基于稀疏表示的含噪图像超分辨重建方法

窦诺; 赵瑞珍; 岑翼刚; 胡绍海; 张勇东

doi:10.7544/issn1000-1239.2015.20140047

基于稀疏表示的含噪图像超分辨重建方法

窦诺^1,2,
赵瑞珍^1,2,3,
岑翼刚^1,2,
胡绍海^1,2,
张勇东³

¹(北京交通大学信息科学研究所北京 100044)
²(北京市现代信息科学与网络技术重点实验室(北京交通大学信息科学研究所) 北京 100044)
³(中国科学院智能信息处理重点实验室(中国科学院计算技术研究所) 北京 100190) (dounuo@126.com)

基金项目: 国家“八六三”高技术研究发展计划基金项目(2014AA015202)；国家自然科学基金项目(61073079，61272028)；中央高校基本科研业务费专项基金项目(2013JBZ003)；教育部高等学校博士点专项基金项目(20120009110008)；教育部新世纪优秀人才支持计划基金项目(NCET-12-0768 )；教育部创新团队发展计划基金项目(IRT201206)

详细信息

中图分类号: TP391.41
计量
- 文章访问数: 1335
- HTML全文浏览量: 3
- PDF下载量: 761
出版历程
- 发布日期: 2015-03-31

Noisy Image Super-Resolution Reconstruction Based on Sparse Representation

¹(Institute of Information Science, Beijing Jiaotong University, Beijing 100044)
²(Beijing Key Laboratory of Advanced Information Science and Network Technology (Institute of Information Science, Beijing Jiaotong University), Beijing 100044)
³(Key Laboratory of Intelligent Information Processing, Chinese Academy of Sciences (Institute of Computing Technology, Chinese Academy of Sciences), Beijing 100190)

摘要

摘要: 传统的含噪图像超分辨方法只能将图像去噪和图像超分辨分别进行处理，基于稀疏表示与字典训练的含噪声图像超分辨重建方法将两者融合在一起.提出一种基于图像块在训练字典下稀疏表示的协同处理方法，来解决含噪图像超分辨的问题.由于图像块可以由字典下的稀疏系数来表示，所以可训练一个分别适用于含噪低分辨率图像块和清晰高分辨率图像块的字典对，使得高低分辨率图像块在该字典对下具有相同的稀疏表示.当输入含噪低分辨率图像块时，先计算出其在低分辨率字典下的稀疏表示系数，然后利用此稀疏系数在高分辨率字典下进行重建，可得到清晰高分辨率图像块，最后通过整体优化完成清晰高分辨率图像，实现图像超分辨和图像去噪的目的.实验证明，采用局部自适应插值的方法放大低分辨率图像到中间分辨率再进行特征提取，比以往采用的双三线性插值的方法在重建图像质量上有提高，并通过研究字典λ参数的设置使得超分辨重建和去噪结果同时达到最佳，即在图像的视觉和质量上都具有较为明显的优势，具有很好的鲁棒性和有效性.
- 稀疏表示 /
- 图像超分辨 /
- 图像去噪 /
- 字典训练 /
- 图像重建
Abstract: Denoising and super-resolution reconstruction are performed separately in traditional methods for noisy image super-resolution reconstruction, while in the noisy image super-resolution reconstruction method based on sparse representation and dictionary learning the two processes are compounded together. Since an image patch can be well represented as a sparse linear combination of elements from an appropriately chosen over-complete dictionary, two dictionaries are trained respectively from noisy low- and clean high- resolution image patches by enforcing the similarity of two sparse representations with respect to their own dictionary. Given a noisy low-resolution image, sparse representations of low-resolution patches via trained low-dictionary are computed, then the high-resolution image can be reconstructed from high-resolution patches with the help of the related low-resolution sparse representations and trained high-dictionary, after global optimization a clean high-resolution is obtained to accomplish the goal of image super-resolution and denosing simultaneously. The experiments show that zooming low-resolution image to a middle-resolution using locally adaptive zooming algorithm for extracting features can get a better reconstructed image than bicubic interpolation algorithm. By setting the parameter λ, we can obtain the best performance both in super-resolution and denoising with absolute advantages in image quality and visual effect, which demonstrates the validity and robustness of our algorithm.
- sparse representation /
- image super-resolution /
- image denoising /
- dictionary learning /
- image reconstruction

HTML全文

参考文献(0)

施引文献(8)

期刊类型引用(5)

1.	李萍，王丽丽. 国内多模态技术的研究现状与发展趋势：基于CiteSpace的可视化分析. 智能计算机与应用. 2025(01): 194-202 . 百度学术
2.	马辉，王瑞琴，杨帅. 一种渐进式增长条件生成对抗网络模型. 电信科学. 2023(06): 105-113 . 百度学术
3.	涂荣成，毛先领，孔伟杰，蔡成飞，赵文哲，王红法，黄河燕. 基于CLIP生成多事件表示的视频文本检索方法. 计算机研究与发展. 2023(09): 2169-2179 . 本站查看
4.	孔珊珊. 基于深度学习的机器人舞蹈自动生成研究. 自动化与仪器仪表. 2022(04): 237-240 . 百度学术
5.	李媛，陈昭炯，叶东毅. 基于参考图语义匹配的花卉线稿工笔效果上色算法. 计算机研究与发展. 2022(06): 1271-1285 . 本站查看