【摘要】：目的圖像超分辨率算法在實際應用中有著較為廣泛的需求和研究。然而傳統(tǒng)基于樣本的超分辨率算法均使用簡單的圖像梯度特征表征低分辨率圖像塊,這些特征難以有效地區(qū)分不同的低分辨率圖像塊。針對此問題,在傳統(tǒng)基于樣本超分辨率算法的基礎上,提出雙通道卷積神經網絡學習低分辨率與高分辨率圖像塊相似度進行圖像超分辨率的算法。方法首先利用深度卷積神經網絡學習得到有效的低分辨率與高分辨率圖像塊之間相似性度量,然后根據輸入低分辨率圖像塊與高分辨率圖像塊字典基元的相似度重構出對應的高分辨率圖像塊。結果本文算法在Set5和Set14數據集上放大3倍情況下分別取得了平均峰值信噪比(PSNR)為32.53 d B與29.17 d B的效果。結論本文算法從低分辨率與高分辨率圖像塊相似度學習角度解決圖像超分辨率問題,可以更好地保持結果圖像中的邊緣信息,減弱結果中的振鈴現象。本文算法可以很好地適用于自然場景圖像的超分辨率增強任務。
[Abstract]:Objective Image super-resolution algorithm has a wide range of requirements and research in practical application. However, traditional sample-based super-resolution algorithms use simple image gradient features to represent low-resolution image blocks, which are difficult to effectively distinguish different low-resolution image blocks. In order to solve this problem, based on the traditional sample super-resolution algorithm, a two-channel convolution neural network algorithm is proposed to learn the similarity between low-resolution and high-resolution image blocks for image super-resolution. Methods the effective similarity measurement between low resolution and high resolution image blocks was obtained by using deep convolution neural network learning. Then the corresponding high-resolution image block is reconstructed according to the similarity between the input low-resolution image block and the high-resolution image block dictionary primitive. Results the average peak signal-to-noise ratio (PSNR) of Set5 and Set14 datasets was 32. 53 dB and 29. 17 dB, respectively. Conclusion the algorithm solves the super-resolution problem from the point of view of similarity learning between low resolution and high resolution image blocks, which can better maintain the edge information in the resulting image and weaken the ringing phenomenon in the result. The algorithm in this paper can be well applied to the task of super-resolution enhancement of natural scene images.
【作者單位】： 中國科學院自動化研究所智能感知與計算研究中心;
【基金】：國家重點基礎研究發(fā)展計劃(973)基金項目(2012CB316302) 國家自然科學基金項目(61322209,61175007)~~
【分類號】：TP391.41;TP183

【相似文獻】

相關期刊論文 前10條

1 孔玲莉,黃華,齊春,劉美娟;圖像超分辨率研究的最新進展[J];光學技術;2004年03期

2 沈煥鋒;李平湘;張良培;王毅;;圖像超分辨率重建技術與方法綜述[J];光學技術;2009年02期

3 王春霞;蘇紅旗;范郭亮;;圖像超分辨率重建技術綜述[J];計算機技術與發(fā)展;2011年05期

4 張銀林;;視頻圖像超分辨率增強技術[J];硅谷;2011年16期

5 余徽;陳華旺;;圖像超分辨率技術研究進展[J];光學與光電技術;2012年05期

6 葉兆豐;;圖像超分辨率重建技術及研究[J];電子世界;2013年09期

7 強振平;何麗波;狄光智;陳旭;;一種基于稀疏表征的圖像超分辨率重建方法[J];云南大學學報(自然科學版);2013年S2期

8 黃華;樊鑫;齊春;朱世華;;基于粒子濾波的人臉圖像超分辨率重建方法[J];軟件學報;2006年12期

9 丁海勇;卞正富;;數字圖像超分辨率重構技術研究[J];計算機與數字工程;2007年10期

10 唐斌兵;王正明;;基于先驗約束的圖像超分辨率復原[J];紅外與毫米波學報;2008年05期

相關會議論文 前7條

1 張煜東;吳樂南;奚吉;王水花;;變長小生境算法用于圖像超分辨率復原[A];2009年通信理論與信號處理學術年會論文集[C];2009年

2 張東;韓軍;;圖像超分辨率重建算法研究[A];2010年西部光子學學術會議摘要集[C];2010年

3 楊浩;高建坡;陳向東;吳鎮(zhèn)揚;;利用示例圖像獲取先驗知識的圖像超分辨率重建算法[A];第一屆中國高校通信類院系學術研討會論文集[C];2007年

4 閆允一;郭寶龍;;基于小波的圖像超分辨率重建算法研究[A];第三屆全國數字成像技術及相關材料發(fā)展與應用學術研討會論文摘要集[C];2004年

5 顧瑩;朱秀昌;;基于CS的圖像超分辨率重建[A];2010年通信理論與信號處理學術年會論文集[C];2010年

6 韓玉兵;殷瑋瑋;吳樂南;;基于Wavelet-HMM的圖像超分辨率重建[A];第一屆建立和諧人機環(huán)境聯合學術會議（HHME2005）論文集[C];2005年

7 張瓊;付懷正;沈民奮;;基于稀疏表示的彩色圖像超分辨率重建算法[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

相關博士學位論文 前10條

1 曹明明;基于鄰域嵌入的圖像超分辨率重建研究[D];南京郵電大學;2015年

2 李小燕;基于廣義圖像先驗的圖像超分辨率重建算法研究[D];西南交通大學;2015年

3 康凱;圖像超分辨率重建研究[D];中國科學技術大學;2016年

4 張劍;圖像超分辨率重建問題研究[D];中南大學;2010年

5 何宇清;圖像超分辨率重建關鍵技術研究[D];天津大學;2007年

6 曹聚亮;圖像超分辨率處理、成像及其相關技術研究[D];國防科學技術大學;2004年

7 肖建平;圖像超分辨率算法與硬件實現研究[D];華中科技大學;2006年

8 黃淑英;基于空間域正則化方法的圖像超分辨率技術研究[D];中國海洋大學;2013年

9 范郭亮;煤礦井下監(jiān)控圖像超分辨率復原關鍵技術研究[D];中國礦業(yè)大學(北京);2012年

10 徐志剛;序列圖像超分辨率重建技術研究[D];中國科學院研究生院(西安光學精密機械研究所);2012年

相關碩士學位論文 前10條

1 雷倩;基于深度學習的圖像超分辨率重構[D];河北師范大學;2015年

2 馬瑩;基于字典學習的圖像超分辨率復原算法研究[D];燕山大學;2015年

3 張志超;單幅圖像超分辨率重建算法研究[D];鄭州大學;2015年

4 王賀青;基于稀疏表示和非下采樣輪廓波變換的單幅圖像超分辨率[D];哈爾濱工業(yè)大學;2015年

5 曹柱利;基于學習的毫米波圖像超分辨率算法研究[D];電子科技大學;2014年

6 吳秀秀;基于配準的肺4D-CT圖像超分辨率重建研究[D];南方醫(yī)科大學;2015年

7 熊智;車牌圖像超分辨率重建算法研究[D];南昌航空大學;2015年

8 趙新;圖像超分辨率重建系統(tǒng)的研究與實現[D];河北工業(yè)大學;2015年

9 王保全;基于混合專家模型的快速圖像超分辨率方法研究與實現[D];哈爾濱工業(yè)大學;2015年

10 徐光耀;基于稀疏表示的人臉圖像超分辨率技術研究[D];上海交通大學;2015年

，

本文編號：2497080