低分辨率
- 相干转发干扰对低分辨率雷达回波特征的影响
前仍主要采用低分辨率的雷达作为预警探测手段。因此探寻这些被大量使用的相干干扰样式对于低分辨率雷达的影响效果十分必要。近些年来,不少学者提出用不同方法提取低分辨率雷达的回波特征,以期采用新的方法提升现有列装装备的性能,实现对目标的粗分类识别。但未见有学者考虑新出现的干扰样式会对低分辨率雷达回波产生什么样的影响。罗宏等人[1]率先提出使用反卷积法获得雷达目标回波的波形特征,并探索建立起利用低分辨率的视频回波逆推到近似的高分辨率波形的数学模型,丰富了波形特征,为
舰船电子对抗 2023年6期2024-01-12
- 基于双向循环网络的变色龙视觉超分辨率图像重建
的图像往往是低分辨率的.低分辨率图像在进行标注时由于缺乏高频细节，会出现目标对象误标和漏标问题，尤其训练集中有相似目标和小目标的图像，影响更为明显.因此，得到超分辨率图像是提高监督式学习任务性能的保障.Dong 等[6](SRCNN)首次利用卷积网络实现超分辨率的重建，但Shi 等[7](ESPCN)认为SRCNN使用插值进行预上采样操作影响了性能，认为应让网络从训练样本中学习如何进行放大，便将预上采样操作替换为在重建操作之后增加一个亚像素卷积层来实现放大
云南大学学报（自然科学版） 2023年5期2023-10-08
- 基于稀疏分解和预滤波处理的机载SAR图像超分辨率重建
方向之一。 低分辨率的图像经过系列处理得到高分辨率图像的过程也即超分辨率重建的过程。 结合图像的去噪算法［2－3］，可以广泛应用在卫星成像、目标检测等多个领域。 近年来，随着对机器学习技术的深入研究，光学图像的超分辨率重建性能得到了改善。 2014 年，Dong 等［4－5］学者首次在光学图像的超分辨率处理任务中使用深度学习的方法，提出了以卷积神经网络（Convolutional Neural Network，CNN）为根基的超分辨率网络架构（Super-
南京邮电大学学报(自然科学版) 2023年4期2023-09-23
- 图像超分辨率技术研究
on) 指从低分辨率的图像或图像序列中恢复出高分辨率的图像。将低分辨率的图像用LR(Low Resolution)表示，恢复出的高分辨率的图像用HR(High Resolution)表示。根据输入图像进行分类，输入为单张图像即为SISR(Single Image Super-Resolution)，输入为图像序列则称作MFSR(Multi-Frame Super-Resolution)。图像超分辨率是计算机视觉中一个很经典的问题，在过去的十几年中，在国内外
电脑知识与技术 2023年18期2023-08-04
- 低分辨率行人重识别数据集及其基准方法
像可能会存在低分辨率的情况。相比于高分辨率图像，低分辨率的行人图像包含了更少的身份与细节信息，如果直接对低分辨率行人图像进行相互匹配会造成显著的性能损失（贲晛烨 等，2012；史维东等，2020；沈庆 等，2020；郑鑫 等，2020）。现有的许多行人重识别方法通常侧重于解决跨分辨率行人匹配问题，即同一个行人不同分辨率图像之间的相互匹配。近年来涌现了许多跨分辨率行人重识别方法（Adil 等，2020；Jing 等，2017），大致可以分为3 类：1）利用超
中国图象图形学报 2023年5期2023-05-20
- 基于超分辨重建和公共特征子空间的低分辨率人脸识别
[5]。因为低分辨率图像具有的人脸特征信息量小、噪声多、可利用识别的像素点和图像特征少等因素,低分辨率人脸识别比高分辨率人脸识别更加困难[6]。关于低分辨率人脸识别,Freeman等人提出单通道超级分辨率算法,只需要在训练集中对采自本地图像数据的每个斑块的向量进行最近邻搜索[7]。肖哲构建了高、低分辨率对应的人脸数据集,学习低分辨率数据集中相应高低分辨图像的局部像素结构,通过学习到的知识对图像重建获得高分辨率图像[8];Hennings-Yeomans等人
西北大学学报（自然科学版） 2023年2期2023-05-08
- 基于DCT 变换和零次学习的刑侦图像超分辨率①
像质量. 对低分辨率图像本身进行高质量的重建, 对于发现线索、拓展侦查手段和范围、突破嫌疑人口供和证明犯罪具有重要作用. 随着深度学习在图像重建方面的发展, 基于卷积神经网络(convolutional neural network, CNN)[1-3]的SR 方法取得了显著的成果. 由于真实LR-HR 图像对难以获取,许多基于CNN 的SR 方法通常在人工合成的图像对上进行训练, 例如对HR 图像进行双三次下采样[4]得到的LR 图像, 作为LR-HR
计算机系统应用 2022年5期2022-06-27
- 基于偏移学习的低分辨率人体姿态估计
常准确，但是低分辨率人体姿态估计效果并不理想，主要原因是低分辨率时模型性能严重下降，而偏移学习是解决模型性能下降的一种有效方法。实验表明，本文提出的基于偏移学习的低分辨率人体姿态估计算法量化误差小，准确率高。关键词：人体姿态估计；低分辨率；偏移学习*基金项目：深圳市科技创新委员会资助项目（项目编号：JSGG20191129143214333）人体姿态估计是人体生成，动作识别，行人序列重识别，行人跟踪和行人目标检测中最关键的技术之一。由于受人体的大尺度变换、
电子产品世界 2022年9期2022-05-30
- 游戏更流畅 显卡帧速优化新进展
以弥补一部分低分辨率丢失的细节（图1）。但这对AI的要求较高，较早的版本在快速运动画面中可能出现一些错误，误判不同帧里快速变化的景物，因而在画面里产生错误。例如使用DLSS 2.1时汽车的后视镜边缘就被显示了好几次，造成了“拖影”，DLSS 2.3更聪明了，会消除掉这些拖影（图2）。FSR 2.0AMD的FSR技术升级更加明显，FSR 2.0实际上将画面处理方式从仅考虑单帧画面的拉伸（空间算法）变成了类似DLSS的参考前后帧（图3），分析画面的细节和像素运
电脑爱好者 2022年10期2022-05-30
- 采用光流特征对齐的压缩视频超分辨率重建*
要先下采样为低分辨率视频再进一步压缩，这将导致视频质量显著下降。为了解决这一问题，高效视频编码（High Efficiency Video Coding，H.265/HEVC）标准[1-2]被提出，该标准针对视频数据中的冗余成分进行压缩,然而在减少视频数据量的同时，也会产生一定的压缩伪影。此外，针对低分辨率视频进行压缩，不仅会降低视频的分辨率,也会进一步损害视频的质量。因此，亟待提出更有效的压缩视频超分辨率重建算法。近年来，深度学习技术在各个领域都展现出了
通信技术 2022年12期2022-03-01
- 信号分辨率增强的机械智能故障诊断方法研究
双三次插值将低分辨率的输入图像放大到目标形状，然后利用三层卷积网络进行非线性映射，进而输出重建后的高分辨率图像。由于卷积运算的分辨率较高，计算复杂度增加。高效的亚像素卷积神经网络（ESPCN）［23］可以直接从低分辨率图像形状中提取特征，有效生成高分辨率图像。因此，为了使样本的分辨率得到增强，生成更多仿真的样本特征，本文提出了一个有效的算法——高效亚像素全连接神经网络（ESPFCN）算法。为了检验分辨率增强后的样本结果，使用SAE分类网络对样本进行了故障分
振动工程学报 2021年6期2022-01-12
- 基于双向生成对抗网络的图像超分辨率算法
从一幅或多幅低分辨率图像重建出一幅高分辨率图像。本文主要研究单幅图像超分辨率重建(Single Image Super-Resolution，SISR)。Dong等[1]首次提出了端到端的图像超分辨率重建方法SRCNN，通过图像特征提取层、非线性映射层和重建层完成对单帧低分辨率图像的超分辨率重建。Kim等[2]提出了一种极深的卷积网络VDSR，该网络达到20层，运用了残差学习与梯度裁剪来解决梯度爆炸问题。Ledig等[3]提出SRGAN，将基于生成模型的对
计算机应用与软件 2021年11期2021-11-15
- 基于稀疏编码的红外图像超分辨率重建方法
由一帧或多帧低分辨率图像来获取高分辨率图像的技术，根据不同分类方式可以分为以下三个方面[3-4]。基于插值的方法是最常见的超分辨率重建方法，这些方法算法比较简单，所以速度较快，但是图像的细节处处理效果较差[5]。基于重建模型的方法将图像的一部分先验知识作为约束加入图像重建过程，使不适定问题变为可解问题，处理结果相对较好，但要求图像具有较好的先验知识[6]。图1 超分辨率重建方法分类基于学习的方法通过从训练集中学习高分辨率图像和低分辨率图像之间的映射关系，来
电子测试 2021年19期2021-10-25
- 基于凸优化的傅里叶叠层成像技术研究
CD 采集的低分辨率图像对高分辨率图像的重构质量有着直接的影响[7]。为解决这一问题，2015年清华大学张永兵课题组提出了用超分辨率重建图像的方法[8]，但需要采集大量的原始图像，会使采集端的时间损耗加大，而传统去噪算法的缺陷在于会导致图像原始信息的丢失，严重影响着重建图像质量。因此我们引入了凸优化算法，将采集端低分辨率图片的去噪处理转为一个凸问题，进而用迭代收缩阈值算法来求解该凸问题，在迭代收缩阈值算法中，我们采用Barzilai-Borwein（BB）
应用光学 2021年4期2021-09-23
- 基于超分辨率重建的低分辨率表情识别的研究
这类图像称为低分辨率人脸表情图像，这类图像具有较少的表情特征，所以低分辨率的人脸表情识别是极其困难的。目前研究低分辨率人脸表情识别课题的方向较少，其中张灵等人[3]利用压缩感知理论重建低分辨率疲劳表情图像；李桂峰[4]采用基于块和基于像素提出的正则化方法对低分辨率微表情图像进行处理。传统算法重建的图像会出现丢失细节、边缘模糊的问题。研究表明，深度学习在图像超分辨率重建[5-8]和识别领域[9-11]比传统方法取得了更好的效果。针对上述问题，该文提出一种基于
计算机技术与发展 2021年7期2021-08-02
- 引入细节约束因子的半耦合字典学习超分辨率重构模型
[1]能够把低分辨率的图像重构出与真实图像相近的超分辨率图像，这样可从软件角度解决成像的硬件设备问题。超分辨率重构技术作为目前计算机视觉领域的主要研究热点之一，在遥感成像[2]、医学影像分析[3]、工业成像等领域具有广泛的应用前景。目前，超分辨率重构技术主要分为3类：插值、重构和学习的超分辨率重构算法。基于插值算法[4-5]就是利用低分辨率图像中已知像素点对未知像素点进行估计，虽然其计算复杂度较低，但易放大边缘，造成细节模糊和锯齿边界。基于重构的超分辨率算
郑州大学学报（工学版） 2021年3期2021-07-09
- 基于加速残差网络的图像超分辨率重建方法
型约束条件由低分辨率（Low Resolution，LR）图像重建清晰的高分辨率（High Resolution，HR）图像，在公共安全、视频监控、医学图像处理［1-3］等方面具有强烈的需求。但根据有限的图像信息重建出更多信息是一个病态过程，所以图像超分辨率重建研究始终是一个具有挑战性的任务。目前，图像超分辨率重建是前沿热门领域，吸引了越来越多的学者参与研究，并发表了众多有意义的工作，其中，具有代表性的有：Yang 等［4］提出的基于稀疏编码表示的超分辨率
计算机应用 2021年5期2021-07-02
- 基于生成对抗网络的超低分辨率视频中动作识别算法
对抗网络的超低分辨率动作识别算法。据我们所知，这是超分辨率重建方法第一次应用于低分辨率动作识别领域。（2）我们在网络训练中使用了我们称之为长范围时域卷积的新的训练策略，该训练策略取得了很好的效果。（3）大量的实验表明我们的方法的有效性和优越性。在只采用RGB 图像的情况下，与其他使用了光流图像作为输出的算法相比也毫不逊色。1 算法描述1.1 超分辨率模块如之前的研究工作所假设那样，我们在训练阶段也使用了高分辨率视频。但和半耦合和全耦合网络相比，我们并不如他
电子技术与软件工程 2021年7期2021-06-16
- 基于自适应重建的双路径图像超分辨率重建网络
SR)旨在从低分辨率图像(LR)建恢复准确的高分辨率图像(HR)。单张图像超分辨率被广泛应用于监控成像和卫星遥感图像等领域。早期的单张图像超分辨率方法，例如，双三次插值法近年来很少受到关注，因为它往往生成过于平滑和不自然的图像。由于深度学习在计算机领域取得的进步，促使许多基于深度卷积的超分辨率算法被提出来。Dong 等人[1]首先引入用于图像重建的三层卷积神经网络，提出了使用深度卷积网络的图像超分辨率方法。Lim 等人[2]提出了一个具有残差块的非常深和宽
电子技术与软件工程 2021年6期2021-06-16
- 不同分辨率下青藏高原对大西洋经向翻转流影响的耦合模式研究
化不一致, 低分辨率试验中 AMOC 强度降低 89%, 高分辨率试验中仅降低 13%。产生这种差异的原因是, 不同分辨率下对深水形成有重要贡献的混合层潜沉位置和强度的变化显著不同: 低分辨率试验主要位于格陵兰海‒冰岛海‒挪威海(GIN), 高分辨率试验主要位于拉布拉多海, 移除青藏高原后, 高、低分辨率试验中潜沉均减弱, 但低分辨率试验中减弱幅度大于高分辨率试验, 高分辨率试验中位于拉布拉多海的潜沉强度减弱最明显, 低分辨率试验中所有海域的潜沉强度均减弱
北京大学学报（自然科学版） 2021年1期2021-02-02
- 融合邻域回归和稀疏表示的图像超分辨率重构
利用观测到的低分辨率图像重建对应的高分辨率图像的过程，在军事、医学、遥感、计算机视觉等方面都有着重要的研究和应用价值。在日常生活中，获取高质量的图像受到诸如成像设备硬件成本、成像环境复杂等条件的制约。为了改善这一问题，图像超分辨率重建算法已被越来越多的研究人员关注。图像超分辨率重建采用软件方法，可以将低质量的图像重建成对应的高质量图像，既能够避免设备条件的复杂要求从而降低成本，也可以通过技术的不断发展使重建的质量得到提高。目前，基于单幅图像的超分辨率重建成
计算机工程与应用 2021年2期2021-01-22
- 基于退化学习的图像超分辨综述
人眼观察到的低分辨率图像[3-4]，然后经过逆过程得到超分辨率结果。其常用的有两种模型，一种是先用模糊内核与高分辨率图像卷积，再使用具有缩放因子的双三次下采样器作用于卷积后的高分辨率图像得到小尺寸的低分辨率图像，最后再加上一加性高斯白噪声(AWGN)。Kim 等人[3]采用另一种简化的模型，直接把高分辨率图像通过双三次下采样器得到退化图像。无监督退化的提出是为了仿制真实的低分辨到高分辨的超分过程，提出的模型与现实的情况存在很大的区别。本文着重对图像超分辨率
现代计算机 2020年30期2020-12-07
- 含噪图像的快速超分辨率重建算法
首要任务是从低分辨率图像中重建丢失的高频细节。传统的基于插值的超分辨率重建技术[1-2]已经被广泛运用并具备快速实现的优点。但是，面对图像边缘、不连续区域、高频特征时，往往不能取得理想的效果。近年来，人们提出了许多具有影响力的基于实例的超分辨率重建方法[3-5]，并取得了不错的效果，逐渐成为超分辨重建领域的主流方法。该方法的主要思路是：学习样本库中对应高、低分辨率图像块之间的映射关系并结合输入的低分辨率图像块重构出丢失的高频细节。大多数方法[6-7]都是基
实验技术与管理 2020年3期2020-10-08
- 基于改进Gabor特征幻影的低分辨率人脸识别
如何提高此类低分辨率人脸的识别准确率具有重要的现实意义。目前，低分辨率人脸识别主要有超分辨率重建[1-6]和稳健特征提取[7-10]。超分辨率重建算法主要是先对低分辨率样本进行超分辨率增强，然后再进行识别。具体可以分为以下几类：基于流形学习、基于字典学习以及基于回归学习。在基于流形学习中，先假设高分辨率人脸和低分辨率人脸中具有相同的局部邻域结构，在这种假设下，可以通过邻域样本重建生成与低分辨率人脸相对应的高分辨率人脸；具体的流形思想有：局部几何结构以及稀疏
无线电工程 2020年10期2020-09-29
- 基于LTP和局部PCA的低分辨率人脸识别算法
如何提高此类低分辨率人脸的识别准确率具有重要的现实意义．目前,低分辨率人脸识别方法主要有超分辨率重建[1-4]和稳健特征提取[5-8]等．Shi等[1]基于正则化模型构建“幻想人脸”; Zangeneh等[2]提出新的耦合映射方法, 采用深度卷积神经网络进行低分辨率人脸重建, 此类算法通过构建高低样本间的学习模型来预测高分辨率人脸图像, 仅侧重于人脸图像重建的质量,却未考虑识别性能. Pong等[3]基于局部线性回归算法预测高分辨率人脸Gabor特征; S
扬州大学学报（自然科学版） 2020年2期2020-09-08
- 基于边缘学习的低分辨率图像识别算法
2］。因此，低分辨率图像的识别是亟待解决的实际应用问题。针对低分辨率图像的识别有两种策略：一种为直接法，即分辨率稳健特征表达法［3］，该方法直接从低分辨率图像上提取稳健的特征，再将提取到的特征用于图像识别，例如局部频域描述子方法［4］、基于颜色特征的描述子方法［5］等；另一种为间接法，Ghoneim 等［6］提出先对低分辨图像进行超分辨率重建得到高分辨率图像，再用图像识别的方法进行识别。该类方法使用超分辨率重建算法先预测出低分辨率图像中缺失的高频信息部分，
计算机应用 2020年7期2020-08-06
- 基于模拟退火的多尺度岩心三维图像融合重建
小孔隙信息与低分辨率CT图像进行融合，以获得较大视域的高分辨率图像.目前，有不少学者在多尺度岩心图像融合方面开展了研究，Okabe和Blunt[6]使用了两组不同尺度的图像.将低分辨率3D X射线图像作为基础，并且随机地重建2D高分辨率图像中所示的亚微米级孔隙，结合其中可以观察到的小规模和大规模信息作为最终的重建结果.Tahmase[7]等人使用来自两种不同分辨率的2D图像，分别建立了纳米级和微米级模型并叠加，合成了同时具有纳米级孔隙和微米级孔隙的3D岩心
四川大学学报（自然科学版） 2020年4期2020-07-08
- 一种改进的稀疏表示超分辨率重建方法
一定的算法从低分辨率图像重建出高分辨图像[1]，图像超分辨率技术相较提高硬件设备的方法成本低，效果好，应用领域广泛，可用于军事侦察、医疗图像等领域，为解决这一问题提供了有效的解决方式，因此一直是一个研究热点。现有的超分辨技术目前总的来说，可分为三大类：（1）基于插值的方法[2-4]；（2）基于重建的方法[5-8]；（3）基于学习的方法[9-10]。其中，基于插值的超分辨技术是最早提出的，也是最容易实现的超分辨技术，这类算法复杂度较低，通过相邻像素的信息来得
现代计算机 2020年6期2020-04-01
- 基于深度复合卷积神经网络的低分辨率单影像复原
原， 即针对低分辨率或超低分辨率的图像， 采用特定的模型或算法对其分辨率进行修复， 从而得出清晰度明显提升的图像。 但现有图像修复方法较为单一， 主要是将多张不同时间维度的图像作为输入数据， 剔除各个图像中的干扰信息， 对其主要特征信息进行提取收集， 采用叠加融合的方式生成一幅纹理细节清晰的高分辨率图像。 1964 年， HARRIS首先提出超分辨率复原的概念[2]， 他针对单图像的特点进行了长期的实验研究， 得出了一套较为完整的理论依据， 但图像复原质量
科技创新与生产力 2020年1期2020-02-24
- 基于非负最小二乘法的全色与高光谱图像融合
波段加权合成低分辨率全色图像，容易出现灰度失真；高光谱图像与全色图像的空间分辨率相差很大，采用现有的加性变换融合方法，会导致融合图像中部分地物出现光谱或细节失真。为此，文章提出了基于非负最小二乘法的全色与高光谱图像融合方法。首先对高光谱图像进行波段压缩，得到波段压缩的高光谱图像；然后对波段压缩的高光谱图像及全色图像进行非负最小二乘拟合，得到低分辨率全色图像；最后，采用比值变换模型生成融合图像。试验表明该方法的光谱与细节保真效果好，优于对比方法。图像融合 高
航天返回与遥感 2019年4期2019-10-12
- 图像超分辨率卷积神经网络加速算法*
旨在从给定的低分辨率图像中重建出高分辨率图像，该技术能够提供视觉效果更好的图像并提供更多的图像信息[1]。最近的超分辨率算法主要是基于深度学习的方法，此类方法利用先验知识学习低分辨率和高分辨率图像之间的映射关系，可以显著增强图像细节。2014年，香港中文大学Dong等成功地将深度学习引入到图像超分辨率重建问题中，提出基于卷积神经网络的图像超分辨率重建算法(Super Resolution Convolution Neural Network, SRCNN)
国防科技大学学报 2019年2期2019-04-26
- 一种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图像或多幅低分辨率图像序列恢复出高分辨率图像的过程。随着信息技术和视觉通信技术的发展，人们对于图像清晰度要求越来越高。单纯从硬件方面提高图像清晰度不仅成本较高且技术上也达到一定的瓶颈。从软件方面提高图像分辨率，一定程度上克服了硬件不足的问题。因此，近年来图像超分辨率重建成为研究热点之一。超分辨率重建算法大体上可分为三类[1]：基于插值的算法、基于重建的算法和基于学习的图像超分辨率重建。基于插值的算法是利用当前待插值点周围已知的像素值来估
物联网技术 2018年8期2018-12-06
- 基于四通道卷积稀疏编码的图像超分辨率重建方法
建是将给定的低分辨率图像恢复成高分辨率图像的一种图像处理技术。因为图像超分辨率重建过程是一个病态问题，所以不同的重建方法可以恢复出不同的高分辨图像，但这些重建方法的关键点在于通过先验知识去寻找合适的低分辨率图像与相应的高分辨率图像之间的内在联系。近年来，国内外学者提出了许多基于样本的超分辨率图像重建方法［1－8］。这些方法主要通过低分辨率和其相应的高分辨率补丁对来学习低分辨率和高分辨率图像之间的映射关系，或者寻找相同图片的内部相关性。Yang等［6］利用压
计算机应用 2018年6期2018-08-28
- 树木的低分辨率三维模型资源创建实践
领域，树木的低分辨率三维模型资源必不可少。通过树木模型再设计、两套树叶贴图的设计制作、静态照明的创建、风动画、环境光遮挡的计算、碰撞对象的添加等环节，创建的树木低分辨率三维模型资源完全符合虚拟现实领域的要求。关键词：低分辨率;树木;三维模型采用SpeedTree Modeler UE4创建低分辨率的模型成为动漫和数字媒体艺术领域一种愈来愈普遍的方式。不过，用于虚拟现实领域的低分辨率树木模型与用于影视的高分辨率树木模型的贴图设计与制作技法，有所不同。其一，树
艺术科技 2018年2期2018-07-23
- 基于低分辨率彩色指导图像的深度图像超分辨率重建
刘晓平基于低分辨率彩色指导图像的深度图像超分辨率重建武玉龙，赵 洋，曹明伟，刘晓平(合肥工业大学计算机与信息学院，安徽 合肥 230009)传统的以彩色图像为指导的深度图像超分辨率(SR)重建方法，参考图像必须为高分辨率彩色图像，彩色图像的分辨率决定了深度图像的放大上限。同时，实际应用中可能只存在低分辨率彩色图像，此时上述方法也不再适用。为此，探讨使用任意分辨率彩色图像为指导的深度图像SR重建方法。首先，使用大量不同类别的图像SR算法对输入彩色图像进行上
图学学报 2018年2期2018-05-09
- 基于低分辨率模板的多源数据DOM匀光方法
073）基于低分辨率模板的多源数据DOM匀光方法厉芳婷1,3，闵 天2，尧志青1，田艳红2（1.湖北省测绘工程院，湖北 武汉 430074；2.湖北省航测遥感院，湖北 武汉 430074；3.武汉大学测绘遥感信息工程重点实验室，湖北 武汉 430073）利用多源航摄影像数据制作正射影像是地理国情普查工作的重要技术手段，以湖北省地理国情普查项目为例，介绍一种基于低分辨率模板的多源影像数据匀光方法，解决多源数据正射影像成果的一致性问题。地理国情；正射影像；匀光
地理空间信息 2017年10期2017-11-01
- 基于马尔科夫网络的文本图像超分辨率重建
计图像中得到低分辨率图像的概率，P(x|y)表示为获得高分辨率图像的后验概率，P(x，y)为联合概率。马尔科夫网络模型是一种关于图像的结点之间的空间依赖性统计描述。因为图像具有局部性，即图像中各个像素点的值仅与相邻像素点的值相关，因此可以使用马尔科夫网络为超分辨率重建问题建模。同时马尔科夫网络的条件独立性使得可以采用条件概率来表示，这样就提供了一个贝叶斯框架，允许对图像进行最大后验概率估计。马尔科夫网络模型的构建通常是将训练集中的低分辨率图像和高分辨率图像
山西电子技术 2017年4期2017-08-29
- 模糊瞬变高清？谷歌超分辨率技术RAISR
时间。如果降低分辨率，画质又会受到很大影响。解决方法之一，就是先通过低分辨率拍摄出小体积的照片，传输完毕，再通过谷歌新推的RAISR技术进行“升采样”方法提高低分辨率照片的画质，让照片重新变清晰。今天就让我们来了解这一“魔法”背后的秘密。照片重建的“升采样”技术RAISR全称是“Rapid and Accurate Image Super-Resolution”，意为“快速、精确的超分辨率技术”。它是一种通过升采样方式，把低分辨率图片重建为尺寸更大、像素更
电脑爱好者 2016年24期2017-01-05
- 基于稀疏表示和近邻嵌入的图像超分辨率重构
重构算法；为低分辨率和高分辨率图像块训练两个基于稀疏表示的过完备字典，在训练的低分辨率图像块和高分辨率图像块中分别选取与这两个字典原子最近的图像块近邻，通过图像块近邻来计算构图像块的权重；一旦得到权重矩阵，高分辨率重构图像块可以由低分辨率图像块与相应权重相乘来表示；与之前的算法相比，所提出的算法在计算字典原子与图像块距离的时候不是逐个图像块进行计算，而是先将图像块聚类，计算字典原子与类中心的距离，在距离最近的一类中选取图像块；计算权重矩阵的时间可以大大减少
计算机测量与控制 2016年5期2016-11-23
- 基于低分辨率视频图像的手语识别方法
79)基于低分辨率视频图像的手语识别方法严焰1刘蓉21(湖北师范学院教育信息与技术学院湖北 黄石 435002)2(华中师范大学物理科学与技术学院湖北 武汉 430079)实际环境中常遇到大量低分辨率手语视频图像需要识别,但其只含有相对有限的判别信息，识别效率不高，因此提出一种手语识别方法。该方法在采用实时皮肤颜色特征提取目标区域的基础上，计算目标区域形心、边界链码两种识别特征值，利用动态时间规整算法依次识别手势起始帧与结束帧，结合识别结果还原手语单词。
计算机应用与软件 2016年9期2016-11-09
- 联合稀疏表示和总变分正则化的超分辨率重建方法*
练，得到高、低分辨率的字典。在稀疏编码阶段，根据局部稀疏编码模型求解出低分辨图像的稀疏表示系数，再利用稀疏表示系数和高分辨率字典对输入低分辨率图像进行重建，得到高分辨率图像。最后，将重建得到的高分辨率图像进行总变分正则化优化，进一步提高重建效果。仿真实验结果表明，该算法在客观评价指标和主观视觉效果上，图像质量都有明显提高。超分辨率重建 稀疏表示 总变分正则化 字典训练1 概述图像的空间分辨率用于衡量图像质量，图像的空间分辨率越高说明图像越清晰，细节信息越丰
海峡科学 2016年7期2016-10-14
- 多分辨率模型一致性维护模板框架设计
的属性，并在低分辨率模型运行期间及时进行更新，以便在下一次解聚时利用这些信息计算出高分辨率模型当前的状态。4) 加锁法[5]。该方法是一种串行化方法，具体思路是：某实体具有高、低2个分辨率模型，其中一个模型在某时刻进行交互前，会针对交互影响到的属性向另一模型发送加锁指令，锁住另一模型的同态属性，加锁后的另一模型不能发送任何能够引起同态属性发生改变的交互；待发生交互的模型交互完毕后，发送解锁指令对另一模型进行解锁。5) 冲突检测法[5]。模型在发送交互时并不
装甲兵工程学院学报 2015年3期2015-06-15
- 基于稀疏K-SVD的单幅图像超分辨率重建算法
行训练获得高低分辨率字典对，以待重建的低分辨率图像及其降采样作为字典训练的样本，提高了字典和待重建的低分辨率图像的相关性；然后，采用逐级放大的思想进行重建；最后，利用非局部均值的方法，进一步提高重建效果。实验表明，与基于K-SVD的超分辨率重建算法相比，本文算法重建图像的峰值信噪比平均提高了0.6 dB左右。重建图像在视觉效果上，也有一定程度的提升。超分辨率；字典学习；稀疏K-SVD；非局部均值受外界环境，硬件设备限制等因素的影响，在多数情况下只能获取低分
电视技术 2015年18期2015-05-05
- 基于自训练字典学习的单幅图像的超分辨率重建
1）针对单幅低分辨率图像的超分辨率重建问题，提出了一种基于自训练字典学习的超分辨率重建算法。首先根据图像的退化模型，对输入的低分辨率图像进行降质处理，然后利用K-SVD方法训练字典，获得重建所需要的先验知识，最后根据先验知识重建高分辨率图像。仿真实验的结果表明，利用该方法获得的高分辨率图像在视觉效果和客观评价上均优于传统方法，同时算法的时间效率也有很大的提升。超分辨率重建；稀疏表示；自训练字典学习；K-SVD0 引言图像超分辨率技术是指由一幅或几幅低分辨率
红外技术 2015年9期2015-03-21
- 基于多尺度块搜索的单幅图像超分辨率重建
有互补信息的低分辨率图像来复原其对应的高 /低分辨率图像［5］，这些互补信息可以是亚像素差，也可以是不同的模糊核;此方法存在很多问题，如当放大倍数过大时(2倍以上)，会因重建过程中能够使用的互补信息太少，导致重建效果不太理想［6］。基于学习的超分辨率技术基本思想为通过对高/低分辨率图像库的学习，在某种最优化方法下求出给定低分辨率图像对应高分辨率图像。如Freeman的方法［3］:运用马尔科夫网络找出对应的高分辨率块的最大后验概率值，在此基础上也有一系列改进
计算机工程 2014年8期2014-09-29
- 基于POCS的超分辨率重建算法研究*
集合应该对应低分辨率图像序列f(i,j)内的一个像素点，即：图1 本文的初始图像估计方法其中，其中，θ(l)表示第l幅低分辨率图像的支撑域,δ(l)(i,j)表示模型的统计不确定性，y(l)(i,j)表示第l幅观测图像的像素点，z(k)(r,s)表示第k幅高分辨率图像的像素点，A(l,k)(r,s;i,j)表示从第k幅高分辨率图像到第l幅低分辨率图像的降质模型，r(l)(i,j)表示高分辨率图像z(k)(r,s)经过降质模型后与低分辨率图像之间的偏差。通过
网络安全与数据管理 2014年8期2014-07-25
- 超分辨率图像恢复方法综述
分辨率图像;低分辨率图像;图像恢复图像超分辨率可以被理解为图像放大之后细节仍然清晰可见。现有的超分辨率图像恢复一般是指恢复出一幅图像边缘清晰，细节、轮廓等较为清晰、合理的算法。超分辨率恢复技术通过一幅或者多幅低分辨率图像，经由重建的方法来获得一幅高分辨率图像［1］。由于目前成像器件分辨率的限制，从硬件上提高图像的分辨率需要高昂的费用和代价，因此从软件方面来实现图像的超分辨率具有较大的研究意义和价值。自Tsai和Huang［2］于1984年第一次提出超分辨率
重庆理工大学学报(自然科学) 2014年9期2014-07-02
- 一种遥感影像超分辨率重建的稀疏表示建模及算法
3为了对单幅低分辨率遥感影像的空间分辨率进行增强,提出一种基于稀疏表示的超分辨率重建方法。该方法首先采用优化最小化方法学习高-低分辨率联合字典对,通过构造一个参数互相解耦的易于优化的代理函数,替代原来的参数互相耦合难以优化的目标函数,保证每一次迭代求解的值在局部范围内最优。然后,将学习的字典对用以指导其他低分辨率遥感影像的超分辨率重建。试验表明,与传统的插值方法相比,本研究算法在客观的评价指标上具有一定的提高,在主观的视觉效果上也取得一些改善,可为其他单幅
测绘学报 2014年3期2014-06-27
- 多帧图像超分辨率重建算法的研究
降采样的多幅低分辨率图像进行融合估计出一幅高分辨率图像。其步骤主要分为：运动估计、插值处理、图像重建。本文采用Vandewalle配准方法将处理过的低分辨率图像序列映射到一幅高分辨率网格上，然后进行插值，最后结合小波变换和迭代方法进行图像重建。并采用小波阈值去噪方法进行去噪处理。实验结果表明本文算法能很好的提高图像的峰值信噪比，是图像重建的一种有效方法。超分辨率图像重建；运动估计；插值；小波变换；阈值去噪1 引言在图像系统中，从图像的获取，到图像的传送、接
天津职业技术师范大学学报 2014年4期2014-02-28
- 基于单帧图像的超分辨率算法＊
)是指由一幅低分辨率图像(low resolution，LR)或图像序列恢复出高分辨率图像(high resolution，HR).但是，SR 问题是一个不适定问题，只有在合理的假设和先验知识条件下，SR 问题才是可逆的.在图像处理领域中，已经涌现了诸多图像的超分辨率算法［1-4］.这些算法分为2 类:一类是基于重建的算法;另一类是基于示例学习的算法.基于重建的算法的主要缺点是:如果没有足够的约束条件或超分辨率的倍数过高，得到的图像的效果明显下降.基于示例
浙江师范大学学报（自然科学版） 2013年2期2013-11-25
- 基于局部约束线性编码的单帧和多帧图像超分辨率重建
分辨率降低。低分辨率的图像难以满足人们在后续的图像处理和识别等方面的需要，给目标的定位和识别、图像信息内容的获取等带来诸多不便。超分辨率技术可以充分挖掘图像的潜在信息，利用图像先验知识，得到高质量的图像，在卫星侦察、视频监控等多个领域得到广泛应用。超分辨率的技术从20世纪80年代以来得到了迅猛的发展，目前常用的算法有凸集投影法［1］、最大后验概率法［2，3］、迭代反投影法［4］等。近年来基于学习的超分辨率重建算法也逐步发展起来，最近文献［5］提出了一种基于
吉林大学学报（工学版） 2013年1期2013-04-03
- 基于Keren配准和插值的快速超分辨率图像重建*
由一幅或多幅低分辨率(LR)的观测图像或视频重建高分辨率(HR)图像或视频的过程［1］.由于超分辨率技术是用后期图像和视频处理的手段对已有图像进行软件上的加工以增强图像视频的质量，比起改变硬件设备的方式更为灵活，成本也更低，自1984年Tsai等［2］提出该术语以来，超分辨率重建已经成为数字图像处理领域的研究热点之一.超分辨率图像重建经典算法有Tsai等［2］的基于频域的算法、Stark等［3］的凸集映射法 (POCS)、Kim 等［4］的非均匀插值法(N
华南理工大学学报（自然科学版） 2011年5期2011-01-24
- 基于POCS算法的图像超分辨率重建
的方法从多帧低分辨率、存在全局平移运动的图像序列中插值产生1幅高分辨率图像。但频率域方法局限于全局平移，图像退化模型具有空间不变性。而空间域方法能包含各种先验约束，有更多的灵活性和更广的适应性。所以空间域方法成为近几年重点研究的方法。Schultz等[2-3]人提出将基于 Bayesian框架的最大后验概率(MAP)超分辨率图像重建算法；Irani等[4]人采用了迭代反向投影算法(IBP)，把输出图像投影到低分辨率观测图像上以便求取与实际观测图像的差值，根
网络安全与数据管理 2010年3期2010-05-18