基于字典的超分辨率实现的各种方法

文章来源：https://www.cnblogs.com/wxl845235800/p/7738953.html

简介

　　这段时间在看基于字典的单帧图像超分辨率重建，本篇主要是对这块做个笔记记录。

基本原理

预处理

     1、准备好用于字典训练的低分辨率图像LR及与之对应的高分辨率图片HR。2、将低分辨率图像双线性或者三次方插值到高分辨率图像相同大小，得到MR。3、将MR图像分成若干个3x3或者5x5之类的小块，小块之间有1x1或者2x2之类的重叠区域，对应的高分辨率图像同样对应坐标位置，分成这个多块。4、对MR的图像块做特征提取操作，可以是每个块减去该块平均值、或者是每个块做梯度散度提取。

非稀疏字典处理

方法一

     1、MR特征块集合作为低分辨率字典，对应的高分辨率块集合作为高分辨率字典。2、输入待处理的低分辨率图像，并用和字典训练一样的块大小做分割。3、所有低分辨率图像分割块做特征提取。4、每个特征块X，在低分辨率字典中找到最接近的K个块。5、通过这K个块，拟合得到最接近该特征块的权重系数A。6、找到高分辨率字典上对应的该K个块，乘上权重系数A，得到低分辨率块X对应的高分辨率图像块Y。7、循环计算，直到所有低分辨率块都得到对应高分辨率块。8、所有高分辨率块，根据之前分割坐标，反向贴合(块与块之间重合区域，直接平均)，得到结果的高分辨率图像。

     参考论文：Super-Resolution Through Neighbor Embedding

方法二

     1、MR特征块集合作为低分辨率字典，对应的高分辨率块集合作为高分辨率字典。2、将所有低分辨率块和高分辨率块集合，通过欧式距离，分成1024或者4096个类。3、每个类中，使用最小二程法之类，计算对应所属的低分辨率块到高分辨率块之间的投影矩阵。4、输入待处理的低分辨率图像，并用和字典训练一样的块大小做分割。5、所有低分辨率图像分割块做特征提取。6、找到每个低分辨率特征块X与字典中哪个类最接近，直接使用该类所属的投影矩阵，得到对应高分辨率块Y。7、循环计算，直到所有低分辨率块都得到对应高分辨率块。8、所有高分辨率块，根据之前分割坐标，反向贴合(块与块之间重合区域，直接平均)，得到结果的高分辨率图像。

     参考论文：Fast Direct Super-Resolution by Simple Functions

稀疏字典处理

   常规稀疏字典训练：1、首先通过DCT之内算法，得到一个初始字典。2、预处理得到的低分辨率特征块，在初始字典中找到最相关原子。3、该块和原子相减，得到残差，继续在字典中找到和该残差最接近的原子，继续相减，不断循环，直到残差对于设置阀值或者循环次数超过一定范围，所有对应原子位置，存入稀疏矩阵A中。4、循环处理，直到计算出所有块的稀疏矩阵A。5、保持所有稀疏矩阵A不变，迭代更新字典，每次更新之后保证所有稀疏矩阵A和字典生成的块与原始低分辨率特征块，误差更小。6、当误差小于某个阀值之后，便得到对应低分辨率训练字典。

     注意：用来去噪之类的字典可以这么训练，但是超分辨率重建需要高低分辨率字典联合训练，分别得到低分辨率字典和高分辨率字典，在这基础上，更复杂一点。参考论文：On Single Image Scale-Up Using Sparse-Representations.

   方法一：1、输入待处理的低分辨率图像，并用和字典训练一样的块大小做分割。2、所有低分辨率图像分割块做特征提取。3、每个特征块，在低分辨率字典中找到最接近原子。4、该块和原子相减，得到残差，继续在字典中找到和该残差最接近的原子，继续相减，不断循环，直到残差对于设置阀值或者循环次数超过一定范围，所有对应原子位置，存入稀疏矩阵A中。5、对应高分辨率字典和稀疏矩形A相乘，得到高分辨率图像块。6、循环计算，直到所有低分辨率块都得到对应高分辨率块。7、所有高分辨率块，根据之前分割坐标，反向贴合(块与块之间重合区域，直接平均)，得到结果的高分辨率图像。

     参考论文：1、Image super-resolution as sparse representation of raw image patches.2、On Single Image Scale-Up Using Sparse-Representations.

   方法二：1、在低分辨率字典中，每个原子找到若干个和它最接近的原子；高分辨率字典中，同样取出对应的这些原子。2、使用最小二程法之类，计算这些低分辨率块、高分辨率原子之间的投影矩阵。3、遍历完整个字典原子，最终每个原子，对应都有一团邻居原子及投影矩阵。4、输入待处理的低分辨率图像，并用和字典训练一样的块大小做分割。5、所有低分辨率图像分割块做特征提取。6、找到每个低分辨率特征块X与字典中哪个类最接近，直接使用该类所属的投影矩阵，得到对应高分辨率块Y。7、循环计算，直到所有低分辨率块都得到对应高分辨率块。8、所有高分辨率块，根据之前分割坐标，反向贴合(块与块之间重合区域，直接平均)，得到结果的高分辨率图像。

     参考论文：Anchored Neighborhood Regression for Fast Example-Based Super Resolution.

   方法三：与方法二类似，区别在于:计算投影矩阵时候，每个原子寻找邻居不是找其他原子，而是在训练用的低分辨率、高分辨率块中找，论文中建议是2048个。如此，计算出来的投影矩阵，得到的高分辨率图像，比方法二效果更好。

    参考论文：A+: Adjusted Anchored Neighborhood Regression for Fast Super-Resolution

基于字典的超分辨率实现的各种方法相关推荐

基于深度学习的图像超分辨率方法总结
基于深度学习的SR方法懒得总结,就从一篇综述中选取了一部分基于深度学习的图像超分辨率方法. 原文:基于深度学习的图像超分辨率复原研究进展作者:孙旭李晓光李嘉锋卓力北京工业大学信号与信息处理 ...
【图像超分辨率】基于ResNet或GAN的遥感图像超分辨率论文
基于ResNet或GAN的遥感图像超分辨率论文 <空间感知残差网络的遥感图像超分辨率重建> 操作: 遥感图像特点: 网络模型: 去掉批处理层的原因: 具体操作损失方程: <改进的残 ...
风格化图像_CVPR2019：基于神经网络纹理转换的图像超分辨率
SRNTT: Image Super-Resolution by Neural Texture Transfer [Paper] [Code] SRNTT方法创新点:在图像中找到与图像中图像 pa ...
基于注意力机制的超分辨率重建汇总
基于注意力机制超分辨率汇总 1.Channel Attention and Multi-level Features Fusion for Single Image Super-Resolution ...
[翻译]2020年综述：基于深度学习的视频超分辨率
综述:基于深度学习的视频超分辨率 Video Super Resolution Based on Deep Learning: A Comprehensive Survey 论文链接:https:// ...
基于目标检测的海上舰船图像超分辨率研究
基于目标检测的海上舰船图像超分辨率研究人工智能技术与咨询来源:< 图像与信号处理> ,作者张坤等关键词: 目标检测:生成对抗网络:超分辨率摘要: 针对海上舰船图像有效像素在整体像素 ...
开源代码基于深度学习的超分辨率如何让大脑显微镜成像去除毛刺
背景通过显微成像拍摄大脑非常薄的层的照片并以三维形式对其进行重构,可以确定结构在哪里以及它们之间的关系.但这会带来巨大挑战.获取高分辨率图像并快速捕获以覆盖大脑的合理区域是一项主要任务. 一部分问题 ...
基于深度学习的图像超分辨率重建技术的研究
1 超分辨率重建技术的研究背景与意义图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数,包括时间分辨率.空间分辨率及色阶分辨率等,体现了成像系统实际所能反映物体细节信息的能力.相较于低分辨 ...
【图像超分辨率】SR for RS via Local–Global Combined Network
Super-Resolution for Remote Sensing Images via Local–Global Combined Network 摘要 I. 引言 II. 方法 A. 用于超分 ...

基于字典的超分辨率实现的各种方法

简介

基本原理

预处理

非稀疏字典处理

稀疏字典处理

基于字典的超分辨率实现的各种方法相关推荐

最新文章

热门文章