留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于卷积稀疏自编码的图像超分辨率重建

张秀 周巍 段哲民 魏恒璐

张秀, 周巍, 段哲民, 魏恒璐. 基于卷积稀疏自编码的图像超分辨率重建[J]. 红外与激光工程, 2019, 48(1): 126005-0126005(7). doi: 10.3788/IRLA201948.0126005
引用本文: 张秀, 周巍, 段哲民, 魏恒璐. 基于卷积稀疏自编码的图像超分辨率重建[J]. 红外与激光工程, 2019, 48(1): 126005-0126005(7). doi: 10.3788/IRLA201948.0126005
Zhang Xiu, Zhou Wei, Duan Zhemin, Wei Henglu. Convolutional sparse auto-encoder for image super-resolution reconstruction[J]. Infrared and Laser Engineering, 2019, 48(1): 126005-0126005(7). doi: 10.3788/IRLA201948.0126005
Citation: Zhang Xiu, Zhou Wei, Duan Zhemin, Wei Henglu. Convolutional sparse auto-encoder for image super-resolution reconstruction[J]. Infrared and Laser Engineering, 2019, 48(1): 126005-0126005(7). doi: 10.3788/IRLA201948.0126005

基于卷积稀疏自编码的图像超分辨率重建

doi: 10.3788/IRLA201948.0126005
基金项目: 

国家自然科学基金(61602383);陕西省自然科学基金(2017JQ6019)

详细信息
    作者简介:

    张秀(1987-),女,博士生,主要从事图像处理方面的研究。Email:zhangxiu_03@163.com

  • 中图分类号: TP391

Convolutional sparse auto-encoder for image super-resolution reconstruction

  • 摘要: 针对卷积稀疏编码算法中特征映射的准确性的问题,为了进一步提高图像超分辨率重建的的质量,文中提出一种基于卷积稀疏自编码的图像超分辨率重建算法。该算法首先在预训练阶段利用稀疏自编码器对输入高低分辨率图像分别进行训练,得到对应的图像稀疏特征表示;然后再由卷积神经网络根据得到的稀疏系数共同训练相应的滤波器及特征映射函数并更新到最优解;最后由高分辨率滤波器和对应的稀疏表示系数卷积求和,得到高分辨率重建图像估计。实验结果显示,改进算法的峰值信噪比(PSNR)结果较卷积稀疏编码算法提高了近0.1 dB,有效提高了重建图像的质量。
  • [1] Lu X, Li X. Multiresolution imaging[J]. IEEE Trans Cybern, 2014, 44(1):149-160.
    [2] Irani M, Peleg S. Improving resolution by image registration[J]. Cvgip Graphical Models Image Processing, 1991, 53(3):231-239.
    [3] Hou H S, Andrews H C. Cubic spline for image interpolation and digital filtering[J]. IEEE Transaction on Signal Pressing, 1978, 26(6):508-517.
    [4] Tai Y W, Liu S, Brown M S, et al. Super resolution using edge prior and single image detail synthesis[C]//Computer Vision and Pattern Recognition. IEEE, 2010:2400-2407.
    [5] Sun J, Sun J, Xu Z, et al. Image super-resolution using gradient profile prior[C]//IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2008:1-8.
    [6] You X, Li Q, Tao D, et al. Local metric learning for exemplar-based object detection[J]. IEEE Transactions on Circuits Systems for Video Technology, 2014, 24(8):1265-1276.
    [7] Yu J, Gao X, Tao D, et al. A unified learning framework for single image super-resolution[J]. IEEE Trans Neural Netw Learn Syst, 2014, 25(4):780-792.
    [8] Ren J, Liu J, Guo Z. Context-aware sparse decomposition for image denoising and super-resolution[J]. IEEE Transactions on Image Processing, 2013, 22(4):1454-1467.
    [9] Romano Y, Protter M, Elad M. Single image interpolation via adaptive nonlocal sparsity-based modeling[J]. IEEE Transactions on Image Processing, 2014, 23(7):3085.
    [10] Yang J, Wright J, Huang T, et al. Image super-resolution as sparse representation of raw image patches[C]//Computer Vision and Pattern Recognition, 2008, IEEE Conference on. IEEE, 2008:1-8.
    [11] Wang S, Zhang D, Liang Y, et al. Semi-coupled dictionary learning with applications to image super-resolution and photo-sketch synthesis[C]//Computer Vision and Pattern Recognition. IEEE, 2012:2216-2223.
    [12] Zeiler M D, Krishnan D, Taylor G W, et al. Deconvolutional networks[C]//Computer Vision and Pattern Recognition. IEEE, 2010:2528-2535.
    [13] Gu S, Zuo W, Xie Q, et al. Convolutional sparse coding for image super-resolution[C]//IEEE International Conference on Computer Vision. IEEE, 2015:1823-1831.
    [14] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. American Association for the Advancement of Science, 2006, 313(5786):504-507.
    [15] Hinton G E, S.Osindero Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7):1527-1554.
    [16] Lee H, Ekanadham C, Ng A Y. Sparse deep belief net model for visual area V2[C]//International Conference on Neural Information Processing Systems. Curran Associates Inc, 2007:873-880.
    [17] Schlkopf B, Platt J, Hofmann T. Greedy layer-wise training of deep networks[C]//Advances in Neural Information Processing Systems 19, Proceedings of the Twentieth Conference on Neural Information Processing Systems, 2007:153-160.
    [18] Lee Q V, Ngiam J, Coates A, et al. On optimization meyhods for deep learning[C]//Proceedings of the 28th International Methods for Deep Learning, 2011:265-272.
    [19] Kivinen J, Warmuth M K. Exponentiated gradient versus gradient descent for linear predictors[J]. Information and Computation, 1997, 132(1):1-63.
    [20] Wohlberg B. Efficient convolutional sparse coding[C]//IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE, 2014:7173-7177.
    [21] Zhong L W, Kwok J T. Fast stochastic alternating direction method of multipliers[C]//International Conference on International Conference on Machine Learning, 2014:I-46.
    [22] Kwang In Kim, Younghee Kwon. Single-image super-resolution using sparse regression and natural image prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(6):1127.
  • [1] 李保华, 王海星.  基于增强卷积神经网络的尺度不变人脸检测方法 . 红外与激光工程, 2022, 51(7): 20210586-1-20210586-8. doi: 10.3788/IRLA20210586
    [2] 庄子波, 邱岳恒, 林家泉, 宋德龙.  基于卷积神经网络的激光雷达湍流预警 . 红外与激光工程, 2022, 51(4): 20210320-1-20210320-10. doi: 10.3788/IRLA20210320
    [3] 刘瀚霖, 辛璟焘, 庄炜, 夏嘉斌, 祝连庆.  基于卷积神经网络的混叠光谱解调方法 . 红外与激光工程, 2022, 51(5): 20210419-1-20210419-9. doi: 10.3788/IRLA20210419
    [4] 宦克为, 李向阳, 曹宇彤, 陈笑.  卷积神经网络结合NSST的红外与可见光图像融合 . 红外与激光工程, 2022, 51(3): 20210139-1-20210139-8. doi: 10.3788/IRLA20210139
    [5] 孙敬波, 季节.  视频监控下利用记忆力增强自编码的行人异常行为检测 . 红外与激光工程, 2022, 51(6): 20210680-1-20210680-7. doi: 10.3788/IRLA20210680
    [6] 蒋筱朵, 赵晓琛, 冒添逸, 何伟基, 陈钱.  采用传感器融合网络的单光子激光雷达成像方法 . 红外与激光工程, 2022, 51(2): 20210871-1-20210871-7. doi: 10.3788/IRLA20210871
    [7] 钟友坤, 莫海宁.  基于深度自编码-高斯混合模型的视频异常检测方法 . 红外与激光工程, 2022, 51(6): 20210547-1-20210547-7. doi: 10.3788/IRLA20210547
    [8] 谢冰, 万淑慧, 殷云华.  基于改进稀疏表示正则化的SR重建算法 . 红外与激光工程, 2022, 51(3): 20210468-1-20210468-10. doi: 10.3788/IRLA20210468
    [9] 刘云朋, 霍晓丽, 刘智超.  基于深度学习的光纤网络异常数据检测算法 . 红外与激光工程, 2021, 50(6): 20210029-1-20210029-6. doi: 10.3788/IRLA20210029
    [10] 邓人隽, 史坦, 李向平, 邓子岚.  基于全局拓扑优化深度学习模型的超构光栅分束器 . 红外与激光工程, 2021, 50(5): 20211028-1-20211028-4. doi: 10.3788/IRLA20211028
    [11] 薛珊, 张振, 吕琼莹, 曹国华, 毛逸维.  基于卷积神经网络的反无人机系统图像识别方法 . 红外与激光工程, 2020, 49(7): 20200154-1-20200154-8. doi: 10.3788/IRLA20200154
    [12] 张旭, 于明鑫, 祝连庆, 何彦霖, 孙广开.  基于全光衍射深度神经网络的矿物拉曼光谱识别方法 . 红外与激光工程, 2020, 49(10): 20200221-1-20200221-8. doi: 10.3788/IRLA20200221
    [13] 魏子康, 刘云清.  改进的RDN灰度图像超分辨率重建方法 . 红外与激光工程, 2020, 49(S1): 20200173-20200173. doi: 10.3788/IRLA20200173
    [14] 高泽宇, 李新阳, 叶红卫.  流场测速中基于深度卷积神经网络的光学畸变校正技术 . 红外与激光工程, 2020, 49(10): 20200267-1-20200267-10. doi: 10.3788/IRLA20200267
    [15] 刘天赐, 史泽林, 刘云鹏, 张英迪.  基于Grassmann流形几何深度网络的图像集识别方法 . 红外与激光工程, 2018, 47(7): 703002-0703002(7). doi: 10.3788/IRLA201847.0703002
    [16] 张腊梅, 陈泽茜, 邹斌.  基于3D卷积神经网络的PolSAR图像精细分类 . 红外与激光工程, 2018, 47(7): 703001-0703001(8). doi: 10.3788/IRLA201847.0703001
    [17] 姚旺, 刘云鹏, 朱昌波.  基于人眼视觉特性的深度学习全参考图像质量评价方法 . 红外与激光工程, 2018, 47(7): 703004-0703004(8). doi: 10.3788/IRLA201847.0703004
    [18] 殷云华, 李会方.  基于混合卷积自编码极限学习机的RGB-D物体识别 . 红外与激光工程, 2018, 47(2): 203008-0203008(8). doi: 10.3788/IRLA201847.0203008
    [19] 郭强, 芦晓红, 谢英红, 孙鹏.  基于深度谱卷积神经网络的高效视觉目标跟踪算法 . 红外与激光工程, 2018, 47(6): 626005-0626005(6). doi: 10.3788/IRLA201847.0626005
    [20] 李方彪, 何昕, 魏仲慧, 何家维, 何丁龙.  生成式对抗神经网络的多帧红外图像超分辨率重建 . 红外与激光工程, 2018, 47(2): 203003-0203003(8). doi: 10.3788/IRLA201847.0203003
  • 加载中
计量
  • 文章访问数:  449
  • HTML全文浏览量:  65
  • PDF下载量:  85
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-08-12
  • 修回日期:  2018-09-15
  • 刊出日期:  2019-01-25

基于卷积稀疏自编码的图像超分辨率重建

doi: 10.3788/IRLA201948.0126005
    作者简介:

    张秀(1987-),女,博士生,主要从事图像处理方面的研究。Email:zhangxiu_03@163.com

基金项目:

国家自然科学基金(61602383);陕西省自然科学基金(2017JQ6019)

  • 中图分类号: TP391

摘要: 针对卷积稀疏编码算法中特征映射的准确性的问题,为了进一步提高图像超分辨率重建的的质量,文中提出一种基于卷积稀疏自编码的图像超分辨率重建算法。该算法首先在预训练阶段利用稀疏自编码器对输入高低分辨率图像分别进行训练,得到对应的图像稀疏特征表示;然后再由卷积神经网络根据得到的稀疏系数共同训练相应的滤波器及特征映射函数并更新到最优解;最后由高分辨率滤波器和对应的稀疏表示系数卷积求和,得到高分辨率重建图像估计。实验结果显示,改进算法的峰值信噪比(PSNR)结果较卷积稀疏编码算法提高了近0.1 dB,有效提高了重建图像的质量。

English Abstract

参考文献 (22)

目录

    /

    返回文章
    返回