8755636B2 (en) * | 2011-09-14 | 2014-06-17 | Mediatek Inc. | Method and apparatus of high-resolution image reconstruction based on multi-frame low-resolution images |
CN102800094A (zh) * | 2012-07-13 | 2012-11-28 | 南京邮电大学 | 一种快速彩色图像分割方法 |
CN103049750B (zh) * | 2013-01-11 | 2016-06-15 | 广州广电运通金融电子股份有限公司 | 字符识别方法 |
CN103984946B (zh) * | 2014-05-23 | 2017-04-26 | 北京联合大学 | 一种基于K‑means的高分辨率遥感地图道路提取方法 |
CN105761207B (zh) * | 2015-05-08 | 2018-11-16 | 西安电子科技大学 | 基于最大线性块邻域嵌入的图像超分辨重建方法 |
CN104992407B (zh) * | 2015-06-17 | 2018-03-16 | 清华大学深圳研究生院 | 一种图像超分辨方法 |
KR101845476B1 (ko) * | 2015-06-30 | 2018-04-05 | 한국과학기술원 | 영상 변환 장치 및 그 영상 변환 방법 |
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 |
CN108335265B (zh) * | 2018-02-06 | 2021-05-07 | 上海通途半导体科技有限公司 | 一种基于样本学习的快速图像超分辨率重建方法及装置 |
CN108764368B (zh) * | 2018-06-07 | 2021-11-30 | 西安邮电大学 | 一种基于矩阵映射的图像超分辨率重建方法 |
CN109712153A (zh) * | 2018-12-25 | 2019-05-03 | 杭州世平信息科技有限公司 | 一种遥感图像城区超像素分割方法 |
CN112801879B (zh) * | 2021-02-09 | 2023-12-08 | 咪咕视讯科技有限公司 | 图像超分辨率重建方法、装置、电子设备及存储介质 |
-
2019
- 2019-05-06 CN CN201910371191.5A patent/CN110084752B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077505A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于字典学习和结构聚类的图像超分辨率重建方法 |
CN103295196A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 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 |
CN104036519A (zh) * | 2014-07-03 | 2014-09-10 | 中国计量学院 | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 |
CN104699781A (zh) * | 2015-03-12 | 2015-06-10 | 西安电子科技大学 | 基于双层锚图散列的sar图像检索方法 |
CN105321156A (zh) * | 2015-11-26 | 2016-02-10 | 三维通信股份有限公司 | 一种基于多元结构的图像复原方法 |
CN107341776A (zh) * | 2017-06-21 | 2017-11-10 | 北京工业大学 | 基于稀疏编码与组合映射的单帧超分辨率重建方法 |
CN107392855A (zh) * | 2017-07-19 | 2017-11-24 | 苏州闻捷传感技术有限公司 | 基于稀疏自编码网络与极速学习的图像超分辨重建方法 |
CN108648147A (zh) * | 2018-05-08 | 2018-10-12 | 北京理工大学 | 一种人眼视网膜机理的超分辨率图像获取方法及*** |
CN108805814A (zh) * | 2018-06-07 | 2018-11-13 | 西安电子科技大学 | 基于多频段深度卷积神经网络的图像超分辨重建方法 |
Non-Patent Citations (3)
Title |
---|
Zeng-Wei Ju et al..Image segmentation based on edge detection using K-means and an improved ant colony optimization.《2013 International Conference on Machine Learning and Cybernetics,Tianjin,China》.2013,第297-303页. * |
康凯.图像超分辨率重建研究.《中国博士学位论文全文数据库 信息科技辑》.2016,(第9期),第I138-18页. * |
赵志辉 ; 赵瑞珍 ; 岑翼刚 ; 张凤珍 ; .基于稀疏表示与线性回归的图像快速超分辨率重建.智能***学报.2017,第12卷(第01期),第8-14页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110084752A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122826B (zh) | 用于卷积神经网络的处理方法和***、和存储介质 | |
CN106611427B (zh) | 基于候选区域融合的视频显著性检测方法 | |
CN110866896B (zh) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 | |
Deng et al. | Lau-net: Latitude adaptive upscaling network for omnidirectional image super-resolution | |
CN109614922A (zh) | 一种动静态手势识别方法和*** | |
CN108629783B (zh) | 基于图像特征密度峰值搜索的图像分割方法、***及介质 | |
CN107610093B (zh) | 基于相似性特征融合的全参考型图像质量评价方法 | |
CN111179193B (zh) | 基于DCNNs和GANs的皮肤镜图像增强和分类方法 | |
CN103049340A (zh) | 基于纹理上下文约束的视觉词汇的图像超分辨率重建方法 | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
CN108830283B (zh) | 一种图像特征点匹配方法 | |
CN104637066A (zh) | 基于序贯细化的二值图像快速骨架提取方法 | |
CN108876716A (zh) | 超分辨率重建方法及装置 | |
CN110084752B (zh) | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 | |
CN109543525B (zh) | 一种通用表格图像的表格提取方法 | |
Rui et al. | Research on fast natural aerial image mosaic | |
CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN116310452B (zh) | 一种多视图聚类方法及*** | |
CN111191659B (zh) | 服装生产***多形状衣架识别方法 | |
CN116469172A (zh) | 一种多时间尺度下的骨骼行为识别视频帧提取方法及*** | |
CN107818579B (zh) | 基于四元数Gabor滤波的彩色纹理特征提取方法 | |
CN113192003B (zh) | 一种拼接图像质量评价方法 | |
CN106651864B (zh) | 一种面向高分辨率遥感图像的分割方法 | |
CN112989919B (zh) | 一种从影像中提取目标对象的方法及*** |
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 |