CN110415242A - 一种基于参考图像的超分辨倍率评价方法 - Google Patents
一种基于参考图像的超分辨倍率评价方法 Download PDFInfo
- Publication number
- CN110415242A CN110415242A CN201910711212.3A CN201910711212A CN110415242A CN 110415242 A CN110415242 A CN 110415242A CN 201910711212 A CN201910711212 A CN 201910711212A CN 110415242 A CN110415242 A CN 110415242A
- Authority
- CN
- China
- Prior art keywords
- reference picture
- super
- image
- characteristic point
- resolution
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明一种基于参考图像的超分辨倍率评价方法,通过对照标记超分辨倍率的高分辨参考图像,实现超分辨倍率量化评价。借助图像仿真技术,准备不同倍率的参考图像;分别检测参考图像和超分辨图像特征;根据外观相似性和几何相似性确认特征匹配点对;基于结构相似性评价标准,根据特征点尺寸提取图像块,利用图像块计算不同倍率参考图像与超分辨图像的相似性序列;根据相似性序列,拟合估计超分辨倍率。
Description
技术领域
本发明涉及一种基于参考图像的超分辨倍率评价方法,属于航天光学遥感、计算成像、图像分析等领域。
背景技术
随着我国航天遥感技术的不断进步,对空间、空中、陆地、海洋等高分辨成像提出了更高的要求,利用超分辨重建算法得到高分辨率图像是目前广泛采纳的技术途径,而超分辨图像质量评价可以反应重建算法的能力,具有重要的研究意义。图像超分辨重建技术,是利用若干来自时间维/空间维的低分辨率图像,通过图像处理/计算成像算法,重建出细节更为丰富的高分辨图像的方法。超分辨图像质量评价方法反映了重建算法的优劣,直观、准确的评价标准是超分辨重建工作中重要的研究内容。目前已有的评价方法,主要包括主观评价方法和客观评价方法两类。主观评价方法,是指多个观察者通过人眼判断超分前后图像质量的方法。这类方法,只能定性给出超分辨重建图像的优劣,不能定量评价;同时,需要平均考虑多个观察者的评判,操作复杂,效率较低。客观评价方法,是指通过对比外部参照评价超分辨图像质量的方法。主要包括基于鉴辨率板的评价方法,基于参考图像的评价方法。其中鉴辨率板方法,准确、简便、直观,但是依赖靶标参照物,应用验证中有一定的局限性;参考图像方法,可以对比超分重建前的原始低分辨率图像,或者高分辨率参考图像,借助图像处理算法,评估重建图像的质量。其中,基于低分辨率图像的方法,仅需要对比重建前后图像,简单易行,但是通过峰值信噪比(PSNR),结构相似性(SSIM)等指标,虽然能定量评价图像质量,但并不能直观评价提升范围;而基于高分辨参考图像的方法,通过对照高分辨图像,可以直观估计超分辨图像质量,非常适合超分辨重建算法评价。
但是,已有的主观评价方法,需要多观察者参与,操作过程复杂,效率低;基于鉴别率板的客观评价方法,依赖靶标参照物,应用验证过程中具有局限性;基于低分辨参考图像的客观评价方法,不能直观评估图像质量提升范围;基于高分辨参考图像的客观评价方法,虽然可以通过结构相似性(SSIM)和信噪比(PSNR)定量评估图像质量提升能力,但目前并未有直接给出超分辨倍率的直观量化评价方法。
发明内容
本发明要解决的技术问题:提供一种基于参考图像的超分辨倍率评价方法,通过对比标记超分辨倍率的参考图像与超分辨图像,实现对目标、场景的超分辨重建图像质量评价,可直接量化估计超分辨倍率,具有简单、直观的优点。
本发明通过对照标记超分辨倍率的高分辨参考图像,实现超分辨倍率量化评价。算法流程图如下所示。借助图像仿真技术,准备不同倍率的参考图像;分别检测参考图像和超分辨图像特征;根据外观相似性和几何相似性确认特征匹配点对;基于结构相似性评价标准,根据特征点尺寸提取图像块,利用图像块计算不同倍率参考图像与超分辨图像的相似性序列;根据相似性序列,拟合估计超分辨倍率。
本发明一种基于参考图像的超分辨倍率评价方法,包括以下步骤:
第一步,根据参考图像,通过图像仿真,得到N幅标记超分辨倍率的参考图像,再对标记倍率为1.0的参考图像进行超分重建,得到超分辨图像;
第二步,在第一步的N幅参考图像和超分辨图像中,进行SIFT特征点检测,得到参考图像和超分辨图像的特征点;
第三步,对第二步的N幅参考图像特征点和超分辨图像特征点,进行SIFT特征点描述,得到参考图像和超分辨图像的特征点描述;接着根据特征点描述的相似性,确定参考图像与超分辨图像外观匹配特征点对;最后根据外观匹配特征点对的几何约束,得到参考图像与超分辨图像匹配特征点对;
第四步,根据第三步的参考图像与超分辨图像匹配特征点对,提取参考图像块与超分辨图像块,计算图像块结构相似性;根据图像块结构相似性,计算参考图像与超分辨图像结构相似性;最后得到不同倍率参考图像与超分辨图像的结构相似性;
第五步,根据第四步的不同倍率参考图像与超分辨图像的结构相似性,进行多项式拟合与极值计算,得到估计的超分辨倍率。
所述第一步具体实现过程如下:
(1)根据高分辨参考图像,通过图像仿真,得到N幅标记超分辨倍率的参考图像,记第n幅标记超分辨倍率的参考图像为In=(img,mag),符号img代表参考图像,mag代表标记倍率,n=1,…,N;
(2)对标记倍率为1.0的参考图像进行超分重建,得到超分辨图像Is。
所述步骤第二步具体实现过程如下:
(1)在N幅参考图像In中检测SIFT特征点,记第n幅参考图像的第j个特征点为Pn j=(pt,scale),其中符号pt=(x,y)代表特征点图像坐标,scale代表特征点尺度,n=1,…,N,j=1,…,Jn;
(2)在超分辨图像Is中检测SIFT特征点,记超分辨图像的第k个特征点为Ps k=(pt,scale),其中符号pt=(x,y)代表特征点图像坐标,scale代表特征点尺度,k=1,….,Kn。
所述第三步具体实现过程如下:
(1)对N幅参考图像特征点进行SIFT特征点描述,记第n幅参考图像第j个特征点描述为Dn j,其中n=1,…,N,j=1,….,Jn;
(2)对超分辨图像特征点进行SIFT特征点描述,记超分辨图像第k个特征点描述为Ds k,其中n=1,…,N,k=1,….,Kn;
(3)通过卡方距离,计算第n幅参考图像特征点描述Dn j与超分辨图像特征点描述Ds k的外观相似性,选择距离小于1/3最大距离的特征点对为外观匹配特征点对,记第n幅参考图像与超分辨图像外观匹配特征点对为Pairn(Pn l,Ps l),其中n=1,…,N,l=1,…,Ln;
(4)通过鲁棒估计Ransac算法,根据式(1),求解图像外观匹配特征点对Pairn(Pn l,Ps l)的相似变换Hs,确定满足相似变换几何约束的内点集合,记为第n幅参考图像与超分辨图像匹配特征点对Inliersn(Pn t,Ps t),其中n=1,…,N,t=1,…,Tn,
式(1)中,ptl n表示第n幅参考图像第l个特征点图像坐标,ptl s表示外观匹配的超分辨图像特征点图像坐标,s是均匀缩放,R是2×2旋转矩阵,t是2维平移向量。
所述第四步具体实现过程如下:
(1)根据第n幅参考图像与超分辨图像匹配特征点对Inliersn(Pn t,Ps t),以参考图像特征点Pn t的图像坐标ptn t为中心,尺度scalen t的2倍为边长,从参考图像In提取参考图像块Bn t,其中n=1,…,N,t=1,…,Tn;
(2)根据第n幅参考图像与超分辨图像匹配特征点对Inliersn(Pn t,Ps t),以超分辨图像特征点Ps t的图像坐标pts t为中心,参考图像特征点Pn t尺度scalen t的2倍为边长,从超分辨图像Is提取超分辨图像块Bs t,其中n=1,…,N,t=1,…,Tn;
(3)计算图像块Bn t的强度均值μn t、标准差图像块Bs t的强度均值μs t、标准差如式(2)计算图像块结构相似性,其中C1、C2为常数,C1=(K1×L)2,C2=(K2×L)2,本发明取K1=0.01,K2=0.03,L=255;K1和K2是比例系数,L是像素强度动态范围;
(4)根据图像块结构相似性,由式(3)计算第n幅参考图像In与超分辨图像Is的结构相似性Sn(In,Is),其中图像块索引t=1,…,Tn。从而得到不同倍率参考图像与超分辨图像的结构相似性向量S=(S1(I1,Is),…,Sn(In,Is),…,SN(IN,Is)),
所述第五步具体实现过程如下:通过式(4)四次多项式拟合,拟合四次多项式系数a0、a1、a2、a3和a4,构造相似性向量S关于不同倍率的函数f(m),满足f'(m)=0的极值点m即为估计的超分辨倍率:
f(m)=a0+a1m+a2m2+a3m3+a4m4 (8)。
本发明与现有技术相比的优点在于:
(1)简单、易实现,无需鉴别板等其他附加实验设备;
(2)通过对照标记倍率的高分辨参考图像,直接估计超分辨倍率,具有定量直观评估的优点;
(3)在超分重建算法研究阶段,仅依靠仿真图像即可准确验证算法能力;
(4)本发明已经经过实验验证,方案可行,结果达到预期目标。
附图说明
图1为本发明方法流程图;
图2为本发明实验不同倍率参考图像示例;(a)倍率1.0,分辨率512×512,(b)倍率2.0,分辨率1024×1024;
图3为本发明实验不同方法对倍率1.0参考图像超分重建结果示例;(a)线性插值方法,分辨率1023×1023;(b)极大似然估计方法,分辨率1023×1023;(c)卷积神经网络方法,分辨率1008×1008;
图4为本发明实验不同倍率参考图像与超分辨图像结构相似性拟合对照结果。
具体实施方式
下面结合附图,对本发明做进一步的描述。显然,所列举的实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明具体实现如下:
(1)参考图像准备。根据参考图像,通过图像仿真,得到N幅标记超分辨倍率的参考图像,记第n幅标记超分辨倍率的参考图像为In=(img,mag),其中符号img代表参考图像,mag代表标记倍率,n=1,…,N。对标记倍率为1.0的参考图像进行超分重建,得到超分辨图像Is。本发明中的超分辨倍率≥1.0。
(2)特征检测。在N幅参考图像In和超分辨图像Is中分别检测SIFT特征点,记第n幅参考图像的第j个特征点为Pn j=(pt,scale),超分辨图像的第k个特征点为Ps k=(pt,scale),其中符号pt=(x,y)代表特征点图像坐标,scale代表特征点尺度,n=1,…,N,j=1,…,Jn,k=1,….,Kn。
(3)特征匹配。对N幅参考图像特征点Pn j和超分辨图像特征点Ps k进行SIFT特征点描述,记第n幅参考图像第j个特征点描述为Dn j,超分辨图像第k个特征点描述为Ds k,其中n=1,…,N,j=1,….,Jn,k=1,….,Kn。通过卡方距离,计算第n幅参考图像特征点描述Dn j与超分辨图像特征点描述Ds k的外观相似性,选择距离小于1/3最大距离的特征点对为外观匹配特征点对,记第n幅参考图像与超分辨图像外观匹配特征点对为Pairn(Pn l,Ps l),其中n=1,…,N,l=1,…,Ln;通过鲁棒估计Ransac算法,根据式(5),求解图像外观匹配特征点对Pairn(Pn l,Ps l)的相似变换Hs,确定满足相似变换几何约束的内点集合,记为第n幅参考图像与超分辨图像匹配特征点对Inliersn(Pn t,Ps t),其中n=1,…,N,t=1,…,Tn。
式(9)中,ptl n表示第n幅参考图像第l个特征点图像坐标,ptl s表示外观匹配的超分辨图像特征点图像坐标,s是均匀缩放,R是2×2旋转矩阵,t是2维平移向量。
(4)分块结构相似性评估。根据第n幅参考图像与超分辨图像匹配特征点对Inliersn(Pn t,Ps t),分别以参考图像特征点Pn t的图像坐标ptn t和超分辨图像特征点Ps t的图像坐标pts t为中心,以参考图像特征点Pn t尺度scalen t的2倍为边长,从参考图像In和超分辨图像Is,提取参考图像块Bn t和超分辨图像块Bs t。计算图像块Bn t的强度均值μn t、标准差图像块Bs t的强度均值μs t、标准差其中n=1,…,N,t=1,…,Tn。则如式(6)计算图像块结构相似性。
式(10)中,C1、C2为常数,本发明中C1=(K1×L)2,C2=(K2×L)2,K1=0.01,K2=0.03,L=255。据此,根据式(7)计算第n幅参考图像In与超分辨图像Is的结构相似性Sn(In,Is),其中图像块索引t=1,…,Tn。从而得到不同倍率参考图像与超分辨图像的结构相似性向量S=(S1(I1,Is),…,Sn(In,Is),…,SN(IN,Is))。
(5)超分辨倍率估计。通过式(8),拟合四次多项式系数(a0,a1,a2,a3,a4),构造相似性向量S关于不同倍率的函数f(m),满足f'(m)=0的极值点m即为估计的超分辨倍率。
f(m)=a0+a1m+a2m2+a3m3+a4m4 (12)
如图2所示,实验过程仿真生成倍率1.0,1.2,1.4,1.6,1.8,2.0,2.2,2.4,2.6,2.8,3.0的参考图像;通过线性插值,极大似然估计,卷积神经网络等方法,对倍率1.0的参考图像进行超分重建,得到图3所示的超分辨图像;(a)线性插值方法,分辨率1023×1023;(b)极大似然估计方法,分辨率1023×1023;(c)卷积神经网络方法,分辨率1008×1008。
如图4所示,展示不同倍率参考图像与超分辨图像结构相似性拟合对照结果,通过极值计算,可估计线性插值超分辨图像倍率为1.78,结构相似性为0.78,极大似然估计超分辨图像倍率为1.82,结构相似性为0.79,卷积神经网络超分辨图像倍率为1.91,结构相似性为0.84。从图4得出本发明具有定量直观评估超分辨倍率的优点。
Claims (7)
1.一种基于参考图像的超分辨倍率评价方法,其特征在于,包括以下步骤:
第一步,根据参考图像,通过图像仿真,得到N幅标记超分辨倍率的参考图像,再对标记倍率为1.0的参考图像进行超分重建,得到超分辨图像;
第二步,在第一步的N幅参考图像和超分辨图像中,进行SIFT特征点检测,得到参考图像和超分辨图像的特征点;
第三步,对第二步的N幅参考图像特征点和超分辨图像特征点,进行SIFT特征点描述,得到参考图像和超分辨图像的特征点描述;接着根据特征点描述的相似性,确定参考图像与超分辨图像外观匹配特征点对;最后根据外观匹配特征点对的几何约束,得到参考图像与超分辨图像匹配特征点对;
第四步,根据第三步的参考图像与超分辨图像匹配特征点对,提取参考图像块与超分辨图像块,计算图像块结构相似性;根据图像块结构相似性,计算参考图像与超分辨图像结构相似性;最后得到不同倍率参考图像与超分辨图像的结构相似性;
第五步,根据第四步的不同倍率参考图像与超分辨图像的结构相似性,进行多项式拟合与极值计算,得到估计的超分辨倍率。
2.根据权利要求1所述的基于参考图像的超分辨倍率评价方法,其特征在于:所述第一步具体实现过程如下:
(1)根据参考图像,通过图像仿真,得到N幅标记超分辨倍率的参考图像,记第n幅标记超分辨倍率的参考图像为In=(img,mag),符号img代表参考图像,mag代表标记倍率,n=1,…,N;
(2)对标记倍率为1.0的参考图像进行超分重建,得到超分辨图像Is。
3.根据权利要求1所述的基于参考图像的超分辨倍率评价方法,其特征在于:所述步骤第二步具体实现过程如下:
(1)在N幅参考图像In中检测SIFT特征点,记第n幅参考图像的第j个特征点为Pn j=(pt,scale),其中符号pt=(x,y)代表特征点图像坐标,scale代表特征点尺度,n=1,...,N,j=1,...,Jn;
(2)在超分辨图像Is中检测SIFT特征点,记超分辨图像的第k个特征点为Ps k=(pt,scale),其中符号pt=(x,y)代表特征点图像坐标,scale代表特征点尺度,k=1,....,Kn。
4.根据权利要求1所述的基于参考图像的超分辨倍率评价方法,其特征在于:所述第三步具体实现过程如下:
(1)对N幅参考图像特征点进行SIFT特征点描述,记第n幅参考图像第j个特征点描述为Dn j,其中n=1,...,N,j=1,....,Jn;
(2)对超分辨图像特征点进行SIFT特征点描述,记超分辨图像第k个特征点描述为Ds k,其中n=1,...,N,k=1,....,Kn;
(3)通过卡方距离,计算第n幅参考图像特征点描述Dn j与超分辨图像特征点描述Ds k的外观相似性,选择距离小于1/3最大距离的特征点对为外观匹配特征点对,记第n幅参考图像与超分辨图像外观匹配特征点对为Pairn(Pn l,Ps l),其中n=1,...,N,l=1,...,Ln;
(4)通过鲁棒估计Ransac算法,根据式(1),求解图像外观匹配特征点对Pairn(Pn l,Ps l)的相似变换Hs,确定满足相似变换几何约束的内点集合,记为第n幅参考图像与超分辨图像匹配特征点对Inliersn(Pn t,Ps t),其中n=1,...,N,t=1,...,Tn,
式(1)中,ptl n表示第n幅参考图像第l个特征点图像坐标,ptl s表示外观匹配的超分辨图像特征点图像坐标,s是均匀缩放,R是2×2旋转矩阵,t是2维平移向量。
5.根据权利要求1所述的基于参考图像的超分辨倍率评价方法,其特征在于:所述第四步具体实现过程如下:
(1)根据第n幅参考图像与超分辨图像匹配特征点对Inliersn(Pn t,Ps t),以参考图像特征点Pn t的图像坐标ptn t为中心,尺度scalen t的2倍为边长,从参考图像In提取参考图像块Bn t,其中n=1,...,N,t=1,...,Tn;
(2)根据第n幅参考图像与超分辨图像匹配特征点对Inliersn(Pn t,Ps t),以超分辨图像特征点Ps t的图像坐标pts t为中心,参考图像特征点Pn t尺度scalen t的2倍为边长,从超分辨图像Is提取超分辨图像块Bs t,其中n=1,...,N,t=1,...,Tn;
(3)计算图像块Bn t的强度均值μn t、标准差图像块Bs t的强度均值μs t、标准差如式(2)计算图像块结构相似性,其中C1、C2为常数,C1=(K1×L)2,C2=(K2×L)2,K1和K2是比例系数,L是像素强度动态范围;
(4)根据图像块结构相似性,由式(3)计算第n幅参考图像In与超分辨图像Is的结构相似性Sn(In,Is),其中图像块索引t=1,...,Tn。从而得到不同倍率参考图像与超分辨图像的结构相似性向量S=(S1(I1,Is),...,Sn(In,Is),...,SN(IN,Is)),
6.根据权利要求5所述的基于参考图像的超分辨倍率评价方法,其特征在于:所述K1=0.01,K2=0.03,L=255。
7.根据权利要求1所述的基于参考图像的超分辨倍率评价方法,其特征在于:所述第五步具体实现过程如下:通过式(4)四次多项式拟合,拟合四次多项式系数a0、a1、a2、a3和a4,构造相似性向量S关于不同倍率的函数f(m),满足f'(m)=0的极值点m即为估计的超分辨倍率:
f(m)=a0+a1m+a2m2+a3m3+a4m4 (4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711212.3A CN110415242B (zh) | 2019-08-02 | 2019-08-02 | 一种基于参考图像的超分辨倍率评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711212.3A CN110415242B (zh) | 2019-08-02 | 2019-08-02 | 一种基于参考图像的超分辨倍率评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415242A true CN110415242A (zh) | 2019-11-05 |
CN110415242B CN110415242B (zh) | 2020-05-19 |
Family
ID=68365331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910711212.3A Active CN110415242B (zh) | 2019-08-02 | 2019-08-02 | 一种基于参考图像的超分辨倍率评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415242B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436655A (zh) * | 2011-09-02 | 2012-05-02 | 清华大学 | 一种基于svd的超分辨率重建图像质量评价方法 |
CN103034982A (zh) * | 2012-12-19 | 2013-04-10 | 南京大学 | 一种基于变焦视频序列的图像超分辨率重建方法 |
CN104376544A (zh) * | 2013-08-15 | 2015-02-25 | 北京大学 | 一种基于多区域尺度放缩补偿的非局部超分辨率重建方法 |
CN104933678A (zh) * | 2015-06-30 | 2015-09-23 | 西安理工大学 | 一种基于像素强度的图像超分辨率重建方法 |
CN107330854A (zh) * | 2017-06-15 | 2017-11-07 | 武汉大学 | 一种基于新型模板的图像超分辨率增强方法 |
CN107680040A (zh) * | 2017-09-26 | 2018-02-09 | 北京空间飞行器总体设计部 | 一种基于贝叶斯准则的多帧盲卷积超分辨重建方法及装置 |
CN107767363A (zh) * | 2017-09-05 | 2018-03-06 | 天津大学 | 一种基于自然场景的无参考高动态图像质量评价算法 |
CN107967473A (zh) * | 2016-10-20 | 2018-04-27 | 南京万云信息技术有限公司 | 基于图文识别和语义的机器人自主定位和导航 |
CN109410177A (zh) * | 2018-09-28 | 2019-03-01 | 深圳大学 | 一种超分辨率图像的图像质量分析方法及*** |
CN109447903A (zh) * | 2018-10-17 | 2019-03-08 | 江苏商贸职业学院 | 一种半参考型超分辨率重构图像质量评价模型的建立方法 |
US20190095795A1 (en) * | 2017-03-15 | 2019-03-28 | Samsung Electronics Co., Ltd. | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
CN110060209A (zh) * | 2019-04-28 | 2019-07-26 | 北京理工大学 | 一种基于姿态信息约束的map-mrf超分辨率图像重建方法 |
-
2019
- 2019-08-02 CN CN201910711212.3A patent/CN110415242B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436655A (zh) * | 2011-09-02 | 2012-05-02 | 清华大学 | 一种基于svd的超分辨率重建图像质量评价方法 |
CN103034982A (zh) * | 2012-12-19 | 2013-04-10 | 南京大学 | 一种基于变焦视频序列的图像超分辨率重建方法 |
CN104376544A (zh) * | 2013-08-15 | 2015-02-25 | 北京大学 | 一种基于多区域尺度放缩补偿的非局部超分辨率重建方法 |
CN104933678A (zh) * | 2015-06-30 | 2015-09-23 | 西安理工大学 | 一种基于像素强度的图像超分辨率重建方法 |
CN107967473A (zh) * | 2016-10-20 | 2018-04-27 | 南京万云信息技术有限公司 | 基于图文识别和语义的机器人自主定位和导航 |
US20190095795A1 (en) * | 2017-03-15 | 2019-03-28 | Samsung Electronics Co., Ltd. | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
CN107330854A (zh) * | 2017-06-15 | 2017-11-07 | 武汉大学 | 一种基于新型模板的图像超分辨率增强方法 |
CN107767363A (zh) * | 2017-09-05 | 2018-03-06 | 天津大学 | 一种基于自然场景的无参考高动态图像质量评价算法 |
CN107680040A (zh) * | 2017-09-26 | 2018-02-09 | 北京空间飞行器总体设计部 | 一种基于贝叶斯准则的多帧盲卷积超分辨重建方法及装置 |
CN109410177A (zh) * | 2018-09-28 | 2019-03-01 | 深圳大学 | 一种超分辨率图像的图像质量分析方法及*** |
CN109447903A (zh) * | 2018-10-17 | 2019-03-08 | 江苏商贸职业学院 | 一种半参考型超分辨率重构图像质量评价模型的建立方法 |
CN110060209A (zh) * | 2019-04-28 | 2019-07-26 | 北京理工大学 | 一种基于姿态信息约束的map-mrf超分辨率图像重建方法 |
Non-Patent Citations (2)
Title |
---|
WANG ZHOU等: "Image quality assessment:from error visibility to structural similarity", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
于康龙 等: "超分辨重建图像质量评价算法", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110415242B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kocabas et al. | PARE: Part attention regressor for 3D human body estimation | |
Santo et al. | Deep photometric stereo network | |
CN109285215B (zh) | 一种人体三维模型重建方法、装置和存储介质 | |
CN107680116B (zh) | 一种监测视频图像中运动目标的方法 | |
CN110378931A (zh) | 一种基于多摄像头的行人目标移动轨迹获取方法及*** | |
TW201833867A (zh) | 用於影像處理的神經網路模型的訓練方法及裝置和電腦可讀儲存介質 | |
CN114049335B (zh) | 一种基于时空注意力的遥感影像变化检测方法 | |
CN105574515B (zh) | 一种无重叠视域下的行人再识别方法 | |
CN106897986B (zh) | 一种基于多尺度分析的可见光图像与远红外图像融合方法 | |
CN113283444B (zh) | 一种基于生成对抗网络的异源图像迁移方法 | |
CN108280411A (zh) | 一种具有空间变换能力的行人搜索方法 | |
CN111626308B (zh) | 一种基于轻量卷积神经网络的实时光流估计方法 | |
CN107516322A (zh) | 一种基于对数极空间的图像物体大小和旋转估计计算方法 | |
CN110148103A (zh) | 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 | |
Yang et al. | A survey of super-resolution based on deep learning | |
CN109255773A (zh) | 基于全变分的异分辨率红外与可见光图像融合方法及*** | |
Zheng et al. | Guided cyclegan via semi-dual optimal transport for photo-realistic face super-resolution | |
Wang et al. | Electrical thermal image semantic segmentation: Large-scale dataset and baseline | |
Gao et al. | Let you see in haze and sandstorm: Two-in-one low-visibility enhancement network | |
CN113870327A (zh) | 基于预测多层次变形场的医学图像配准方法 | |
CN104182931B (zh) | 超分辨率方法和装置 | |
Liu et al. | SSG-Net: A robust network for adaptive multi-source image registration based on SuperGlue | |
CN110415242A (zh) | 一种基于参考图像的超分辨倍率评价方法 | |
Kong et al. | Effective 3d face depth estimation from a single 2d face image | |
Huang et al. | Face hallucination using convolutional neural network with iterative back projection |
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 |