基于分类预测器及退化模型的图像超分辨率快速重建
- 文件大小:838.28KB
- 浏览次数:
- 发布时间:2017-01-17
本资料包含pdf文件1个,下载需要1积分
Image fast super-resolution reconstructionbased on class predictor and degradation modelYang Xin · Fei Shumin Zhou Dake Tang Tingge( Colege of Automation Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China)( School of Automation,Sourest University,Nanjing 210096,China)Abstract:Super-resolution(SR)reconstruction technology based on neighbor embedding is efec·tively improved an d a novel image SR reconstruction method using class predictor and degradationmodel is proposed.First,according to image degradation model,training set is obtained an d cut intopatches based on neighbor embedding.Secondly,in order to suppress noise an d smoothen regions,gray and gradient information is extracted and combined to feature vector according to each patchcharacter.Thirdly,the idea of class predictor is introduced and a novel off-line predictor is de-signed.Optimal parameters are obtained through of-line training and the optimization time is sub-stantially reduced.Finaly,in the light of L2 norm,each low resolution(LR)patch is classed andthen put into corresponding sub-predictor with fast SR reconstruction.The expefimenml results ex-hibit the good real-time perform ance and effectiveness of the proposed algorithm。
Key words:super-resolution reconstruction;class predictor;degradation model;feature extraction;neighbor embedding超分辨率(super resolution,SR)重建是-种通过-序列低分辨率(1ow resolution,LR)变形图像来估计高分辨率(high resolution,HR)非变形图像的技术,在远程遥感、医学诊断、视频监控以及军事情报获取等方面有着广泛的应用。
近年来 ,SR重建领域的算法包含最大后验概率法(MAP) 、基于示例的 SR重建算法 、基于学习的 SR重建算法 等.基于学习的 sR重建方法不需要太多的图像先验知识,因而得到较快的发展.邻域嵌套sR重建方法 1。 是基于学习的sR收稿日期:2012-07-02. 作者简介:杨欣(1978-),男,博士,副教授 ,yangxin###nuaa.edu.cn。
基金项 目:国家 自然科学基金资助项 目(60905009,61172135)、高等学校博士学科点专项科研基金资助项 目(20093218120015)、北京师范大学遥感科学国家重点实验室开放基金资助项 目(2009KFJJ012)、南京航空航天大学基本科研业务费专项科研资助项 目(NS2010081)。
引文格式:杨欣,费树氓,周大可,等.基于分类预测器及退化模型的图像超分辨率快速重建[J].东南大学学报:自然科学版,2013,43(1):35-38.doi:10.3969/j.issn.1001-0505.2013.叭.007]36 东南大学学报(自然科学版) 第43卷方法中的-个重要分支,该方法没有深入研究图像的各自属性,故其性能受到了极大的制约。
本文将图像的退化模型应用于邻域嵌套算法中,在特征提取过程中提取梯度信息与灰度信息并进行特征融合,从而有效降低了图像噪声,锐化了图像边缘.同时,引入了分类预测器的思想,对预测器进行离线训练,得出优化参数,从而大幅度减少了优化时间,提高了算法的实时性能。
1 基于邻域嵌套的图像分块假设第k 幅m×n的LR观测图像为 ,经字典排序后组成的 N×1(Nmn)向量为 .假设r m x r2n的 HR训练图像为乏 ,经字典排序后形成的 , r2Ⅳ×1向量为z .r 和 r2分别为水平方向和垂直方向的下采样因子.将 y 分割成 U个大小为S×S的虚,组成块集合 (k :1,2,,K )。
假设第 k 幅 LR训练图像中的第 i虚为 ,相邻块之间有 1个或 2个像素点重合.同样地,将 z分割成相对应的 个大小为r.S×rzs的虚,相邻块之间在水平方向和垂直方向分别有 ,r2或者2r,,2r2个像素点重合.组成块集合 Z , ,z 与参数 i存在- 对应的关系。
利用类似方法将 k 幅 LR测试图像 y (k 1,2,, )进行分块,得到组成块集合 y 。
2 基于分类预测器的SR重建2.1 特征提取与融合HR训练图像 z 经退化模型变为 .幅LR图像 (k。l,2,, ).将 分割成 个大小为S×S的虚,组成分块集合 .每-个分块如图 1(a)所示。
(a)原始分块回 二三工 亚硼 L- -- --- - - --、- -标准亮 边缘信度特征 息特征(d)最终特征向量(c)边缘信息特征分块图 1 多信息融合的特征提取假设 LR训练图像分块的大小为 S×S,将原始分块转化为标准亮度分块,则图 1(b)中的标准亮度 为1 ∑∑Xp (1)P I d lhtp://jOHrea1 SeU.edu.cn图 1(c)所示的边缘信息为-个四维边缘特征向量,它可使原图像中有边缘的地方得到锐化.对于平滑的地方则可抑制噪声.边缘特征由标准亮度经过计算得出,即b , l b (b ) (b ) (b ) (b ) (2)式中, ,为边缘特征矩阵,即b ( f(,-1)- )(U - ( 1))( (i-1),-U )(Ⅱ-( 1),J)川川 3 -(Uij-U(i1)(j1))譬 Ⅲ.厂 譬 Ⅲ川 )[b ,b ,b ,b ]HR训练图像经退化模型,变成 幅 LR训练图像.设第 k 幅LR训练图像中第 分块的特征向量为J, (k 1,2,,K。),则训练图像中第 f分块的全局特征向量 为. Y 1∑J, (3) s s” Lj同理,将 LR测试图像经过仿射变换、模糊化,变成 幅 LR测试图像.设第 k:幅 LR测试图像中第 i分块的特征向量为.), (k 1,2,,K ),则测试图像中第 i分块的全局特征向量 :为11∑ pk2 (4 ) t t2 k2:12.2 分类预测器设计本文算法中的-个重要部分是设计-个离线训练的优化权值预测器.当分块特征向量形成后,将自动根据特征向量送入到相应的预测器中,根据预测器中的优化权值进行快速 SR重建。
首先,利用 L2范数,得出与第 i个测试图像分块 :最接近的 (V
对于测试集中第 i分块Y:,定义E 为min sf:f:Y:-∑∞ ,i (6)式中, 为第i分块的自适应优化权值。
解出式(6)的最携问题,便可求出HR测试图像分块 Z:,即Z ∑( z (7)式中,z 为与 相对应的第 i个 HR训练图像分块。
- 1混凝土原材料及配合比设计检验批质量验收记录
- 2JB/T 8704-2012 蜂窝式电除焦油器
- 3隧道安全培训教育试题
- 4景观亭施工图2CAD图纸
- 513.聚氨酯硬质泡沫塑料喷涂外墙外保温系统研究(3) (摘录自《施工技术》06年3期第98-100页)
- 6GB 14892-2006 城市轨道交通列车 噪声限值和测量方法
- 7电动剃须刀三维模型SolidWorks设计
- 8轮式装载机工作液压系统的设计
- 9铁硅铝等金属磁粉芯-POCO仁搏
- 10重型卸料车机械图纸
- 11钢结构课程设计-任务书指导书
- 12TB/T 3199.1-2018 电气化铁路接触网用绝缘子 第1部分:棒形瓷绝缘子
- 13JIS T7333-2005 眼科光学 未切割的成品眼镜镜片 透射比的规范和试验方法
- 14GB 18076-2000 石灰厂卫生防护距离标准
- 15某中学电动伸缩门询价采购函