低分辨率
- 相干轉發干擾對低分辨率雷達回波特征的影響
前仍主要采用低分辨率的雷達作為預警探測手段。因此探尋這些被大量使用的相干干擾樣式對于低分辨率雷達的影響效果十分必要。近些年來,不少學者提出用不同方法提取低分辨率雷達的回波特征,以期采用新的方法提升現有列裝裝備的性能,實現對目標的粗分類識別。但未見有學者考慮新出現的干擾樣式會對低分辨率雷達回波產生什么樣的影響。羅宏等人[1]率先提出使用反卷積法獲得雷達目標回波的波形特征,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學模型,豐富了波形特征,為
艦船電子對抗 2023年6期2024-01-12
- 基于雙向循環網絡的變色龍視覺超分辨率圖像重建
的圖像往往是低分辨率的.低分辨率圖像在進行標注時由于缺乏高頻細節，會出現目標對象誤標和漏標問題，尤其訓練集中有相似目標和小目標的圖像，影響更為明顯.因此，得到超分辨率圖像是提高監督式學習任務性能的保障.Dong 等[6](SRCNN)首次利用卷積網絡實現超分辨率的重建，但Shi 等[7](ESPCN)認為SRCNN使用插值進行預上采樣操作影響了性能，認為應讓網絡從訓練樣本中學習如何進行放大，便將預上采樣操作替換為在重建操作之后增加一個亞像素卷積層來實現放大
云南大學學報（自然科學版） 2023年5期2023-10-08
- 基于稀疏分解和預濾波處理的機載SAR圖像超分辨率重建
方向之一。 低分辨率的圖像經過系列處理得到高分辨率圖像的過程也即超分辨率重建的過程。 結合圖像的去噪算法［2－3］，可以廣泛應用在衛星成像、目標檢測等多個領域。 近年來，隨著對機器學習技術的深入研究，光學圖像的超分辨率重建性能得到了改善。 2014 年，Dong 等［4－5］學者首次在光學圖像的超分辨率處理任務中使用深度學習的方法，提出了以卷積神經網絡（Convolutional Neural Network，CNN）為根基的超分辨率網絡架構（Super-
南京郵電大學學報(自然科學版) 2023年4期2023-09-23
- 圖像超分辨率技術研究
on) 指從低分辨率的圖像或圖像序列中恢復出高分辨率的圖像。將低分辨率的圖像用LR(Low Resolution)表示，恢復出的高分辨率的圖像用HR(High Resolution)表示。根據輸入圖像進行分類，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)。圖像超分辨率是計算機視覺中一個很經典的問題，在過去的十幾年中，在國內外
電腦知識與技術 2023年18期2023-08-04
- 低分辨率行人重識別數據集及其基準方法
像可能會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節信息，如果直接對低分辨率行人圖像進行相互匹配會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）?，F有的許多行人重識別方法通常側重于解決跨分辨率行人匹配問題，即同一個行人不同分辨率圖像之間的相互匹配。近年來涌現了許多跨分辨率行人重識別方法（Adil 等，2020；Jing 等，2017），大致可以分為3 類：1）利用超
中國圖象圖形學報 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別
[5]。因為低分辨率圖像具有的人臉特征信息量小、噪聲多、可利用識別的像素點和圖像特征少等因素,低分辨率人臉識別比高分辨率人臉識別更加困難[6]。關于低分辨率人臉識別,Freeman等人提出單通道超級分辨率算法,只需要在訓練集中對采自本地圖像數據的每個斑塊的向量進行最近鄰搜索[7]。肖哲構建了高、低分辨率對應的人臉數據集,學習低分辨率數據集中相應高低分辨圖像的局部像素結構,通過學習到的知識對圖像重建獲得高分辨率圖像[8];Hennings-Yeomans等人
西北大學學報（自然科學版） 2023年2期2023-05-08
- 基于DCT 變換和零次學習的刑偵圖像超分辨率①
像質量. 對低分辨率圖像本身進行高質量的重建, 對于發現線索、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. 隨著深度學習在圖像重建方面的發展, 基于卷積神經網絡(convolutional neural network, CNN)[1-3]的SR 方法取得了顯著的成果. 由于真實LR-HR 圖像對難以獲取,許多基于CNN 的SR 方法通常在人工合成的圖像對上進行訓練, 例如對HR 圖像進行雙三次下采樣[4]得到的LR 圖像, 作為LR-HR
計算機系統應用 2022年5期2022-06-27
- 基于偏移學習的低分辨率人體姿態估計
常準確，但是低分辨率人體姿態估計效果并不理想，主要原因是低分辨率時模型性能嚴重下降，而偏移學習是解決模型性能下降的一種有效方法。實驗表明，本文提出的基于偏移學習的低分辨率人體姿態估計算法量化誤差小，準確率高。關鍵詞：人體姿態估計；低分辨率；偏移學習*基金項目：深圳市科技創新委員會資助項目（項目編號：JSGG20191129143214333）人體姿態估計是人體生成，動作識別，行人序列重識別，行人跟蹤和行人目標檢測中最關鍵的技術之一。由于受人體的大尺度變換、
電子產品世界 2022年9期2022-05-30
- 游戲更流暢 顯卡幀速優化新進展
以彌補一部分低分辨率丟失的細節（圖1）。但這對AI的要求較高，較早的版本在快速運動畫面中可能出現一些錯誤，誤判不同幀里快速變化的景物，因而在畫面里產生錯誤。例如使用DLSS 2.1時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，會消除掉這些拖影（圖2）。FSR 2.0AMD的FSR技術升級更加明顯，FSR 2.0實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），分析畫面的細節和像素運
電腦愛好者 2022年10期2022-05-30
- 采用光流特征對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一步壓縮，這將導致視頻質量顯著下降。為了解決這一問題，高效視頻編碼（High Efficiency Video Coding，H.265/HEVC）標準[1-2]被提出，該標準針對視頻數據中的冗余成分進行壓縮,然而在減少視頻數據量的同時，也會產生一定的壓縮偽影。此外，針對低分辨率視頻進行壓縮，不僅會降低視頻的分辨率,也會進一步損害視頻的質量。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，深度學習技術在各個領域都展現出了
通信技術 2022年12期2022-03-01
- 信號分辨率增強的機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形狀，然后利用三層卷積網絡進行非線性映射，進而輸出重建后的高分辨率圖像。由于卷積運算的分辨率較高，計算復雜度增加。高效的亞像素卷積神經網絡（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，生成更多仿真的樣本特征，本文提出了一個有效的算法——高效亞像素全連接神經網絡（ESPFCN）算法。為了檢驗分辨率增強后的樣本結果，使用SAE分類網絡對樣本進行了故障分
振動工程學報 2021年6期2022-01-12
- 基于雙向生成對抗網絡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，通過圖像特征提取層、非線性映射層和重建層完成對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絡VDSR，該網絡達到20層，運用了殘差學習與梯度裁剪來解決梯度爆炸問題。Ledig等[3]提出SRGAN，將基于生成模型的對
計算機應用與軟件 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獲取高分辨率圖像的技術，根據不同分類方式可以分為以下三個方面[3-4]?；诓逯档姆椒ㄊ亲畛Ｒ姷某直媛手亟ǚ椒?，這些方法算法比較簡單，所以速度較快，但是圖像的細節處處理效果較差[5]?；谥亟Ｐ偷姆椒▽D像的一部分先驗知識作為約束加入圖像重建過程，使不適定問題變為可解問題，處理結果相對較好，但要求圖像具有較好的先驗知識[6]。圖1 超分辨率重建方法分類基于學習的方法通過從訓練集中學習高分辨率圖像和低分辨率圖像之間的映射關系，來
電子測試 2021年19期2021-10-25
- 基于凸優化的傅里葉疊層成像技術研究
CD 采集的低分辨率圖像對高分辨率圖像的重構質量有著直接的影響[7]。為解決這一問題，2015年清華大學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，會使采集端的時間損耗加大，而傳統去噪算法的缺陷在于會導致圖像原始信息的丟失，嚴重影響著重建圖像質量。因此我們引入了凸優化算法，將采集端低分辨率圖片的去噪處理轉為一個凸問題，進而用迭代收縮閾值算法來求解該凸問題，在迭代收縮閾值算法中，我們采用Barzilai-Borwein（BB）
應用光學 2021年4期2021-09-23
- 基于超分辨率重建的低分辨率表情識別的研究
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別是極其困難的。目前研究低分辨率人臉表情識別課題的方向較少，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低分辨率微表情圖像進行處理。傳統算法重建的圖像會出現丟失細節、邊緣模糊的問題。研究表明，深度學習在圖像超分辨率重建[5-8]和識別領域[9-11]比傳統方法取得了更好的效果。針對上述問題，該文提出一種基于
計算機技術與發展 2021年7期2021-08-02
- 引入細節約束因子的半耦合字典學習超分辨率重構模型
[1]能夠把低分辨率的圖像重構出與真實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備問題。超分辨率重構技術作為目前計算機視覺領域的主要研究熱點之一，在遙感成像[2]、醫學影像分析[3]、工業成像等領域具有廣泛的應用前景。目前，超分辨率重構技術主要分為3類：插值、重構和學習的超分辨率重構算法?；诓逯邓惴╗4-5]就是利用低分辨率圖像中已知像素點對未知像素點進行估計，雖然其計算復雜度較低，但易放大邊緣，造成細節模糊和鋸齒邊界?；谥貥嫷某直媛仕?/div>
鄭州大學學報（工學版） 2021年3期2021-07-09
- 基于加速殘差網絡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、視頻監控、醫學圖像處理［1-3］等方面具有強烈的需求。但根據有限的圖像信息重建出更多信息是一個病態過程，所以圖像超分辨率重建研究始終是一個具有挑戰性的任務。目前，圖像超分辨率重建是前沿熱門領域，吸引了越來越多的學者參與研究，并發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算機應用 2021年5期2021-07-02
- 基于生成對抗網絡的超低分辨率視頻中動作識別算法
對抗網絡的超低分辨率動作識別算法。據我們所知，這是超分辨率重建方法第一次應用于低分辨率動作識別領域。（2）我們在網絡訓練中使用了我們稱之為長范圍時域卷積的新的訓練策略，該訓練策略取得了很好的效果。（3）大量的實驗表明我們的方法的有效性和優越性。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那樣，我們在訓練階段也使用了高分辨率視頻。但和半耦合和全耦合網絡相比，我們并不如他電子技術與軟件工程 2021年7期2021-06-16
- 基于自適應重建的雙路徑圖像超分辨率重建網絡
SR)旨在從低分辨率圖像(LR)建恢復準確的高分辨率圖像(HR)。單張圖像超分辨率被廣泛應用于監控成像和衛星遙感圖像等領域。早期的單張圖像超分辨率方法，例如，雙三次插值法近年來很少受到關注，因為它往往生成過于平滑和不自然的圖像。由于深度學習在計算機領域取得的進步，促使許多基于深度卷積的超分辨率算法被提出來。Dong 等人[1]首先引入用于圖像重建的三層卷積神經網絡，提出了使用深度卷積網絡的圖像超分辨率方法。Lim 等人[2]提出了一個具有殘差塊的非常深和寬電子技術與軟件工程 2021年6期2021-06-16
- 不同分辨率下青藏高原對大西洋經向翻轉流影響的耦合模式研究
化不一致, 低分辨率試驗中 AMOC 強度降低 89%, 高分辨率試驗中僅降低 13%。產生這種差異的原因是, 不同分辨率下對深水形成有重要貢獻的混合層潛沉位置和強度的變化顯著不同: 低分辨率試驗主要位于格陵蘭海?冰島海?挪威海(GIN), 高分辨率試驗主要位于拉布拉多海, 移除青藏高原后, 高、低分辨率試驗中潛沉均減弱, 但低分辨率試驗中減弱幅度大于高分辨率試驗, 高分辨率試驗中位于拉布拉多海的潛沉強度減弱最明顯, 低分辨率試驗中所有海域的潛沉強度均減弱北京大學學報（自然科學版） 2021年1期2021-02-02
- 融合鄰域回歸和稀疏表示的圖像超分辨率重構
利用觀測到的低分辨率圖像重建對應的高分辨率圖像的過程，在軍事、醫學、遙感、計算機視覺等方面都有著重要的研究和應用價值。在日常生活中，獲取高質量的圖像受到諸如成像設備硬件成本、成像環境復雜等條件的制約。為了改善這一問題，圖像超分辨率重建算法已被越來越多的研究人員關注。圖像超分辨率重建采用軟件方法，可以將低質量的圖像重建成對應的高質量圖像，既能夠避免設備條件的復雜要求從而降低成本，也可以通過技術的不斷發展使重建的質量得到提高。目前，基于單幅圖像的超分辨率重建成計算機工程與應用 2021年2期2021-01-22
- 基于退化學習的圖像超分辨綜述
人眼觀察到的低分辨率圖像[3-4]，然后經過逆過程得到超分辨率結果。其常用的有兩種模型，一種是先用模糊內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]采用另一種簡化的模型，直接把高分辨率圖像通過雙三次下采樣器得到退化圖像。無監督退化的提出是為了仿制真實的低分辨到高分辨的超分過程，提出的模型與現實的情況存在很大的區別。本文著重對圖像超分辨率現代計算機 2020年30期2020-12-07
- 含噪圖像的快速超分辨率重建算法
首要任務是從低分辨率圖像中重建丟失的高頻細節。傳統的基于插值的超分辨率重建技術[1-2]已經被廣泛運用并具備快速實現的優點。但是，面對圖像邊緣、不連續區域、高頻特征時，往往不能取得理想的效果。近年來，人們提出了許多具有影響力的基于實例的超分辨率重建方法[3-5]，并取得了不錯的效果，逐漸成為超分辨重建領域的主流方法。該方法的主要思路是：學習樣本庫中對應高、低分辨率圖像塊之間的映射關系并結合輸入的低分辨率圖像塊重構出丟失的高頻細節。大多數方法[6-7]都是基實驗技術與管理 2020年3期2020-10-08
- 基于改進Gabor特征幻影的低分辨率人臉識別
如何提高此類低分辨率人臉的識別準確率具有重要的現實意義。目前，低分辨率人臉識別主要有超分辨率重建[1-6]和穩健特征提取[7-10]。超分辨率重建算法主要是先對低分辨率樣本進行超分辨率增強，然后再進行識別。具體可以分為以下幾類：基于流形學習、基于字典學習以及基于回歸學習。在基于流形學習中，先假設高分辨率人臉和低分辨率人臉中具有相同的局部鄰域結構，在這種假設下，可以通過鄰域樣本重建生成與低分辨率人臉相對應的高分辨率人臉；具體的流形思想有：局部幾何結構以及稀疏無線電工程 2020年10期2020-09-29
- 基于LTP和局部PCA的低分辨率人臉識別算法
如何提高此類低分辨率人臉的識別準確率具有重要的現實意義．目前,低分辨率人臉識別方法主要有超分辨率重建[1-4]和穩健特征提取[5-8]等．Shi等[1]基于正則化模型構建“幻想人臉”; Zangeneh等[2]提出新的耦合映射方法, 采用深度卷積神經網絡進行低分辨率人臉重建, 此類算法通過構建高低樣本間的學習模型來預測高分辨率人臉圖像, 僅側重于人臉圖像重建的質量,卻未考慮識別性能. Pong等[3]基于局部線性回歸算法預測高分辨率人臉Gabor特征; S揚州大學學報（自然科學版） 2020年2期2020-09-08
- 基于邊緣學習的低分辨率圖像識別算法
2］。因此，低分辨率圖像的識別是亟待解決的實際應用問題。針對低分辨率圖像的識別有兩種策略：一種為直接法，即分辨率穩健特征表達法［3］，該方法直接從低分辨率圖像上提取穩健的特征，再將提取到的特征用于圖像識別，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］提出先對低分辨圖像進行超分辨率重建得到高分辨率圖像，再用圖像識別的方法進行識別。該類方法使用超分辨率重建算法先預測出低分辨率圖像中缺失的高頻信息部分，計算機應用 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圖像進行融合，以獲得較大視域的高分辨率圖像.目前，有不少學者在多尺度巖心圖像融合方面開展了研究，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，并且隨機地重建2D高分辨率圖像中所示的亞微米級孔隙，結合其中可以觀察到的小規模和大規模信息作為最終的重建結果.Tahmase[7]等人使用來自兩種不同分辨率的2D圖像，分別建立了納米級和微米級模型并疊加，合成了同時具有納米級孔隙和微米級孔隙的3D巖心四川大學學報（自然科學版） 2020年4期2020-07-08
- 一種改進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]，圖像超分辨率技術相較提高硬件設備的方法成本低，效果好，應用領域廣泛，可用于軍事偵察、醫療圖像等領域，為解決這一問題提供了有效的解決方式，因此一直是一個研究熱點?，F有的超分辨技術目前總的來說，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）基于學習的方法[9-10]。其中，基于插值的超分辨技術是最早提出的，也是最容易實現的超分辨技術，這類算法復雜度較低，通過相鄰像素的信息來得現代計算機 2020年6期2020-04-01
- 基于深度復合卷積神經網絡的低分辨率單影像復原
原， 即針對低分辨率或超低分辨率的圖像， 采用特定的模型或算法對其分辨率進行修復， 從而得出清晰度明顯提升的圖像。 但現有圖像修復方法較為單一， 主要是將多張不同時間維度的圖像作為輸入數據， 剔除各個圖像中的干擾信息， 對其主要特征信息進行提取收集， 采用疊加融合的方式生成一幅紋理細節清晰的高分辨率圖像。 1964 年， HARRIS首先提出超分辨率復原的概念[2]， 他針對單圖像的特點進行了長期的實驗研究， 得出了一套較為完整的理論依據， 但圖像復原質量科技創新與生產力 2020年1期2020-02-24
- 基于非負最小二乘法的全色與高光譜圖像融合
波段加權合成低分辨率全色圖像，容易出現灰度失真；高光譜圖像與全色圖像的空間分辨率相差很大，采用現有的加性變換融合方法，會導致融合圖像中部分地物出現光譜或細節失真。為此，文章提出了基于非負最小二乘法的全色與高光譜圖像融合方法。首先對高光譜圖像進行波段壓縮，得到波段壓縮的高光譜圖像；然后對波段壓縮的高光譜圖像及全色圖像進行非負最小二乘擬合，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。試驗表明該方法的光譜與細節保真效果好，優于對比方法。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網絡加速算法*
旨在從給定的低分辨率圖像中重建出高分辨率圖像，該技術能夠提供視覺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習的方法，此類方法利用先驗知識學習低分辨率和高分辨率圖像之間的映射關系，可以顯著增強圖像細節。2014年，香港中文大學Dong等成功地將深度學習引入到圖像超分辨率重建問題中，提出基于卷積神經網絡的圖像超分辨率重建算法(Super Resolution Convolution Neural Network, SRCNN)國防科技大學學報 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出高分辨率圖像的過程。隨著信息技術和視覺通信技術的發展，人們對于圖像清晰度要求越來越高。單純從硬件方面提高圖像清晰度不僅成本較高且技術上也達到一定的瓶頸。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題。因此，近年來圖像超分辨率重建成為研究熱點之一。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習的圖像超分辨率重建?；诓逯档乃惴ㄊ抢卯斍按逯迭c周圍已知的像素值來估物聯網技術 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成高分辨率圖像的一種圖像處理技術。因為圖像超分辨率重建過程是一個病態問題，所以不同的重建方法可以恢復出不同的高分辨圖像，但這些重建方法的關鍵點在于通過先驗知識去尋找合適的低分辨率圖像與相應的高分辨率圖像之間的內在聯系。近年來，國內外學者提出了許多基于樣本的超分辨率圖像重建方法［1－8］。這些方法主要通過低分辨率和其相應的高分辨率補丁對來學習低分辨率和高分辨率圖像之間的映射關系，或者尋找相同圖片的內部相關性。Yang等［6］利用壓計算機應用 2018年6期2018-08-28
- 樹木的低分辨率三維模型資源創建實踐
領域，樹木的低分辨率三維模型資源必不可少。通過樹木模型再設計、兩套樹葉貼圖的設計制作、靜態照明的創建、風動畫、環境光遮擋的計算、碰撞對象的添加等環節，創建的樹木低分辨率三維模型資源完全符合虛擬現實領域的要求。關鍵詞：低分辨率;樹木;三維模型采用SpeedTree Modeler UE4創建低分辨率的模型成為動漫和數字媒體藝術領域一種愈來愈普遍的方式。不過，用于虛擬現實領域的低分辨率樹木模型與用于影視的高分辨率樹木模型的貼圖設計與制作技法，有所不同。其一，樹藝術科技 2018年2期2018-07-23
- 基于低分辨率彩色指導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(合肥工業大學計算機與信息學院，安徽 合肥 230009)傳統的以彩色圖像為指導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，實際應用中可能只存在低分辨率彩色圖像，此時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算法對輸入彩色圖像進行上圖學學報 2018年2期2018-05-09
- 基于低分辨率模板的多源數據DOM勻光方法
073）基于低分辨率模板的多源數據DOM勻光方法厲芳婷1,3，閔 天2，堯志青1，田艷紅2（1.湖北省測繪工程院，湖北 武漢 430074；2.湖北省航測遙感院，湖北 武漢 430074；3.武漢大學測繪遙感信息工程重點實驗室，湖北 武漢 430073）利用多源航攝影像數據制作正射影像是地理國情普查工作的重要技術手段，以湖北省地理國情普查項目為例，介紹一種基于低分辨率模板的多源影像數據勻光方法，解決多源數據正射影像成果的一致性問題。地理國情；正射影像；勻光地理空間信息 2017年10期2017-11-01
- 基于馬爾科夫網絡的文本圖像超分辨率重建
計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概率，P(x，y)為聯合概率。馬爾科夫網絡模型是一種關于圖像的結點之間的空間依賴性統計描述。因為圖像具有局部性，即圖像中各個像素點的值僅與相鄰像素點的值相關，因此可以使用馬爾科夫網絡為超分辨率重建問題建模。同時馬爾科夫網絡的條件獨立性使得可以采用條件概率來表示，這樣就提供了一個貝葉斯框架，允許對圖像進行最大后驗概率估計。馬爾科夫網絡模型的構建通常是將訓練集中的低分辨率圖像和高分辨率圖像山西電子技術 2017年4期2017-08-29
- 模糊瞬變高清？谷歌超分辨率技術RAISR
時間。如果降低分辨率，畫質又會受到很大影響。解決方法之一，就是先通過低分辨率拍攝出小體積的照片，傳輸完畢，再通過谷歌新推的RAISR技術進行“升采樣”方法提高低分辨率照片的畫質，讓照片重新變清晰。今天就讓我們來了解這一“魔法”背后的秘密。照片重建的“升采樣”技術RAISR全稱是“Rapid and Accurate Image Super-Resolution”，意為“快速、精確的超分辨率技術”。它是一種通過升采樣方式，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
重構算法；為低分辨率和高分辨率圖像塊訓練兩個基于稀疏表示的過完備字典，在訓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字典原子最近的圖像塊近鄰，通過圖像塊近鄰來計算構圖像塊的權重；一旦得到權重矩陣，高分辨率重構圖像塊可以由低分辨率圖像塊與相應權重相乘來表示；與之前的算法相比，所提出的算法在計算字典原子與圖像塊距離的時候不是逐個圖像塊進行計算，而是先將圖像塊聚類，計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；計算權重矩陣的時間可以大大減少計算機測量與控制 2016年5期2016-11-23
- 基于低分辨率視頻圖像的手語識別方法
79)?基于低分辨率視頻圖像的手語識別方法嚴焰1劉蓉21(湖北師范學院教育信息與技術學院湖北 黃石 435002)2(華中師范大學物理科學與技術學院湖北 武漢 430079)實際環境中常遇到大量低分辨率手語視頻圖像需要識別,但其只含有相對有限的判別信息，識別效率不高，因此提出一種手語識別方法。該方法在采用實時皮膚顏色特征提取目標區域的基礎上，計算目標區域形心、邊界鏈碼兩種識別特征值，利用動態時間規整算法依次識別手勢起始幀與結束幀，結合識別結果還原手語單詞。計算機應用與軟件 2016年9期2016-11-09
- 聯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，根據局部稀疏編碼模型求解出低分辨圖像的稀疏表示系數，再利用稀疏表示系數和高分辨率字典對輸入低分辨率圖像進行重建，得到高分辨率圖像。最后，將重建得到的高分辨率圖像進行總變分正則化優化，進一步提高重建效果。仿真實驗結果表明，該算法在客觀評價指標和主觀視覺效果上，圖像質量都有明顯提高。超分辨率重建 稀疏表示 總變分正則化 字典訓練1 概述圖像的空間分辨率用于衡量圖像質量，圖像的空間分辨率越高說明圖像越清晰，細節信息越豐海峽科學 2016年7期2016-10-14
- 多分辨率模型一致性維護模板框架設計
的屬性，并在低分辨率模型運行期間及時進行更新，以便在下一次解聚時利用這些信息計算出高分辨率模型當前的狀態。4) 加鎖法[5]。該方法是一種串行化方法，具體思路是：某實體具有高、低2個分辨率模型，其中一個模型在某時刻進行交互前，會針對交互影響到的屬性向另一模型發送加鎖指令，鎖住另一模型的同態屬性，加鎖后的另一模型不能發送任何能夠引起同態屬性發生改變的交互；待發生交互的模型交互完畢后，發送解鎖指令對另一模型進行解鎖。5) 沖突檢測法[5]。模型在發送交互時并不裝甲兵工程學院學報 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
行訓練獲得高低分辨率字典對，以待重建的低分辨率圖像及其降采樣作為字典訓練的樣本，提高了字典和待重建的低分辨率圖像的相關性；然后，采用逐級放大的思想進行重建；最后，利用非局部均值的方法，進一步提高重建效果。實驗表明，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。重建圖像在視覺效果上，也有一定程度的提升。超分辨率；字典學習；稀疏K-SVD；非局部均值受外界環境，硬件設備限制等因素的影響，在多數情況下只能獲取低分電視技術 2015年18期2015-05-05
- 基于自訓練字典學習的單幅圖像的超分辨率重建
1）針對單幅低分辨率圖像的超分辨率重建問題，提出了一種基于自訓練字典學習的超分辨率重建算法。首先根據圖像的退化模型，對輸入的低分辨率圖像進行降質處理，然后利用K-SVD方法訓練字典，獲得重建所需要的先驗知識，最后根據先驗知識重建高分辨率圖像。仿真實驗的結果表明，利用該方法獲得的高分辨率圖像在視覺效果和客觀評價上均優于傳統方法，同時算法的時間效率也有很大的提升。超分辨率重建；稀疏表示；自訓練字典學習；K-SVD0 引言圖像超分辨率技術是指由一幅或幾幅低分辨率紅外技術 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
有互補信息的低分辨率圖像來復原其對應的高 /低分辨率圖像［5］，這些互補信息可以是亞像素差，也可以是不同的模糊核;此方法存在很多問題，如當放大倍數過大時(2倍以上)，會因重建過程中能夠使用的互補信息太少，導致重建效果不太理想［6］?；趯W習的超分辨率技術基本思想為通過對高/低分辨率圖像庫的學習，在某種最優化方法下求出給定低分辨率圖像對應高分辨率圖像。如Freeman的方法［3］:運用馬爾科夫網絡找出對應的高分辨率塊的最大后驗概率值，在此基礎上也有一系列改進計算機工程 2014年8期2014-09-29
- 基于POCS的超分辨率重建算法研究*
集合應該對應低分辨率圖像序列f(i,j)內的一個像素點，即：圖1 本文的初始圖像估計方法其中，其中，θ(l)表示第l幅低分辨率圖像的支撐域,δ(l)(i,j)表示模型的統計不確定性，y(l)(i,j)表示第l幅觀測圖像的像素點，z(k)(r,s)表示第k幅高分辨率圖像的像素點，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模型，r(l)(i,j)表示高分辨率圖像z(k)(r,s)經過降質模型后與低分辨率圖像之間的偏差。通過網絡安全與數據管理 2014年8期2014-07-25
- 超分辨率圖像恢復方法綜述
分辨率圖像;低分辨率圖像;圖像恢復圖像超分辨率可以被理解為圖像放大之后細節仍然清晰可見?，F有的超分辨率圖像恢復一般是指恢復出一幅圖像邊緣清晰，細節、輪廓等較為清晰、合理的算法。超分辨率恢復技術通過一幅或者多幅低分辨率圖像，經由重建的方法來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用和代價，因此從軟件方面來實現圖像的超分辨率具有較大的研究意義和價值。自Tsai和Huang［2］于1984年第一次提出超分辨率重慶理工大學學報(自然科學) 2014年9期2014-07-02
- 一種遙感影像超分辨率重建的稀疏表示建模及算法
3為了對單幅低分辨率遙感影像的空間分辨率進行增強,提出一種基于稀疏表示的超分辨率重建方法。該方法首先采用優化最小化方法學習高-低分辨率聯合字典對,通過構造一個參數互相解耦的易于優化的代理函數,替代原來的參數互相耦合難以優化的目標函數,保證每一次迭代求解的值在局部范圍內最優。然后,將學習的字典對用以指導其他低分辨率遙感影像的超分辨率重建。試驗表明,與傳統的插值方法相比,本研究算法在客觀的評價指標上具有一定的提高,在主觀的視覺效果上也取得一些改善,可為其他單幅測繪學報 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行融合估計出一幅高分辨率圖像。其步驟主要分為：運動估計、插值處理、圖像重建。本文采用Vandewalle配準方法將處理過的低分辨率圖像序列映射到一幅高分辨率網格上，然后進行插值，最后結合小波變換和迭代方法進行圖像重建。并采用小波閾值去噪方法進行去噪處理。實驗結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；運動估計；插值；小波變換；閾值去噪1 引言在圖像系統中，從圖像的獲取，到圖像的傳送、接天津職業技術師范大學學報 2014年4期2014-02-28
- 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)或圖像序列恢復出高分辨率圖像(high resolution，HR).但是，SR 問題是一個不適定問題，只有在合理的假設和先驗知識條件下，SR 問題才是可逆的.在圖像處理領域中，已經涌現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習的算法.基于重建的算法的主要缺點是:如果沒有足夠的約束條件或超分辨率的倍數過高，得到的圖像的效果明顯下降.基于示例浙江師范大學學報（自然科學版） 2013年2期2013-11-25
- 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在后續的圖像處理和識別等方面的需要，給目標的定位和識別、圖像信息內容的獲取等帶來諸多不便。超分辨率技術可以充分挖掘圖像的潛在信息，利用圖像先驗知識，得到高質量的圖像，在衛星偵察、視頻監控等多個領域得到廣泛應用。超分辨率的技術從20世紀80年代以來得到了迅猛的發展，目前常用的算法有凸集投影法［1］、最大后驗概率法［2，3］、迭代反投影法［4］等。近年來基于學習的超分辨率重建算法也逐步發展起來，最近文獻［5］提出了一種基于吉林大學學報（工學版） 2013年1期2013-04-03
- 基于Keren配準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)的觀測圖像或視頻重建高分辨率(HR)圖像或視頻的過程［1］.由于超分辨率技術是用后期圖像和視頻處理的手段對已有圖像進行軟件上的加工以增強圖像視頻的質量，比起改變硬件設備的方式更為靈活，成本也更低，自1984年Tsai等［2］提出該術語以來，超分辨率重建已經成為數字圖像處理領域的研究熱點之一.超分辨率圖像重建經典算法有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華南理工大學學報（自然科學版） 2011年5期2011-01-24
- 基于POCS算法的圖像超分辨率重建
的方法從多幀低分辨率、存在全局平移運動的圖像序列中插值產生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約束，有更多的靈活性和更廣的適應性。所以空間域方法成為近幾年重點研究的方法。Schultz等[2-3]人提出將基于 Bayesian框架的最大后驗概率(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圖像上以便求取與實際觀測圖像的差值，根網絡安全與數據管理 2010年3期2010-05-18
- 基于加速殘差網絡的圖像超分辨率重建方法