主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
李民,程建,乐翔,罗环敏.稀疏字典编码的超分辨率重建.软件学报,2012,23(5):1315-1324
稀疏字典编码的超分辨率重建
Super-Resolution Based on Sparse Dictionary Coding
投稿时间:2010-06-06  修订日期:2011-01-31
DOI:10.3724/SP.J.1001.2012.03989
中文关键词:  超分辨率  稀疏字典  基于学习  形态分量分析  稀疏K-SVD
英文关键词:super resolution  sparse dictionary  learning-based  morphological component analysis (MCA)  sparse K-SVD
基金项目:国家重点基础研究发展计划(973)(2007CB714406); 中国博士后基金(200902609); 电子科技大学青年科技基金(JX0804)
作者单位E-mail
李民 电子科技大学 地表空间信息技术研究所,四川 成都 611731
桂林空军学院 科研部,广西 桂林 541003 
gllm126@163.com 
程建 电子科技大学 地表空间信息技术研究所,四川 成都 611731
电子科技大学 电子工程学院,四川 成都 611731 
 
乐翔 电子科技大学 电子工程学院,四川 成都 611731  
罗环敏 电子科技大学 地表空间信息技术研究所,四川 成都 611731  
摘要点击次数: 3227
全文下载次数: 6269
中文摘要:
      基于学习的超分辨率方法通常根据低分辨率图像从样本库中选取若干特征相似的匹配对象,再使用优化算法进行超分辨率估计,但其结果受匹配对象的质量限制,并且匹配特征一般只选择图像的几何结构信息,匹配准确性较低.提出了稀疏字典编码的超分辨率模型,将高、低分辨率图像特征块统一进行稀疏编码,建立高、低分辨率图像的稀疏关联,同步实现匹配搜索和优化估计,突破了上述方法的限制.应用形态分量分析法提取图像的特征数据,提高了特征匹配的准确性,并同步实现超分辨率重建和降噪功能.优化方法采用稀疏K-SVD算法以提高稀疏字典编码的计算速度.采用自然图像进行实验,与其他基于学习的超分辨率算法相比,重建所得到的图像质量更优.
英文摘要:
      Learning-Based super-resolution methods usually select several objects with similar features from some examples according to the low-resolution image, then estimate super-resolution result using optimization algorithm. But the result is usually limited by the quality of matching objects and only geometric construction of the images is selected as matching feature, so matching accuracy is relatively low. This paper presents a sparse dictionary model for image super-resolution, which unifies the feature patches of high-resolution (HR) and low-resolution (LR) images for sparse coding. To break through the aforementioned limitations, this method builds a sparse association between HR and LR images, and realized simultaneous matching and optimization methods. The study uses a MCA method to improve the accuracy for feature extraction and carry out super-resolution reconstruction and denoise simultaneously. Sparse K-SVD algorithm is adopted as optimization method to reduce the computation time of sparse coding. Some experiments with real images show that this method outperforms other learning-based super-resolution algorithms.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利