-
公开(公告)号:CN103475876A
公开(公告)日:2013-12-25
申请号:CN201310379154.1
申请日:2013-08-27
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于学习的低比特率压缩图像超分辨率重建方法,算法分为离线部分和在线部分。离线部分,首先采用不同压缩质量参数值对低分辨率图像进行压缩;然后对压缩图像进行滤波处理,接着将滤波后压缩图像的量化失真程度作为特征,将滤波后的LR图像按照其失真程度分为多类并建立分类样本库,然后分别用各类样本进行超分辨率模型的训练。在线部分,首先对输入图像进行滤波处理,接着判定其压缩失真类别,然后根据判定结果,选择相应类别的样本库和超分辨率模型,实现基于学习的超分辨率复原。相比其他算法,本发明的方法能针对不同失真程度的输入LR图像自适应的调节与其相匹配的样本库,并能有效解决块效应失真对图像超分辨率的影响,与直接对低比特率失真图像进行超分辨率复原相比,本发明方法所重建的图像具有更高的主客观质量。
-
公开(公告)号:CN103971332B
公开(公告)日:2016-10-05
申请号:CN201410099532.5
申请日:2014-03-17
Applicant: 北京工业大学
IPC: G06T5/00
Abstract: 本发明属于数字图像处理领域,特别涉及一种基于HR‐LLE权值约束的人脸图像超分辨率复原方法。首先求出大量HR人脸样本和残差HR人脸相对于其近邻样本的平均重建权值约束;在重建过程中,分别利用全局和局部平均重建权值约束对传统的基于LLE的人脸超分辨率重建权值求解方法进行权值约束。重建算法分为全局重建和局部细节补偿两个部分。这里全局重建的目的是复原标准人脸应具备的基本特征;局部细节补偿的目的是重建人脸图像应该具有区分其他人脸的个性特征。该方法在估计目标HR图像的基于LLE的重建权值时,加入了HR‑LLE权值约束,使权值在l2范数上更接近真实的HR图像重建权值。该方法可以取得较好的图像复原结果。
-
公开(公告)号:CN103475876B
公开(公告)日:2016-06-22
申请号:CN201310379154.1
申请日:2013-08-27
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于学习的低比特率压缩图像超分辨率重建方法,算法分为离线部分和在线部分。离线部分,首先采用不同压缩质量参数值对低分辨率图像进行压缩;然后对压缩图像进行滤波处理,接着将滤波后压缩图像的量化失真程度作为特征,将滤波后的LR图像按照其失真程度分为多类并建立分类样本库,然后分别用各类样本进行超分辨率模型的训练。在线部分,首先对输入图像进行滤波处理,接着判定其压缩失真类别,然后根据判定结果,选择相应类别的样本库和超分辨率模型,实现基于学习的超分辨率复原。相比其他算法,本发明的方法能针对不同失真程度的输入LR图像自适应的调节与其相匹配的样本库,并能有效解决块效应失真对图像超分辨率的影响,与直接对低比特率失真图像进行超分辨率复原相比,本发明方法所重建的图像具有更高的主客观质量。
-
公开(公告)号:CN103971332A
公开(公告)日:2014-08-06
申请号:CN201410099532.5
申请日:2014-03-17
Applicant: 北京工业大学
IPC: G06T5/00
Abstract: 本发明属于数字图像处理领域,特别涉及一种基于HR‐LLE权值约束的人脸图像超分辨率复原方法。首先求出大量HR人脸样本和残差HR人脸相对于其近邻样本的平均重建权值约束;在重建过程中,分别利用全局和局部平均重建权值约束对传统的基于LLE的人脸超分辨率重建权值求解方法进行权值约束。重建算法分为全局重建和局部细节补偿两个部分。这里全局重建的目的是复原标准人脸应具备的基本特征;局部细节补偿的目的是重建人脸图像应该具有区分其他人脸的个性特征。该方法在估计目标HR图像的基于LLE的重建权值时,加入了HR-LLE权值约束,使权值在l2范数上更接近真实的HR图像重建权值。该方法可以取得较好的图像复原结果。
-
-
-