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

基于专家场先验模型的图像超分辨重建算法

张秀 周巍 段哲民 魏恒璐

张秀, 周巍, 段哲民, 魏恒璐. 基于专家场先验模型的图像超分辨重建算法[J]. 红外与激光工程, 2019, 48(6): 626002-0626002(8). doi: 10.3788/IRLA201948.0626002
引用本文: 张秀, 周巍, 段哲民, 魏恒璐. 基于专家场先验模型的图像超分辨重建算法[J]. 红外与激光工程, 2019, 48(6): 626002-0626002(8). doi: 10.3788/IRLA201948.0626002
Zhang Xiu, Zhou Wei, Duan Zhemin, Wei Henglu. Image super-resolution reconstruction algorithm based on fields of experts prior model[J]. Infrared and Laser Engineering, 2019, 48(6): 626002-0626002(8). doi: 10.3788/IRLA201948.0626002
Citation: Zhang Xiu, Zhou Wei, Duan Zhemin, Wei Henglu. Image super-resolution reconstruction algorithm based on fields of experts prior model[J]. Infrared and Laser Engineering, 2019, 48(6): 626002-0626002(8). doi: 10.3788/IRLA201948.0626002

基于专家场先验模型的图像超分辨重建算法

doi: 10.3788/IRLA201948.0626002
基金项目: 

国家自然科学基金(61602383)

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

Image super-resolution reconstruction algorithm based on fields of experts prior model

  • 摘要: 为了进一步提高图像超分辨率重建的质量,针对非局部集中稀疏表示算法中重建图像的噪声问题,提出了一种基于专家场先验模型的图像超分辨率重建改进算法。首先,利用专家场模型从图像训练集中学习整幅图像的先验知识建立全局先验模型;然后将学习到的先验信息用于非局部集中稀疏表示模型求解最优稀疏表示系数;最后,得到高分辨率图像估计。该算法在超分辨率重建迭代运算的同时,同步更新专家场模型参数,因此在不显著增加运算复杂度的情况下,通过选取合适的先验约束,有效地增强了图像重建的效果。实验结果表明:相比非局部集中稀疏表示算法,文中算法对无噪和有噪降质图像均能取得较好的峰值信噪比结果,并且能够进一步提高有噪图像的去噪效果。
  • [1] Park S C, Park M K, Kang M G. Super-resolution image reconstruction:A technical overview[J]. IEEE Signal Processing Magazine, 2003, 20(3):21-36.
    [2] Boccacci P, Bertero A M. Introduction to Inverse Problems in Imaging[M]. Korea:Research Center for Peace and Unification of Korea, 1987:46-47.
    [3] Elad M, Feuer A. Restoration of a single superresolution image from several blurred, noisy, and undersampled measured images[J]. IEEE Transactions on Image Processing A, 1997, 6(12):1646-1658.
    [4] Irani M, Peleg S. Improving resolution by image registration[J]. Cvgip Graphical Models Image Processing, 1991, 53(3):231-239.
    [5] Baker S, Kanade T. Limits on super-resolution and how to break them[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(9):0-1183.
    [6] Freeman W T, Jones T R, Pasztor E C. Example-based super-resolution[J]. Computer Graphics Applications IEEE, 2002, 22(2):56-65.
    [7] Donoho D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4):1289-1306.
    [8] Elad M, Aharon M. Image denoising via sparse and redundant representations over learned dictionaries[J]. IEEE Transactions on Image Processing, 2006, 15(12):3736-45.
    [9] Dong W, Zhang L, Shi G. Centralized sparse representation for image restoration[C]//IEEE International Conference on Computer Vision, 2012.
    [10] Dong W, Zhang L, Shi G, et al. Nonlocally centralized sparse representation for image restoration[J]. IEEE Transactions on Image Processing, 2013, 22(4):1620-1630.
    [11] Mairal J, Bach F, Ponce J, et al. Non-local sparse models for image restoration[C]//IEEE, International Conference on Computer Vision, ICCV 2009, 2009:2272-2279.
    [12] Ebrahimi M. Inverse problems and self-similarity in imaging[D]. Waterloo:University of Waterloo, 2008.
    [13] Elad M, Datsenko D. Corrigendum:example-based regularization deployed to super-resolution reconstruction of a single image[J]. Computer Journal, 2009, 52(4):15-30.
    [14] Li S Z. Markov Random Field Modeling in Iimage Analysis[M]. New York:Springer-Verlag, 2001.
    [15] Roth S, Black M J. Fields of Experts:A framework for learning image priors[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005:860-867.
    [16] Roth S, Black M J. Fields of experts[J]. International Journal of Computer Vision, 2009, 82(2):205-229.
    [17] Welling M, Hinton G, Osindero S. Learning sparse topographic representations with products of student-t distribution[C]//Advances in Neural Information Processing Systems(NIPS'03), 2003:1359-1366.
    [18] Dong W, Zhang L, Shi G, et al. Image deblurring and super-resolution by adaptive sparse domain selection and adaptive regularization[J]. IEEE Transactions on Image Processing, 2011, 20(7):2108306.
  • [1] 曹军峰, 丁庆海, 罗海波.  基于空间非一致模糊核标定的红外图像超分辨率重建方法 . 红外与激光工程, 2024, 53(2): 20230252-1-20230252-10. doi: 10.3788/IRLA20230252
    [2] 秦丽丽, 李丽娟, 任姣姣, 顾健, 熊伟华, 张丹丹, 祝莉莉, 张霁旸, 薛竣文, 江柏红, 高增华.  基于梯度阈值的太赫兹时域信号自适应稀疏算法 . 红外与激光工程, 2023, 52(4): 20220443-1-20220443-12. doi: 10.3788/IRLA20220443
    [3] 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
    [4] 李亚娟.  结合多决策准则稀疏表示的SAR图像目标识别方法 . 红外与激光工程, 2021, 50(8): 20210138-1-20210138-8. doi: 10.3788/IRLA20210138
    [5] 武军安, 郭锐, 刘荣忠, 柯尊贵, 赵旭.  边缘区域约束的导向滤波深度像超分辨率重建算法 . 红外与激光工程, 2021, 50(1): 20200081-1-20200081-11. doi: 10.3788/IRLA20200081
    [6] 赵璐, 熊森.  多视角红外图像目标识别方法 . 红外与激光工程, 2021, 50(11): 20210206-1-20210206-6. doi: 10.3788/IRLA20210206
    [7] 沈英, 黄春红, 黄峰, 李杰, 朱梦娇, 王舒.  红外与可见光图像融合技术的研究进展 . 红外与激光工程, 2021, 50(9): 20200467-1-20200467-18. doi: 10.3788/IRLA20200467
    [8] 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
    [9] 张爱武, 张希珍, 赵江华.  斜模超分辨率成像最佳角度 . 红外与激光工程, 2019, 48(8): 826001-0826001(7). doi: 10.3788/IRLA201948.0826001
    [10] 黄富瑜, 郑喆, 李佩军, 谢大兵, 黄欣鑫.  非相似立体视觉模型构建与验证 . 红外与激光工程, 2019, 48(8): 825003-0825003(7). doi: 10.3788/IRLA201948.0825003
    [11] 杨蕊, 刘朝晖, 折文集.  遥感面阵凝视图像并行超分辨重建方法 . 红外与激光工程, 2019, 48(1): 126002-0126002(8). doi: 10.3788/IRLA201948.0126002
    [12] 卢瑞涛, 任世杰, 申璐榕, 杨小冈.  基于稀疏表示多子模板的鲁棒目标跟踪算法 . 红外与激光工程, 2019, 48(3): 326003-0326003(8). doi: 10.3788/IRLA201948.0326003
    [13] 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 . 红外与激光工程, 2019, 48(1): 126005-0126005(7). doi: 10.3788/IRLA201948.0126005
    [14] 刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明.  基于谱间相似性的高光谱图像稀疏超分辨率算法 . 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
    [15] 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
    [16] 薛俊韬, 倪晨阳, 杨斯雪.  特征聚类的局部敏感稀疏图像修复 . 红外与激光工程, 2018, 47(11): 1126001-1126001(9). doi: 10.3788/IRLA201847.1126001
    [17] 叶华, 谭冠政, 李广, 刘晓琼, 李晋, 周聪, 朱会杰.  基于稀疏表示与粒子群优化算法的非平稳信号去噪研究 . 红外与激光工程, 2018, 47(7): 726005-0726005(8). doi: 10.3788/IRLA201847.0726005
    [18] 郑重, 吕瑶, 李文成.  基于远场光学的高分辨率激光探针系统研究 . 红外与激光工程, 2017, 46(10): 1006003-1006003(7). doi: 10.3788/IRLA201761.1006003
    [19] 韦道知, 黄树彩, 赵岩, 庞策.  非负谱稀疏表示的高光谱成像中的异常检测 . 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001
    [20] 任航.  高分辨率大面阵CCD相机高帧频设计及其非均匀性的校正 . 红外与激光工程, 2013, 42(6): 1491-1497.
  • 加载中
计量
  • 文章访问数:  452
  • HTML全文浏览量:  57
  • PDF下载量:  56
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-01-10
  • 修回日期:  2019-02-21
  • 刊出日期:  2019-06-25

基于专家场先验模型的图像超分辨重建算法

doi: 10.3788/IRLA201948.0626002
    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)

  • 中图分类号: TP391

摘要: 为了进一步提高图像超分辨率重建的质量,针对非局部集中稀疏表示算法中重建图像的噪声问题,提出了一种基于专家场先验模型的图像超分辨率重建改进算法。首先,利用专家场模型从图像训练集中学习整幅图像的先验知识建立全局先验模型;然后将学习到的先验信息用于非局部集中稀疏表示模型求解最优稀疏表示系数;最后,得到高分辨率图像估计。该算法在超分辨率重建迭代运算的同时,同步更新专家场模型参数,因此在不显著增加运算复杂度的情况下,通过选取合适的先验约束,有效地增强了图像重建的效果。实验结果表明:相比非局部集中稀疏表示算法,文中算法对无噪和有噪降质图像均能取得较好的峰值信噪比结果,并且能够进一步提高有噪图像的去噪效果。

English Abstract

参考文献 (18)

目录

    /

    返回文章
    返回