低分辨率
- 相干轉(zhuǎn)發(fā)干擾對(duì)低分辨率雷達(dá)回波特征的影響
前仍主要采用低分辨率的雷達(dá)作為預(yù)警探測(cè)手段。因此探尋這些被大量使用的相干干擾樣式對(duì)于低分辨率雷達(dá)的影響效果十分必要。近些年來(lái),不少學(xué)者提出用不同方法提取低分辨率雷達(dá)的回波特征,以期采用新的方法提升現(xiàn)有列裝裝備的性能,實(shí)現(xiàn)對(duì)目標(biāo)的粗分類識(shí)別。但未見(jiàn)有學(xué)者考慮新出現(xiàn)的干擾樣式會(huì)對(duì)低分辨率雷達(dá)回波產(chǎn)生什么樣的影響。羅宏等人[1]率先提出使用反卷積法獲得雷達(dá)目標(biāo)回波的波形特征,并探索建立起利用低分辨率的視頻回波逆推到近似的高分辨率波形的數(shù)學(xué)模型,豐富了波形特征,為
艦船電子對(duì)抗 2023年6期2024-01-12
- 基于雙向循環(huán)網(wǎng)絡(luò)的變色龍視覺(jué)超分辨率圖像重建
的圖像往往是低分辨率的.低分辨率圖像在進(jìn)行標(biāo)注時(shí)由于缺乏高頻細(xì)節(jié)，會(huì)出現(xiàn)目標(biāo)對(duì)象誤標(biāo)和漏標(biāo)問(wèn)題，尤其訓(xùn)練集中有相似目標(biāo)和小目標(biāo)的圖像，影響更為明顯.因此，得到超分辨率圖像是提高監(jiān)督式學(xué)習(xí)任務(wù)性能的保障.Dong 等[6](SRCNN)首次利用卷積網(wǎng)絡(luò)實(shí)現(xiàn)超分辨率的重建，但Shi 等[7](ESPCN)認(rèn)為SRCNN使用插值進(jìn)行預(yù)上采樣操作影響了性能，認(rèn)為應(yīng)讓網(wǎng)絡(luò)從訓(xùn)練樣本中學(xué)習(xí)如何進(jìn)行放大，便將預(yù)上采樣操作替換為在重建操作之后增加一個(gè)亞像素卷積層來(lái)實(shí)現(xiàn)放大
- 基于稀疏分解和預(yù)濾波處理的機(jī)載SAR圖像超分辨率重建
方向之一。 低分辨率的圖像經(jīng)過(guò)系列處理得到高分辨率圖像的過(guò)程也即超分辨率重建的過(guò)程。 結(jié)合圖像的去噪算法［2－3］，可以廣泛應(yīng)用在衛(wèi)星成像、目標(biāo)檢測(cè)等多個(gè)領(lǐng)域。 近年來(lái)，隨著對(duì)機(jī)器學(xué)習(xí)技術(shù)的深入研究，光學(xué)圖像的超分辨率重建性能得到了改善。 2014 年，Dong 等［4－5］學(xué)者首次在光學(xué)圖像的超分辨率處理任務(wù)中使用深度學(xué)習(xí)的方法，提出了以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）為根基的超分辨率網(wǎng)絡(luò)架構(gòu)（Super-
- 圖像超分辨率技術(shù)研究
on) 指從低分辨率的圖像或圖像序列中恢復(fù)出高分辨率的圖像。將低分辨率的圖像用LR(Low Resolution)表示，恢復(fù)出的高分辨率的圖像用HR(High Resolution)表示。根據(jù)輸入圖像進(jìn)行分類，輸入為單張圖像即為SISR(Single Image Super-Resolution)，輸入為圖像序列則稱作MFSR(Multi-Frame Super-Resolution)。圖像超分辨率是計(jì)算機(jī)視覺(jué)中一個(gè)很經(jīng)典的問(wèn)題，在過(guò)去的十幾年中，在國(guó)內(nèi)外
電腦知識(shí)與技術(shù) 2023年18期2023-08-04
- 低分辨率行人重識(shí)別數(shù)據(jù)集及其基準(zhǔn)方法
像可能會(huì)存在低分辨率的情況。相比于高分辨率圖像，低分辨率的行人圖像包含了更少的身份與細(xì)節(jié)信息，如果直接對(duì)低分辨率行人圖像進(jìn)行相互匹配會(huì)造成顯著的性能損失（賁晛燁 等，2012；史維東等，2020；沈慶 等，2020；鄭鑫 等，2020）。現(xiàn)有的許多行人重識(shí)別方法通常側(cè)重于解決跨分辨率行人匹配問(wèn)題，即同一個(gè)行人不同分辨率圖像之間的相互匹配。近年來(lái)涌現(xiàn)了許多跨分辨率行人重識(shí)別方法（Adil 等，2020；Jing 等，2017），大致可以分為3 類：1）利用超
中國(guó)圖象圖形學(xué)報(bào) 2023年5期2023-05-20
- 基于超分辨重建和公共特征子空間的低分辨率人臉識(shí)別
[5]。因?yàn)?span id="j5i0abt0b" class="hl">低分辨率圖像具有的人臉特征信息量小、噪聲多、可利用識(shí)別的像素點(diǎn)和圖像特征少等因素,低分辨率人臉識(shí)別比高分辨率人臉識(shí)別更加困難[6]。關(guān)于低分辨率人臉識(shí)別,Freeman等人提出單通道超級(jí)分辨率算法,只需要在訓(xùn)練集中對(duì)采自本地圖像數(shù)據(jù)的每個(gè)斑塊的向量進(jìn)行最近鄰搜索[7]。肖哲構(gòu)建了高、低分辨率對(duì)應(yīng)的人臉數(shù)據(jù)集,學(xué)習(xí)低分辨率數(shù)據(jù)集中相應(yīng)高低分辨圖像的局部像素結(jié)構(gòu),通過(guò)學(xué)習(xí)到的知識(shí)對(duì)圖像重建獲得高分辨率圖像[8];Hennings-Yeomans等人
- 基于DCT 變換和零次學(xué)習(xí)的刑偵圖像超分辨率①
像質(zhì)量. 對(duì)低分辨率圖像本身進(jìn)行高質(zhì)量的重建, 對(duì)于發(fā)現(xiàn)線索、拓展偵查手段和范圍、突破嫌疑人口供和證明犯罪具有重要作用. 隨著深度學(xué)習(xí)在圖像重建方面的發(fā)展, 基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)[1-3]的SR 方法取得了顯著的成果. 由于真實(shí)LR-HR 圖像對(duì)難以獲取,許多基于CNN 的SR 方法通常在人工合成的圖像對(duì)上進(jìn)行訓(xùn)練, 例如對(duì)HR 圖像進(jìn)行雙三次下采樣[4]得到的LR 圖像, 作為L(zhǎng)R-HR
計(jì)算機(jī)系統(tǒng)應(yīng)用 2022年5期2022-06-27
- 基于偏移學(xué)習(xí)的低分辨率人體姿態(tài)估計(jì)
常準(zhǔn)確，但是低分辨率人體姿態(tài)估計(jì)效果并不理想，主要原因是低分辨率時(shí)模型性能嚴(yán)重下降，而偏移學(xué)習(xí)是解決模型性能下降的一種有效方法。實(shí)驗(yàn)表明，本文提出的基于偏移學(xué)習(xí)的低分辨率人體姿態(tài)估計(jì)算法量化誤差小，準(zhǔn)確率高。關(guān)鍵詞：人體姿態(tài)估計(jì)；低分辨率；偏移學(xué)習(xí)*基金項(xiàng)目：深圳市科技創(chuàng)新委員會(huì)資助項(xiàng)目（項(xiàng)目編號(hào)：JSGG20191129143214333）人體姿態(tài)估計(jì)是人體生成，動(dòng)作識(shí)別，行人序列重識(shí)別，行人跟蹤和行人目標(biāo)檢測(cè)中最關(guān)鍵的技術(shù)之一。由于受人體的大尺度變換、
電子產(chǎn)品世界 2022年9期2022-05-30
- 游戲更流暢 顯卡幀速優(yōu)化新進(jìn)展
以彌補(bǔ)一部分低分辨率丟失的細(xì)節(jié)（圖1）。但這對(duì)AI的要求較高，較早的版本在快速運(yùn)動(dòng)畫面中可能出現(xiàn)一些錯(cuò)誤，誤判不同幀里快速變化的景物，因而在畫面里產(chǎn)生錯(cuò)誤。例如使用DLSS 2.1時(shí)汽車的后視鏡邊緣就被顯示了好幾次，造成了“拖影”，DLSS 2.3更聰明了，會(huì)消除掉這些拖影（圖2）。FSR 2.0AMD的FSR技術(shù)升級(jí)更加明顯，F(xiàn)SR 2.0實(shí)際上將畫面處理方式從僅考慮單幀畫面的拉伸（空間算法）變成了類似DLSS的參考前后幀（圖3），分析畫面的細(xì)節(jié)和像素運(yùn)
電腦愛(ài)好者 2022年10期2022-05-30
- 采用光流特征對(duì)齊的壓縮視頻超分辨率重建*
要先下采樣為低分辨率視頻再進(jìn)一步壓縮，這將導(dǎo)致視頻質(zhì)量顯著下降。為了解決這一問(wèn)題，高效視頻編碼（High Efficiency Video Coding，H.265/HEVC）標(biāo)準(zhǔn)[1-2]被提出，該標(biāo)準(zhǔn)針對(duì)視頻數(shù)據(jù)中的冗余成分進(jìn)行壓縮,然而在減少視頻數(shù)據(jù)量的同時(shí)，也會(huì)產(chǎn)生一定的壓縮偽影。此外，針對(duì)低分辨率視頻進(jìn)行壓縮，不僅會(huì)降低視頻的分辨率,也會(huì)進(jìn)一步損害視頻的質(zhì)量。因此，亟待提出更有效的壓縮視頻超分辨率重建算法。近年來(lái)，深度學(xué)習(xí)技術(shù)在各個(gè)領(lǐng)域都展現(xiàn)出了
通信技術(shù) 2022年12期2022-03-01
- 信號(hào)分辨率增強(qiáng)的機(jī)械智能故障診斷方法研究
雙三次插值將低分辨率的輸入圖像放大到目標(biāo)形狀，然后利用三層卷積網(wǎng)絡(luò)進(jìn)行非線性映射，進(jìn)而輸出重建后的高分辨率圖像。由于卷積運(yùn)算的分辨率較高，計(jì)算復(fù)雜度增加。高效的亞像素卷積神經(jīng)網(wǎng)絡(luò)（ESPCN）［23］可以直接從低分辨率圖像形狀中提取特征，有效生成高分辨率圖像。因此，為了使樣本的分辨率得到增強(qiáng)，生成更多仿真的樣本特征，本文提出了一個(gè)有效的算法——高效亞像素全連接神經(jīng)網(wǎng)絡(luò)（ESPFCN）算法。為了檢驗(yàn)分辨率增強(qiáng)后的樣本結(jié)果，使用SAE分類網(wǎng)絡(luò)對(duì)樣本進(jìn)行了故障分
振動(dòng)工程學(xué)報(bào) 2021年6期2022-01-12
- 基于雙向生成對(duì)抗網(wǎng)絡(luò)的圖像超分辨率算法
從一幅或多幅低分辨率圖像重建出一幅高分辨率圖像。本文主要研究單幅圖像超分辨率重建(Single Image Super-Resolution，SISR)。Dong等[1]首次提出了端到端的圖像超分辨率重建方法SRCNN，通過(guò)圖像特征提取層、非線性映射層和重建層完成對(duì)單幀低分辨率圖像的超分辨率重建。Kim等[2]提出了一種極深的卷積網(wǎng)絡(luò)VDSR，該網(wǎng)絡(luò)達(dá)到20層，運(yùn)用了殘差學(xué)習(xí)與梯度裁剪來(lái)解決梯度爆炸問(wèn)題。Ledig等[3]提出SRGAN，將基于生成模型的對(duì)
計(jì)算機(jī)應(yīng)用與軟件 2021年11期2021-11-15
- 基于稀疏編碼的紅外圖像超分辨率重建方法
由一幀或多幀低分辨率圖像來(lái)獲取高分辨率圖像的技術(shù)，根據(jù)不同分類方式可以分為以下三個(gè)方面[3-4]。基于插值的方法是最常見(jiàn)的超分辨率重建方法，這些方法算法比較簡(jiǎn)單，所以速度較快，但是圖像的細(xì)節(jié)處處理效果較差[5]。基于重建模型的方法將圖像的一部分先驗(yàn)知識(shí)作為約束加入圖像重建過(guò)程，使不適定問(wèn)題變?yōu)榭山鈫?wèn)題，處理結(jié)果相對(duì)較好，但要求圖像具有較好的先驗(yàn)知識(shí)[6]。圖1 超分辨率重建方法分類基于學(xué)習(xí)的方法通過(guò)從訓(xùn)練集中學(xué)習(xí)高分辨率圖像和低分辨率圖像之間的映射關(guān)系，來(lái)
電子測(cè)試 2021年19期2021-10-25
- 基于凸優(yōu)化的傅里葉疊層成像技術(shù)研究
CD 采集的低分辨率圖像對(duì)高分辨率圖像的重構(gòu)質(zhì)量有著直接的影響[7]。為解決這一問(wèn)題，2015年清華大學(xué)張永兵課題組提出了用超分辨率重建圖像的方法[8]，但需要采集大量的原始圖像，會(huì)使采集端的時(shí)間損耗加大，而傳統(tǒng)去噪算法的缺陷在于會(huì)導(dǎo)致圖像原始信息的丟失，嚴(yán)重影響著重建圖像質(zhì)量。因此我們引入了凸優(yōu)化算法，將采集端低分辨率圖片的去噪處理轉(zhuǎn)為一個(gè)凸問(wèn)題，進(jìn)而用迭代收縮閾值算法來(lái)求解該凸問(wèn)題，在迭代收縮閾值算法中，我們采用Barzilai-Borwein（BB）
應(yīng)用光學(xué) 2021年4期2021-09-23
- 基于超分辨率重建的低分辨率表情識(shí)別的研究
這類圖像稱為低分辨率人臉表情圖像，這類圖像具有較少的表情特征，所以低分辨率的人臉表情識(shí)別是極其困難的。目前研究低分辨率人臉表情識(shí)別課題的方向較少，其中張靈等人[3]利用壓縮感知理論重建低分辨率疲勞表情圖像；李桂峰[4]采用基于塊和基于像素提出的正則化方法對(duì)低分辨率微表情圖像進(jìn)行處理。傳統(tǒng)算法重建的圖像會(huì)出現(xiàn)丟失細(xì)節(jié)、邊緣模糊的問(wèn)題。研究表明，深度學(xué)習(xí)在圖像超分辨率重建[5-8]和識(shí)別領(lǐng)域[9-11]比傳統(tǒng)方法取得了更好的效果。針對(duì)上述問(wèn)題，該文提出一種基于
計(jì)算機(jī)技術(shù)與發(fā)展 2021年7期2021-08-02
- 引入細(xì)節(jié)約束因子的半耦合字典學(xué)習(xí)超分辨率重構(gòu)模型
[1]能夠把低分辨率的圖像重構(gòu)出與真實(shí)圖像相近的超分辨率圖像，這樣可從軟件角度解決成像的硬件設(shè)備問(wèn)題。超分辨率重構(gòu)技術(shù)作為目前計(jì)算機(jī)視覺(jué)領(lǐng)域的主要研究熱點(diǎn)之一，在遙感成像[2]、醫(yī)學(xué)影像分析[3]、工業(yè)成像等領(lǐng)域具有廣泛的應(yīng)用前景。目前，超分辨率重構(gòu)技術(shù)主要分為3類：插值、重構(gòu)和學(xué)習(xí)的超分辨率重構(gòu)算法?；诓逯邓惴╗4-5]就是利用低分辨率圖像中已知像素點(diǎn)對(duì)未知像素點(diǎn)進(jìn)行估計(jì)，雖然其計(jì)算復(fù)雜度較低，但易放大邊緣，造成細(xì)節(jié)模糊和鋸齒邊界?；谥貥?gòu)的超分辨率算
鄭州大學(xué)學(xué)報(bào)（工學(xué)版） 2021年3期2021-07-09
- 基于加速殘差網(wǎng)絡(luò)的圖像超分辨率重建方法
型約束條件由低分辨率（Low Resolution，LR）圖像重建清晰的高分辨率（High Resolution，HR）圖像，在公共安全、視頻監(jiān)控、醫(yī)學(xué)圖像處理［1-3］等方面具有強(qiáng)烈的需求。但根據(jù)有限的圖像信息重建出更多信息是一個(gè)病態(tài)過(guò)程，所以圖像超分辨率重建研究始終是一個(gè)具有挑戰(zhàn)性的任務(wù)。目前，圖像超分辨率重建是前沿?zé)衢T領(lǐng)域，吸引了越來(lái)越多的學(xué)者參與研究，并發(fā)表了眾多有意義的工作，其中，具有代表性的有：Yang 等［4］提出的基于稀疏編碼表示的超分辨率
計(jì)算機(jī)應(yīng)用 2021年5期2021-07-02
- 基于生成對(duì)抗網(wǎng)絡(luò)的超低分辨率視頻中動(dòng)作識(shí)別算法
對(duì)抗網(wǎng)絡(luò)的超低分辨率動(dòng)作識(shí)別算法。據(jù)我們所知，這是超分辨率重建方法第一次應(yīng)用于低分辨率動(dòng)作識(shí)別領(lǐng)域。（2）我們?cè)诰W(wǎng)絡(luò)訓(xùn)練中使用了我們稱之為長(zhǎng)范圍時(shí)域卷積的新的訓(xùn)練策略，該訓(xùn)練策略取得了很好的效果。（3）大量的實(shí)驗(yàn)表明我們的方法的有效性和優(yōu)越性。在只采用RGB 圖像的情況下，與其他使用了光流圖像作為輸出的算法相比也毫不遜色。1 算法描述1.1 超分辨率模塊如之前的研究工作所假設(shè)那樣，我們?cè)谟?xùn)練階段也使用了高分辨率視頻。但和半耦合和全耦合網(wǎng)絡(luò)相比，我們并不如他
電子技術(shù)與軟件工程 2021年7期2021-06-16
- 基于自適應(yīng)重建的雙路徑圖像超分辨率重建網(wǎng)絡(luò)
SR)旨在從低分辨率圖像(LR)建恢復(fù)準(zhǔn)確的高分辨率圖像(HR)。單張圖像超分辨率被廣泛應(yīng)用于監(jiān)控成像和衛(wèi)星遙感圖像等領(lǐng)域。早期的單張圖像超分辨率方法，例如，雙三次插值法近年來(lái)很少受到關(guān)注，因?yàn)樗蛇^(guò)于平滑和不自然的圖像。由于深度學(xué)習(xí)在計(jì)算機(jī)領(lǐng)域取得的進(jìn)步，促使許多基于深度卷積的超分辨率算法被提出來(lái)。Dong 等人[1]首先引入用于圖像重建的三層卷積神經(jīng)網(wǎng)絡(luò)，提出了使用深度卷積網(wǎng)絡(luò)的圖像超分辨率方法。Lim 等人[2]提出了一個(gè)具有殘差塊的非常深和寬
電子技術(shù)與軟件工程 2021年6期2021-06-16
- 不同分辨率下青藏高原對(duì)大西洋經(jīng)向翻轉(zhuǎn)流影響的耦合模式研究
化不一致, 低分辨率試驗(yàn)中 AMOC 強(qiáng)度降低 89%, 高分辨率試驗(yàn)中僅降低 13%。產(chǎn)生這種差異的原因是, 不同分辨率下對(duì)深水形成有重要貢獻(xiàn)的混合層潛沉位置和強(qiáng)度的變化顯著不同: 低分辨率試驗(yàn)主要位于格陵蘭海?冰島海?挪威海(GIN), 高分辨率試驗(yàn)主要位于拉布拉多海, 移除青藏高原后, 高、低分辨率試驗(yàn)中潛沉均減弱, 但低分辨率試驗(yàn)中減弱幅度大于高分辨率試驗(yàn), 高分辨率試驗(yàn)中位于拉布拉多海的潛沉強(qiáng)度減弱最明顯, 低分辨率試驗(yàn)中所有海域的潛沉強(qiáng)度均減弱
- 融合鄰域回歸和稀疏表示的圖像超分辨率重構(gòu)
利用觀測(cè)到的低分辨率圖像重建對(duì)應(yīng)的高分辨率圖像的過(guò)程，在軍事、醫(yī)學(xué)、遙感、計(jì)算機(jī)視覺(jué)等方面都有著重要的研究和應(yīng)用價(jià)值。在日常生活中，獲取高質(zhì)量的圖像受到諸如成像設(shè)備硬件成本、成像環(huán)境復(fù)雜等條件的制約。為了改善這一問(wèn)題，圖像超分辨率重建算法已被越來(lái)越多的研究人員關(guān)注。圖像超分辨率重建采用軟件方法，可以將低質(zhì)量的圖像重建成對(duì)應(yīng)的高質(zhì)量圖像，既能夠避免設(shè)備條件的復(fù)雜要求從而降低成本，也可以通過(guò)技術(shù)的不斷發(fā)展使重建的質(zhì)量得到提高。目前，基于單幅圖像的超分辨率重建成
計(jì)算機(jī)工程與應(yīng)用 2021年2期2021-01-22
- 基于退化學(xué)習(xí)的圖像超分辨綜述
人眼觀察到的低分辨率圖像[3-4]，然后經(jīng)過(guò)逆過(guò)程得到超分辨率結(jié)果。其常用的有兩種模型，一種是先用模糊內(nèi)核與高分辨率圖像卷積，再使用具有縮放因子的雙三次下采樣器作用于卷積后的高分辨率圖像得到小尺寸的低分辨率圖像，最后再加上一加性高斯白噪聲(AWGN)。Kim 等人[3]采用另一種簡(jiǎn)化的模型，直接把高分辨率圖像通過(guò)雙三次下采樣器得到退化圖像。無(wú)監(jiān)督退化的提出是為了仿制真實(shí)的低分辨到高分辨的超分過(guò)程，提出的模型與現(xiàn)實(shí)的情況存在很大的區(qū)別。本文著重對(duì)圖像超分辨率
現(xiàn)代計(jì)算機(jī) 2020年30期2020-12-07
- 含噪圖像的快速超分辨率重建算法
首要任務(wù)是從低分辨率圖像中重建丟失的高頻細(xì)節(jié)。傳統(tǒng)的基于插值的超分辨率重建技術(shù)[1-2]已經(jīng)被廣泛運(yùn)用并具備快速實(shí)現(xiàn)的優(yōu)點(diǎn)。但是，面對(duì)圖像邊緣、不連續(xù)區(qū)域、高頻特征時(shí)，往往不能取得理想的效果。近年來(lái)，人們提出了許多具有影響力的基于實(shí)例的超分辨率重建方法[3-5]，并取得了不錯(cuò)的效果，逐漸成為超分辨重建領(lǐng)域的主流方法。該方法的主要思路是：學(xué)習(xí)樣本庫(kù)中對(duì)應(yīng)高、低分辨率圖像塊之間的映射關(guān)系并結(jié)合輸入的低分辨率圖像塊重構(gòu)出丟失的高頻細(xì)節(jié)。大多數(shù)方法[6-7]都是基
實(shí)驗(yàn)技術(shù)與管理 2020年3期2020-10-08
- 基于改進(jìn)Gabor特征幻影的低分辨率人臉識(shí)別
如何提高此類低分辨率人臉的識(shí)別準(zhǔn)確率具有重要的現(xiàn)實(shí)意義。目前，低分辨率人臉識(shí)別主要有超分辨率重建[1-6]和穩(wěn)健特征提取[7-10]。超分辨率重建算法主要是先對(duì)低分辨率樣本進(jìn)行超分辨率增強(qiáng)，然后再進(jìn)行識(shí)別。具體可以分為以下幾類：基于流形學(xué)習(xí)、基于字典學(xué)習(xí)以及基于回歸學(xué)習(xí)。在基于流形學(xué)習(xí)中，先假設(shè)高分辨率人臉和低分辨率人臉中具有相同的局部鄰域結(jié)構(gòu)，在這種假設(shè)下，可以通過(guò)鄰域樣本重建生成與低分辨率人臉相對(duì)應(yīng)的高分辨率人臉；具體的流形思想有：局部幾何結(jié)構(gòu)以及稀疏
無(wú)線電工程 2020年10期2020-09-29
- 基于LTP和局部PCA的低分辨率人臉識(shí)別算法
如何提高此類低分辨率人臉的識(shí)別準(zhǔn)確率具有重要的現(xiàn)實(shí)意義．目前,低分辨率人臉識(shí)別方法主要有超分辨率重建[1-4]和穩(wěn)健特征提取[5-8]等．Shi等[1]基于正則化模型構(gòu)建“幻想人臉”; Zangeneh等[2]提出新的耦合映射方法, 采用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行低分辨率人臉重建, 此類算法通過(guò)構(gòu)建高低樣本間的學(xué)習(xí)模型來(lái)預(yù)測(cè)高分辨率人臉圖像, 僅側(cè)重于人臉圖像重建的質(zhì)量,卻未考慮識(shí)別性能. Pong等[3]基于局部線性回歸算法預(yù)測(cè)高分辨率人臉Gabor特征; S
- 基于邊緣學(xué)習(xí)的低分辨率圖像識(shí)別算法
2］。因此，低分辨率圖像的識(shí)別是亟待解決的實(shí)際應(yīng)用問(wèn)題。針對(duì)低分辨率圖像的識(shí)別有兩種策略：一種為直接法，即分辨率穩(wěn)健特征表達(dá)法［3］，該方法直接從低分辨率圖像上提取穩(wěn)健的特征，再將提取到的特征用于圖像識(shí)別，例如局部頻域描述子方法［4］、基于顏色特征的描述子方法［5］等；另一種為間接法，Ghoneim 等［6］提出先對(duì)低分辨圖像進(jìn)行超分辨率重建得到高分辨率圖像，再用圖像識(shí)別的方法進(jìn)行識(shí)別。該類方法使用超分辨率重建算法先預(yù)測(cè)出低分辨率圖像中缺失的高頻信息部分，
計(jì)算機(jī)應(yīng)用 2020年7期2020-08-06
- 基于模擬退火的多尺度巖心三維圖像融合重建
小孔隙信息與低分辨率CT圖像進(jìn)行融合，以獲得較大視域的高分辨率圖像.目前，有不少學(xué)者在多尺度巖心圖像融合方面開(kāi)展了研究，Okabe和Blunt[6]使用了兩組不同尺度的圖像.將低分辨率3D X射線圖像作為基礎(chǔ)，并且隨機(jī)地重建2D高分辨率圖像中所示的亞微米級(jí)孔隙，結(jié)合其中可以觀察到的小規(guī)模和大規(guī)模信息作為最終的重建結(jié)果.Tahmase[7]等人使用來(lái)自兩種不同分辨率的2D圖像，分別建立了納米級(jí)和微米級(jí)模型并疊加，合成了同時(shí)具有納米級(jí)孔隙和微米級(jí)孔隙的3D巖心
- 一種改進(jìn)的稀疏表示超分辨率重建方法
一定的算法從低分辨率圖像重建出高分辨圖像[1]，圖像超分辨率技術(shù)相較提高硬件設(shè)備的方法成本低，效果好，應(yīng)用領(lǐng)域廣泛，可用于軍事偵察、醫(yī)療圖像等領(lǐng)域，為解決這一問(wèn)題提供了有效的解決方式，因此一直是一個(gè)研究熱點(diǎn)?，F(xiàn)有的超分辨技術(shù)目前總的來(lái)說(shuō)，可分為三大類：（1）基于插值的方法[2-4]；（2）基于重建的方法[5-8]；（3）基于學(xué)習(xí)的方法[9-10]。其中，基于插值的超分辨技術(shù)是最早提出的，也是最容易實(shí)現(xiàn)的超分辨技術(shù)，這類算法復(fù)雜度較低，通過(guò)相鄰像素的信息來(lái)得
現(xiàn)代計(jì)算機(jī) 2020年6期2020-04-01
- 基于深度復(fù)合卷積神經(jīng)網(wǎng)絡(luò)的低分辨率單影像復(fù)原
原， 即針對(duì)低分辨率或超低分辨率的圖像， 采用特定的模型或算法對(duì)其分辨率進(jìn)行修復(fù)， 從而得出清晰度明顯提升的圖像。 但現(xiàn)有圖像修復(fù)方法較為單一， 主要是將多張不同時(shí)間維度的圖像作為輸入數(shù)據(jù)， 剔除各個(gè)圖像中的干擾信息， 對(duì)其主要特征信息進(jìn)行提取收集， 采用疊加融合的方式生成一幅紋理細(xì)節(jié)清晰的高分辨率圖像。 1964 年， HARRIS首先提出超分辨率復(fù)原的概念[2]， 他針對(duì)單圖像的特點(diǎn)進(jìn)行了長(zhǎng)期的實(shí)驗(yàn)研究， 得出了一套較為完整的理論依據(jù)， 但圖像復(fù)原質(zhì)量
科技創(chuàng)新與生產(chǎn)力 2020年1期2020-02-24
- 基于非負(fù)最小二乘法的全色與高光譜圖像融合
波段加權(quán)合成低分辨率全色圖像，容易出現(xiàn)灰度失真；高光譜圖像與全色圖像的空間分辨率相差很大，采用現(xiàn)有的加性變換融合方法，會(huì)導(dǎo)致融合圖像中部分地物出現(xiàn)光譜或細(xì)節(jié)失真。為此，文章提出了基于非負(fù)最小二乘法的全色與高光譜圖像融合方法。首先對(duì)高光譜圖像進(jìn)行波段壓縮，得到波段壓縮的高光譜圖像；然后對(duì)波段壓縮的高光譜圖像及全色圖像進(jìn)行非負(fù)最小二乘擬合，得到低分辨率全色圖像；最后，采用比值變換模型生成融合圖像。試驗(yàn)表明該方法的光譜與細(xì)節(jié)保真效果好，優(yōu)于對(duì)比方法。圖像融合 高
航天返回與遙感 2019年4期2019-10-12
- 圖像超分辨率卷積神經(jīng)網(wǎng)絡(luò)加速算法*
旨在從給定的低分辨率圖像中重建出高分辨率圖像，該技術(shù)能夠提供視覺(jué)效果更好的圖像并提供更多的圖像信息[1]。最近的超分辨率算法主要是基于深度學(xué)習(xí)的方法，此類方法利用先驗(yàn)知識(shí)學(xué)習(xí)低分辨率和高分辨率圖像之間的映射關(guān)系，可以顯著增強(qiáng)圖像細(xì)節(jié)。2014年，香港中文大學(xué)Dong等成功地將深度學(xué)習(xí)引入到圖像超分辨率重建問(wèn)題中，提出基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建算法(Super Resolution Convolution Neural Network, SRCNN)
國(guó)防科技大學(xué)學(xué)報(bào) 2019年2期2019-04-26
- 一種新的基于稀疏表示的超分辨率重建算法
是指使用一幅低分辨率圖像或多幅低分辨率圖像序列恢復(fù)出高分辨率圖像的過(guò)程。隨著信息技術(shù)和視覺(jué)通信技術(shù)的發(fā)展，人們對(duì)于圖像清晰度要求越來(lái)越高。單純從硬件方面提高圖像清晰度不僅成本較高且技術(shù)上也達(dá)到一定的瓶頸。從軟件方面提高圖像分辨率，一定程度上克服了硬件不足的問(wèn)題。因此，近年來(lái)圖像超分辨率重建成為研究熱點(diǎn)之一。超分辨率重建算法大體上可分為三類[1]：基于插值的算法、基于重建的算法和基于學(xué)習(xí)的圖像超分辨率重建?；诓逯档乃惴ㄊ抢卯?dāng)前待插值點(diǎn)周圍已知的像素值來(lái)估
物聯(lián)網(wǎng)技術(shù) 2018年8期2018-12-06
- 基于四通道卷積稀疏編碼的圖像超分辨率重建方法
建是將給定的低分辨率圖像恢復(fù)成高分辨率圖像的一種圖像處理技術(shù)。因?yàn)閳D像超分辨率重建過(guò)程是一個(gè)病態(tài)問(wèn)題，所以不同的重建方法可以恢復(fù)出不同的高分辨圖像，但這些重建方法的關(guān)鍵點(diǎn)在于通過(guò)先驗(yàn)知識(shí)去尋找合適的低分辨率圖像與相應(yīng)的高分辨率圖像之間的內(nèi)在聯(lián)系。近年來(lái)，國(guó)內(nèi)外學(xué)者提出了許多基于樣本的超分辨率圖像重建方法［1－8］。這些方法主要通過(guò)低分辨率和其相應(yīng)的高分辨率補(bǔ)丁對(duì)來(lái)學(xué)習(xí)低分辨率和高分辨率圖像之間的映射關(guān)系，或者尋找相同圖片的內(nèi)部相關(guān)性。Yang等［6］利用壓
計(jì)算機(jī)應(yīng)用 2018年6期2018-08-28
- 樹(shù)木的低分辨率三維模型資源創(chuàng)建實(shí)踐
領(lǐng)域，樹(shù)木的低分辨率三維模型資源必不可少。通過(guò)樹(shù)木模型再設(shè)計(jì)、兩套樹(shù)葉貼圖的設(shè)計(jì)制作、靜態(tài)照明的創(chuàng)建、風(fēng)動(dòng)畫、環(huán)境光遮擋的計(jì)算、碰撞對(duì)象的添加等環(huán)節(jié)，創(chuàng)建的樹(shù)木低分辨率三維模型資源完全符合虛擬現(xiàn)實(shí)領(lǐng)域的要求。關(guān)鍵詞：低分辨率;樹(shù)木;三維模型采用SpeedTree Modeler UE4創(chuàng)建低分辨率的模型成為動(dòng)漫和數(shù)字媒體藝術(shù)領(lǐng)域一種愈來(lái)愈普遍的方式。不過(guò)，用于虛擬現(xiàn)實(shí)領(lǐng)域的低分辨率樹(shù)木模型與用于影視的高分辨率樹(shù)木模型的貼圖設(shè)計(jì)與制作技法，有所不同。其一，樹(shù)
藝術(shù)科技 2018年2期2018-07-23
- 基于低分辨率彩色指導(dǎo)圖像的深度圖像超分辨率重建
劉曉平?基于低分辨率彩色指導(dǎo)圖像的深度圖像超分辨率重建武玉龍，趙 洋，曹明偉，劉曉平(合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院，安徽 合肥 230009)傳統(tǒng)的以彩色圖像為指導(dǎo)的深度圖像超分辨率(SR)重建方法，參考圖像必須為高分辨率彩色圖像，彩色圖像的分辨率決定了深度圖像的放大上限。同時(shí)，實(shí)際應(yīng)用中可能只存在低分辨率彩色圖像，此時(shí)上述方法也不再適用。為此，探討使用任意分辨率彩色圖像為指導(dǎo)的深度圖像SR重建方法。首先，使用大量不同類別的圖像SR算法對(duì)輸入彩色圖像進(jìn)行上
圖學(xué)學(xué)報(bào) 2018年2期2018-05-09
- 基于低分辨率模板的多源數(shù)據(jù)DOM勻光方法
073）基于低分辨率模板的多源數(shù)據(jù)DOM勻光方法厲芳婷1,3，閔 天2，堯志青1，田艷紅2（1.湖北省測(cè)繪工程院，湖北 武漢 430074；2.湖北省航測(cè)遙感院，湖北 武漢 430074；3.武漢大學(xué)測(cè)繪遙感信息工程重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430073）利用多源航攝影像數(shù)據(jù)制作正射影像是地理國(guó)情普查工作的重要技術(shù)手段，以湖北省地理國(guó)情普查項(xiàng)目為例，介紹一種基于低分辨率模板的多源影像數(shù)據(jù)勻光方法，解決多源數(shù)據(jù)正射影像成果的一致性問(wèn)題。地理國(guó)情；正射影像；勻光
地理空間信息 2017年10期2017-11-01
- 基于馬爾科夫網(wǎng)絡(luò)的文本圖像超分辨率重建
計(jì)圖像中得到低分辨率圖像的概率，P(x|y)表示為獲得高分辨率圖像的后驗(yàn)概率，P(x，y)為聯(lián)合概率。馬爾科夫網(wǎng)絡(luò)模型是一種關(guān)于圖像的結(jié)點(diǎn)之間的空間依賴性統(tǒng)計(jì)描述。因?yàn)閳D像具有局部性，即圖像中各個(gè)像素點(diǎn)的值僅與相鄰像素點(diǎn)的值相關(guān)，因此可以使用馬爾科夫網(wǎng)絡(luò)為超分辨率重建問(wèn)題建模。同時(shí)馬爾科夫網(wǎng)絡(luò)的條件獨(dú)立性使得可以采用條件概率來(lái)表示，這樣就提供了一個(gè)貝葉斯框架，允許對(duì)圖像進(jìn)行最大后驗(yàn)概率估計(jì)。馬爾科夫網(wǎng)絡(luò)模型的構(gòu)建通常是將訓(xùn)練集中的低分辨率圖像和高分辨率圖像
山西電子技術(shù) 2017年4期2017-08-29
- 模糊瞬變高清？谷歌超分辨率技術(shù)RAISR
時(shí)間。如果降低分辨率，畫質(zhì)又會(huì)受到很大影響。解決方法之一，就是先通過(guò)低分辨率拍攝出小體積的照片，傳輸完畢，再通過(guò)谷歌新推的RAISR技術(shù)進(jìn)行“升采樣”方法提高低分辨率照片的畫質(zhì)，讓照片重新變清晰。今天就讓我們來(lái)了解這一“魔法”背后的秘密。照片重建的“升采樣”技術(shù)RAISR全稱是“Rapid and Accurate Image Super-Resolution”，意為“快速、精確的超分辨率技術(shù)”。它是一種通過(guò)升采樣方式，把低分辨率圖片重建為尺寸更大、像素更
電腦愛(ài)好者 2016年24期2017-01-05
- 基于稀疏表示和近鄰嵌入的圖像超分辨率重構(gòu)
重構(gòu)算法；為低分辨率和高分辨率圖像塊訓(xùn)練兩個(gè)基于稀疏表示的過(guò)完備字典，在訓(xùn)練的低分辨率圖像塊和高分辨率圖像塊中分別選取與這兩個(gè)字典原子最近的圖像塊近鄰，通過(guò)圖像塊近鄰來(lái)計(jì)算構(gòu)圖像塊的權(quán)重；一旦得到權(quán)重矩陣，高分辨率重構(gòu)圖像塊可以由低分辨率圖像塊與相應(yīng)權(quán)重相乘來(lái)表示；與之前的算法相比，所提出的算法在計(jì)算字典原子與圖像塊距離的時(shí)候不是逐個(gè)圖像塊進(jìn)行計(jì)算，而是先將圖像塊聚類，計(jì)算字典原子與類中心的距離，在距離最近的一類中選取圖像塊；計(jì)算權(quán)重矩陣的時(shí)間可以大大減少
計(jì)算機(jī)測(cè)量與控制 2016年5期2016-11-23
- 基于低分辨率視頻圖像的手語(yǔ)識(shí)別方法
79)?基于低分辨率視頻圖像的手語(yǔ)識(shí)別方法嚴(yán)焰1劉蓉21(湖北師范學(xué)院教育信息與技術(shù)學(xué)院湖北 黃石 435002)2(華中師范大學(xué)物理科學(xué)與技術(shù)學(xué)院湖北 武漢 430079)實(shí)際環(huán)境中常遇到大量低分辨率手語(yǔ)視頻圖像需要識(shí)別,但其只含有相對(duì)有限的判別信息，識(shí)別效率不高，因此提出一種手語(yǔ)識(shí)別方法。該方法在采用實(shí)時(shí)皮膚顏色特征提取目標(biāo)區(qū)域的基礎(chǔ)上，計(jì)算目標(biāo)區(qū)域形心、邊界鏈碼兩種識(shí)別特征值，利用動(dòng)態(tài)時(shí)間規(guī)整算法依次識(shí)別手勢(shì)起始幀與結(jié)束幀，結(jié)合識(shí)別結(jié)果還原手語(yǔ)單詞。
計(jì)算機(jī)應(yīng)用與軟件 2016年9期2016-11-09
- 聯(lián)合稀疏表示和總變分正則化的超分辨率重建方法*
練，得到高、低分辨率的字典。在稀疏編碼階段，根據(jù)局部稀疏編碼模型求解出低分辨圖像的稀疏表示系數(shù)，再利用稀疏表示系數(shù)和高分辨率字典對(duì)輸入低分辨率圖像進(jìn)行重建，得到高分辨率圖像。最后，將重建得到的高分辨率圖像進(jìn)行總變分正則化優(yōu)化，進(jìn)一步提高重建效果。仿真實(shí)驗(yàn)結(jié)果表明，該算法在客觀評(píng)價(jià)指標(biāo)和主觀視覺(jué)效果上，圖像質(zhì)量都有明顯提高。超分辨率重建 稀疏表示 總變分正則化 字典訓(xùn)練1 概述圖像的空間分辨率用于衡量圖像質(zhì)量，圖像的空間分辨率越高說(shuō)明圖像越清晰，細(xì)節(jié)信息越豐
海峽科學(xué) 2016年7期2016-10-14
- 多分辨率模型一致性維護(hù)模板框架設(shè)計(jì)
的屬性，并在低分辨率模型運(yùn)行期間及時(shí)進(jìn)行更新，以便在下一次解聚時(shí)利用這些信息計(jì)算出高分辨率模型當(dāng)前的狀態(tài)。4) 加鎖法[5]。該方法是一種串行化方法，具體思路是：某實(shí)體具有高、低2個(gè)分辨率模型，其中一個(gè)模型在某時(shí)刻進(jìn)行交互前，會(huì)針對(duì)交互影響到的屬性向另一模型發(fā)送加鎖指令，鎖住另一模型的同態(tài)屬性，加鎖后的另一模型不能發(fā)送任何能夠引起同態(tài)屬性發(fā)生改變的交互；待發(fā)生交互的模型交互完畢后，發(fā)送解鎖指令對(duì)另一模型進(jìn)行解鎖。5) 沖突檢測(cè)法[5]。模型在發(fā)送交互時(shí)并不
裝甲兵工程學(xué)院學(xué)報(bào) 2015年3期2015-06-15
- 基于稀疏K-SVD的單幅圖像超分辨率重建算法
行訓(xùn)練獲得高低分辨率字典對(duì)，以待重建的低分辨率圖像及其降采樣作為字典訓(xùn)練的樣本，提高了字典和待重建的低分辨率圖像的相關(guān)性；然后，采用逐級(jí)放大的思想進(jìn)行重建；最后，利用非局部均值的方法，進(jìn)一步提高重建效果。實(shí)驗(yàn)表明，與基于K-SVD的超分辨率重建算法相比，本文算法重建圖像的峰值信噪比平均提高了0.6 dB左右。重建圖像在視覺(jué)效果上，也有一定程度的提升。超分辨率；字典學(xué)習(xí)；稀疏K-SVD；非局部均值受外界環(huán)境，硬件設(shè)備限制等因素的影響，在多數(shù)情況下只能獲取低分
電視技術(shù) 2015年18期2015-05-05
- 基于自訓(xùn)練字典學(xué)習(xí)的單幅圖像的超分辨率重建
1）針對(duì)單幅低分辨率圖像的超分辨率重建問(wèn)題，提出了一種基于自訓(xùn)練字典學(xué)習(xí)的超分辨率重建算法。首先根據(jù)圖像的退化模型，對(duì)輸入的低分辨率圖像進(jìn)行降質(zhì)處理，然后利用K-SVD方法訓(xùn)練字典，獲得重建所需要的先驗(yàn)知識(shí)，最后根據(jù)先驗(yàn)知識(shí)重建高分辨率圖像。仿真實(shí)驗(yàn)的結(jié)果表明，利用該方法獲得的高分辨率圖像在視覺(jué)效果和客觀評(píng)價(jià)上均優(yōu)于傳統(tǒng)方法，同時(shí)算法的時(shí)間效率也有很大的提升。超分辨率重建；稀疏表示；自訓(xùn)練字典學(xué)習(xí)；K-SVD0 引言圖像超分辨率技術(shù)是指由一幅或幾幅低分辨率
紅外技術(shù) 2015年9期2015-03-21
- 基于多尺度塊搜索的單幅圖像超分辨率重建
有互補(bǔ)信息的低分辨率圖像來(lái)復(fù)原其對(duì)應(yīng)的高 /低分辨率圖像［5］，這些互補(bǔ)信息可以是亞像素差，也可以是不同的模糊核;此方法存在很多問(wèn)題，如當(dāng)放大倍數(shù)過(guò)大時(shí)(2倍以上)，會(huì)因重建過(guò)程中能夠使用的互補(bǔ)信息太少，導(dǎo)致重建效果不太理想［6］?；趯W(xué)習(xí)的超分辨率技術(shù)基本思想為通過(guò)對(duì)高/低分辨率圖像庫(kù)的學(xué)習(xí)，在某種最優(yōu)化方法下求出給定低分辨率圖像對(duì)應(yīng)高分辨率圖像。如Freeman的方法［3］:運(yùn)用馬爾科夫網(wǎng)絡(luò)找出對(duì)應(yīng)的高分辨率塊的最大后驗(yàn)概率值，在此基礎(chǔ)上也有一系列改進(jìn)
計(jì)算機(jī)工程 2014年8期2014-09-29
- 基于POCS的超分辨率重建算法研究*
集合應(yīng)該對(duì)應(yīng)低分辨率圖像序列f(i,j)內(nèi)的一個(gè)像素點(diǎn)，即：圖1 本文的初始圖像估計(jì)方法其中，其中，θ(l)表示第l幅低分辨率圖像的支撐域,δ(l)(i,j)表示模型的統(tǒng)計(jì)不確定性，y(l)(i,j)表示第l幅觀測(cè)圖像的像素點(diǎn)，z(k)(r,s)表示第k幅高分辨率圖像的像素點(diǎn)，A(l,k)(r,s;i,j)表示從第k幅高分辨率圖像到第l幅低分辨率圖像的降質(zhì)模型，r(l)(i,j)表示高分辨率圖像z(k)(r,s)經(jīng)過(guò)降質(zhì)模型后與低分辨率圖像之間的偏差。通過(guò)
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2014年8期2014-07-25
- 超分辨率圖像恢復(fù)方法綜述
分辨率圖像;低分辨率圖像;圖像恢復(fù)圖像超分辨率可以被理解為圖像放大之后細(xì)節(jié)仍然清晰可見(jiàn)?，F(xiàn)有的超分辨率圖像恢復(fù)一般是指恢復(fù)出一幅圖像邊緣清晰，細(xì)節(jié)、輪廓等較為清晰、合理的算法。超分辨率恢復(fù)技術(shù)通過(guò)一幅或者多幅低分辨率圖像，經(jīng)由重建的方法來(lái)獲得一幅高分辨率圖像［1］。由于目前成像器件分辨率的限制，從硬件上提高圖像的分辨率需要高昂的費(fèi)用和代價(jià)，因此從軟件方面來(lái)實(shí)現(xiàn)圖像的超分辨率具有較大的研究意義和價(jià)值。自Tsai和Huang［2］于1984年第一次提出超分辨率
- 一種遙感影像超分辨率重建的稀疏表示建模及算法
3為了對(duì)單幅低分辨率遙感影像的空間分辨率進(jìn)行增強(qiáng),提出一種基于稀疏表示的超分辨率重建方法。該方法首先采用優(yōu)化最小化方法學(xué)習(xí)高-低分辨率聯(lián)合字典對(duì),通過(guò)構(gòu)造一個(gè)參數(shù)互相解耦的易于優(yōu)化的代理函數(shù),替代原來(lái)的參數(shù)互相耦合難以優(yōu)化的目標(biāo)函數(shù),保證每一次迭代求解的值在局部范圍內(nèi)最優(yōu)。然后,將學(xué)習(xí)的字典對(duì)用以指導(dǎo)其他低分辨率遙感影像的超分辨率重建。試驗(yàn)表明,與傳統(tǒng)的插值方法相比,本研究算法在客觀的評(píng)價(jià)指標(biāo)上具有一定的提高,在主觀的視覺(jué)效果上也取得一些改善,可為其他單幅
測(cè)繪學(xué)報(bào) 2014年3期2014-06-27
- 多幀圖像超分辨率重建算法的研究
降采樣的多幅低分辨率圖像進(jìn)行融合估計(jì)出一幅高分辨率圖像。其步驟主要分為：運(yùn)動(dòng)估計(jì)、插值處理、圖像重建。本文采用Vandewalle配準(zhǔn)方法將處理過(guò)的低分辨率圖像序列映射到一幅高分辨率網(wǎng)格上，然后進(jìn)行插值，最后結(jié)合小波變換和迭代方法進(jìn)行圖像重建。并采用小波閾值去噪方法進(jìn)行去噪處理。實(shí)驗(yàn)結(jié)果表明本文算法能很好的提高圖像的峰值信噪比，是圖像重建的一種有效方法。超分辨率圖像重建；運(yùn)動(dòng)估計(jì)；插值；小波變換；閾值去噪1 引言在圖像系統(tǒng)中，從圖像的獲取，到圖像的傳送、接
- 基于單幀圖像的超分辨率算法＊
)是指由一幅低分辨率圖像(low resolution，LR)或圖像序列恢復(fù)出高分辨率圖像(high resolution，HR).但是，SR 問(wèn)題是一個(gè)不適定問(wèn)題，只有在合理的假設(shè)和先驗(yàn)知識(shí)條件下，SR 問(wèn)題才是可逆的.在圖像處理領(lǐng)域中，已經(jīng)涌現(xiàn)了諸多圖像的超分辨率算法［1-4］.這些算法分為2 類:一類是基于重建的算法;另一類是基于示例學(xué)習(xí)的算法.基于重建的算法的主要缺點(diǎn)是:如果沒(méi)有足夠的約束條件或超分辨率的倍數(shù)過(guò)高，得到的圖像的效果明顯下降.基于示例
- 基于局部約束線性編碼的單幀和多幀圖像超分辨率重建
分辨率降低。低分辨率的圖像難以滿足人們?cè)诤罄m(xù)的圖像處理和識(shí)別等方面的需要，給目標(biāo)的定位和識(shí)別、圖像信息內(nèi)容的獲取等帶來(lái)諸多不便。超分辨率技術(shù)可以充分挖掘圖像的潛在信息，利用圖像先驗(yàn)知識(shí)，得到高質(zhì)量的圖像，在衛(wèi)星偵察、視頻監(jiān)控等多個(gè)領(lǐng)域得到廣泛應(yīng)用。超分辨率的技術(shù)從20世紀(jì)80年代以來(lái)得到了迅猛的發(fā)展，目前常用的算法有凸集投影法［1］、最大后驗(yàn)概率法［2，3］、迭代反投影法［4］等。近年來(lái)基于學(xué)習(xí)的超分辨率重建算法也逐步發(fā)展起來(lái)，最近文獻(xiàn)［5］提出了一種基于
吉林大學(xué)學(xué)報(bào)（工學(xué)版） 2013年1期2013-04-03
- 基于Keren配準(zhǔn)和插值的快速超分辨率圖像重建*
由一幅或多幅低分辨率(LR)的觀測(cè)圖像或視頻重建高分辨率(HR)圖像或視頻的過(guò)程［1］.由于超分辨率技術(shù)是用后期圖像和視頻處理的手段對(duì)已有圖像進(jìn)行軟件上的加工以增強(qiáng)圖像視頻的質(zhì)量，比起改變硬件設(shè)備的方式更為靈活，成本也更低，自1984年Tsai等［2］提出該術(shù)語(yǔ)以來(lái)，超分辨率重建已經(jīng)成為數(shù)字圖像處理領(lǐng)域的研究熱點(diǎn)之一.超分辨率圖像重建經(jīng)典算法有Tsai等［2］的基于頻域的算法、Stark等［3］的凸集映射法 (POCS)、Kim 等［4］的非均勻插值法(N
- 基于POCS算法的圖像超分辨率重建
的方法從多幀低分辨率、存在全局平移運(yùn)動(dòng)的圖像序列中插值產(chǎn)生1幅高分辨率圖像。但頻率域方法局限于全局平移，圖像退化模型具有空間不變性。而空間域方法能包含各種先驗(yàn)約束，有更多的靈活性和更廣的適應(yīng)性。所以空間域方法成為近幾年重點(diǎn)研究的方法。Schultz等[2-3]人提出將基于 Bayesian框架的最大后驗(yàn)概率(MAP)超分辨率圖像重建算法；Irani等[4]人采用了迭代反向投影算法(IBP)，把輸出圖像投影到低分辨率觀測(cè)圖像上以便求取與實(shí)際觀測(cè)圖像的差值，根
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2010年3期2010-05-18