CN115115520A - 一种具有提高图像清晰度和分辨率的图像成像方法 - Google Patents
一种具有提高图像清晰度和分辨率的图像成像方法 Download PDFInfo
- Publication number
- CN115115520A CN115115520A CN202210852174.5A CN202210852174A CN115115520A CN 115115520 A CN115115520 A CN 115115520A CN 202210852174 A CN202210852174 A CN 202210852174A CN 115115520 A CN115115520 A CN 115115520A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- low
- resolution image
- imaging method
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008045 co-localization Effects 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 5
- 239000006185 dispersion Substances 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T3/4007—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
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- G06T5/00—Image enhancement or restoration
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种具有提高图像清晰度和分辨率的图像成像方法,S1、图像输入:首先选取一张低分辨率的图像,随后将低分辨率图像输入GS‑PIANZHEN.的算法中,S2、图像分析:时间序列作为整体进行迭代优化,此时使用双立方插值将低分辨率图像放大至目标尺寸,然后利用一个三层的卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射,本发明涉及图像成像技术领域。该具有提高图像清晰度和分辨率的图像成像方法,将时间序列作为整体进行迭代优化,保护了重建信号时序相关性,显著提升了角度解析能力,实现了图像的高精度分析;同时校正了偏振超分辨对局部偶极子分散的评估偏差,使得衍射图像序列的去模糊过程和偏振分析更加鲁棒。
Description
技术领域
本发明涉及图像成像技术领域,具体为一种具有提高图像清晰度和分辨率的图像成像方法。
背景技术
图像分辨率指图像中存储的信息量。这种分辨率有多种衡量方法,典型的是以每英寸的像素数来衡量;当然也有以每厘米的像素数来衡量的;图像分辨率决定了图像输出的质量,图像分辨率和图像尺寸(高宽)的值一起决定了文件的大小,且该值越大图形文件所占用的磁盘空间也就越多;图像分辨率以比例关系影响着文件的大小,即文件大小与其图像分辨率的平方成正比;如果保持图像尺寸不变,将图像分辨率提高一倍,则其文件大小增大为原来的四倍。
现有的偏振超分辨稀疏反卷积求解模型的时间序列存在独立约束,从而导致重建偏振调制序列的强度被人为拉伸,进一步导致局部偶极子分布的评估不准,并且部分信号无法被解析角度,导致图像清晰度和分辨率在进行放大后造成图像成像未能完成的问题,为此,本发明提供了一种具有提高图像清晰度和分辨率的图像成像方法。
发明内容
针对现有技术的不足,本发明提供了一种具有提高图像清晰度和分辨率的图像成像方法,解决了现有的偏振超分辨稀疏反卷积求解模型的时间序列存在独立约束,从而导致重建偏振调制序列的强度被人为拉伸,进一步导致局部偶极子分布的评估不准,并且部分信号无法被解析角度的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种具有提高图像清晰度和分辨率的图像成像方法,具体包括以下步骤:
S1、图像输入:首先选取一张低分辨率的图像,随后将低分辨率图像输入GS-PIANZHEN.的算法中;
S2、图像分析:时间序列作为整体进行迭代优化,此时使用双立方插值将低分辨率图像放大至目标尺寸,然后利用一个三层的卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射,最后将网络输出的结果作为重建后的高分辨率图像;
S3、图像成型:并对重建后的高分辨率图像进行剖析,通过对分辨率的数据计算判断其图像清晰度和分辨率的提高程度。
优选的,所述S2中将低分辨率图像放大至目标尺寸的操作步骤为:
S2-A1、根据所选取的低分辨率图像,将低分辨率图像通过图像分割使得结构进行分散,并且对图像的特征部分进行提取,同时建立图像的扩尺度模型;
S2-A2、将所提取的特征部分输入到扩尺度模型中,对低分辨率图像的特征图中的通道进行扩大,并且将扩大后所得到的特征图进行拼接组合,形成所得到的放大后特征图;
S2-A3、根据低分辨率图像放大后的高分辨率图像与原始高分辨率图像的均方误差得出分辨率的改变数值。
优选的,所述S2-A3中均方误差的计算公式为:
其中,i表示测量的次数,n表示输出通道数。
优选的,所述S2中非线性映射中,基于神经网络模型每一层学习的是一个y=f(x)的映射,改为y=f(x)+x的映射,也就是在每层的结束加上原始输入,此时输入是x,输出是f(x)+x,那么f(x)的数值趋向于0,并且随着层数不断加大,误差f(x)依然控制在一个较小值,减少模型训练时的发散。
优选的,所述S2中所采用的映射方法为最小二乘参数估计法,而最小二乘参数估计法测量方程为:
Zi=HiX+Vi
其中:Zi为mi维向量;Hi、Vi为第i次量测的量测矩阵和随机量测噪声。
优选的,所述S2中高分辨率图像的输出可通过GS-PIANZHEN.算法对图像中的偶极子方向信息进行提取,并且根据所提取的信息在图像特征图的交叉处实现三维共定位,实现二维成像到三维共定位的分析。
优选的,所述S3中,根据S2中的高分辨率图像与原始高分辨率图像的均方误差,并且根据数据输出高分辨率图像的图像分辨率,且分辨率的计算公式为:
其中,X为长度像素数;Y为宽度像素数;Z为屏幕尺寸即对角线长度。
有益效果
本发明提供了一种具有提高图像清晰度和分辨率的图像成像方法。与现有技术相比具备以下有益效果:
该具有提高图像清晰度和分辨率的图像成像方法,通过设置有S1、图像输入:首先选取一张低分辨率的图像,随后将低分辨率图像输入GS-PIANZHEN.的算法中,S2、图像分析:此时使用双立方插值将低分辨率图像放大至目标尺寸,然后利用一个三层的卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射,最后将网络输出的结果作为重建后的高分辨率图像,S3、图像成型:并对重建后的高分辨率图像进行剖析,通过对分辨率的数据计算判断其图像清晰度和分辨率的提高程度,将时间序列作为整体进行迭代优化,保护了重建信号的时序相关性,显著提升了角度解析能力,实现了图像的高精度分析;同时,校正了偏振超分辨对局部偶极子分散的评估偏差,使得衍射图像序列的去模糊过程和偏振分析更加鲁棒。
附图说明
图1为本发明图像成像方法的工艺流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种具有提高图像清晰度和分辨率的图像成像方法,具体包括以下步骤:
S1、图像输入:首先选取一张低分辨率的图像,随后将低分辨率图像输入GS-PIANZHEN.的算法中;
S2、图像分析:时间序列作为整体进行迭代优化,此时使用双立方插值将低分辨率图像放大至目标尺寸,然后利用一个三层的卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射,最后将网络输出的结果作为重建后的高分辨率图像;
S3、图像成型:并对重建后的高分辨率图像进行剖析,通过对分辨率的数据计算判断其图像清晰度和分辨率的提高程度。
优选的,所述S2中将低分辨率图像放大至目标尺寸的操作步骤为:
S2-A1、根据所选取的低分辨率图像,将低分辨率图像通过图像分割使得结构进行分散,并且对图像的特征部分进行提取,同时建立图像的扩尺度模型;
S2-A2、将所提取的特征部分输入到扩尺度模型中,对低分辨率图像的特征图中的通道进行扩大,并且将扩大后所得到的特征图进行拼接组合,形成所得到的放大后特征图;
S2-A3、根据低分辨率图像放大后的高分辨率图像与原始高分辨率图像的均方误差得出分辨率的改变数值。
本发明实施例中,S2-A3中均方误差的计算公式为:
其中,i表示测量的次数,n表示输出通道数。
本发明实施例中,S2中非线性映射中,基于神经网络模型每一层学习的是一个y=f(x)的映射,改为y=f(x)+x的映射,也就是在每层的结束加上原始输入,此时输入是x,输出是f(x)+x,那么f(x)的数值趋向于0,并且随着层数不断加大,误差f(x)依然控制在一个较小值,减少模型训练时的发散。
本发明实施例中,S2中所采用的映射方法为最小二乘参数估计法,而最小二乘参数估计法测量方程为:
Zi=HiX+Vi
其中:Zi为mi维向量;Hi、Vi为第i次量测的量测矩阵和随机量测噪声。
本发明实施例中,S2中高分辨率图像的输出可通过GS-PIANZHEN.算法对图像中的偶极子方向信息进行提取,并且根据所提取的信息在图像特征图的交叉处实现三维共定位,实现二维成像到三维共定位的分析。
本发明实施例中,S3中,根据S2中的高分辨率图像与原始高分辨率图像的均方误差,并且根据数据输出高分辨率图像的图像分辨率,且分辨率的计算公式为:
其中,X为长度像素数;Y为宽度像素数;Z为屏幕尺寸即对角线长度。
综上所述:通过将低分辨率图像输入GS-PIANZHEN.的算法中,将时间序列作为整体进行迭代优化,保护了重建信号的时序相关性,显著提升了角度解析能力,实现了图像的高精度分析;同时,校正了偏振超分辨对局部偶极子分散的评估偏差,使得衍射图像序列的去模糊过程和偏振分析更加鲁棒。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种具有提高图像清晰度和分辨率的图像成像方法,其特征在于:具体包括以下步骤:
S1、图像输入:首先选取一张低分辨率的图像,随后将低分辨率图像输入GS-PIANZHEN.的算法中;
S2、图像分析:时间序列作为整体进行迭代优化,此时使用双立方插值将低分辨率图像放大至目标尺寸,然后利用一个三层的卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射,最后将网络输出的结果作为重建后的高分辨率图像;
S3、图像成型:并对重建后的高分辨率图像进行剖析,通过对分辨率的数据计算判断其图像清晰度和分辨率的提高程度。
2.根据权利要求1所述的一种具有提高图像清晰度和分辨率的图像成像方法,其特征在于:所述S2中将低分辨率图像放大至目标尺寸的操作步骤为:
S2-A1、根据所选取的低分辨率图像,将低分辨率图像通过图像分割使得结构进行分散,并且对图像的特征部分进行提取,同时建立图像的扩尺度模型;
S2-A2、将所提取的特征部分输入到扩尺度模型中,对低分辨率图像的特征图中的通道进行扩大,并且将扩大后所得到的特征图进行拼接组合,形成所得到的放大后特征图;
S2-A3、根据低分辨率图像放大后的高分辨率图像与原始高分辨率图像的均方误差得出分辨率的改变数值。
4.根据权利要求1所述的一种具有提高图像清晰度和分辨率的图像成像方法,其特征在于:所述S2中非线性映射中,基于神经网络模型每一层学习的是一个y=f(x)的映射,改为y=f(x)+x的映射,也就是在每层的结束加上原始输入,此时输入是x,输出是f(x)+x,那么f(x)的数值趋向于0,并且随着层数不断加大,误差f(x)依然控制在一个较小值,减少模型训练时的发散。
5.根据权利要求1所述的一种具有提高图像清晰度和分辨率的图像成像方法,其特征在于:所述S2中所采用的映射方法为最小二乘参数估计法,而最小二乘参数估计法测量方程为:
Zi=HiX+Vi
其中:Zi为mi维向量;Hi、Vi为第i次量测的量测矩阵和随机量测噪声。
6.根据权利要求1所述的一种具有提高图像清晰度和分辨率的图像成像方法,其特征在于:所述S2中高分辨率图像的输出可通过GS-PIANZHEN.算法对图像中的偶极子方向信息进行提取,并且根据所提取的信息在图像特征图的交叉处实现三维共定位,实现二维成像到三维共定位的分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210852174.5A CN115115520A (zh) | 2022-07-20 | 2022-07-20 | 一种具有提高图像清晰度和分辨率的图像成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210852174.5A CN115115520A (zh) | 2022-07-20 | 2022-07-20 | 一种具有提高图像清晰度和分辨率的图像成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115520A true CN115115520A (zh) | 2022-09-27 |
Family
ID=83333426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210852174.5A Pending CN115115520A (zh) | 2022-07-20 | 2022-07-20 | 一种具有提高图像清晰度和分辨率的图像成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115520A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912426A (zh) * | 2023-09-11 | 2023-10-20 | 山东迈尔医疗科技有限公司 | 一种基于图像处理的义齿模型生成*** |
CN118279184B (zh) * | 2024-06-04 | 2024-07-30 | 深圳觉明人工智能有限公司 | 一种基于ai大模型的图像清晰度提升方法、装置及介质 |
-
2022
- 2022-07-20 CN CN202210852174.5A patent/CN115115520A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912426A (zh) * | 2023-09-11 | 2023-10-20 | 山东迈尔医疗科技有限公司 | 一种基于图像处理的义齿模型生成*** |
CN116912426B (zh) * | 2023-09-11 | 2023-11-21 | 山东迈尔医疗科技有限公司 | 一种基于图像处理的义齿模型生成*** |
CN118279184B (zh) * | 2024-06-04 | 2024-07-30 | 深圳觉明人工智能有限公司 | 一种基于ai大模型的图像清晰度提升方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hermosilla et al. | Non-linear fourth-order image interpolation for subpixel edge detection and localization | |
US7149262B1 (en) | Method and apparatus for enhancing data resolution | |
CN108681992B (zh) | 用于探测器阵列法测量激光光斑的图像插值方法 | |
US9576338B2 (en) | Method for increasing resolutions of depth images | |
JP4234420B2 (ja) | データ解像度を増す方法および装置 | |
US10614551B2 (en) | Image interpolation methods and related image interpolation devices thereof | |
Mandanici et al. | A multi-image super-resolution algorithm applied to thermal imagery | |
CN101140325A (zh) | 高光谱图像的空间-光谱信息协同提高分辨率的方法 | |
JP2010511257A (ja) | マルチスペクトル画像のパンクロマティック変調 | |
CN112801904B (zh) | 一种基于卷积神经网络的混合退化图像增强方法 | |
CN112488975B (zh) | 一种非均匀阵列探测激光光斑图像的复原显示方法 | |
CN111738954B (zh) | 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法 | |
CN111062895B (zh) | 一种基于多视场分割的显微图像复原方法 | |
Rochefort et al. | An improved observation model for super-resolution under affine motion | |
CN115115520A (zh) | 一种具有提高图像清晰度和分辨率的图像成像方法 | |
CN106846250B (zh) | 一种基于多尺度滤波的超分辨率重建方法 | |
Getreuer | Contour stencils for edge-adaptive image interpolation | |
CN111273376B (zh) | 降尺度的海表净辐射确定方法、***、设备及存储介质 | |
CN111445435A (zh) | 一种基于多区块小波变换的无参考图像质量评价方法 | |
CN107767342B (zh) | 一种基于积分平差模型的小波变换超分辨率图像重建方法 | |
O'Connor | Impact of image quality on SfM Photogrammetry: colour, compression and noise | |
CN112598717B (zh) | 高光谱卫星影像全谱段配准方法及介质 | |
Kim et al. | The curvature interpolation method for surface reconstruction for geospatial point cloud data | |
Mishra et al. | Single-Frame Super-Resolution of Real-World Spaceborne Hyperspectral Data | |
Huang et al. | Super-resolution reconstruction of multi-polarization SAR images based on projections onto convex sets algorithm |
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 |