• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

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

窦诺, 赵瑞珍, 岑翼刚, 胡绍海, 张勇东. 基于稀疏表示的含噪图像超分辨重建方法[J]. 计算机研究与发展, 2015, 52(4): 943-951. DOI: 10.7544/issn1000-1239.2015.20140047
引用本文: 窦诺, 赵瑞珍, 岑翼刚, 胡绍海, 张勇东. 基于稀疏表示的含噪图像超分辨重建方法[J]. 计算机研究与发展, 2015, 52(4): 943-951. DOI: 10.7544/issn1000-1239.2015.20140047
shu
Dou Nuo, Zhao Ruizhen, Cen Yigang, Hu Shaohai, Zhang Yongdong. Noisy Image Super-Resolution Reconstruction Based on Sparse Representation[J]. Journal of Computer Research and Development, 2015, 52(4): 943-951. DOI: 10.7544/issn1000-1239.2015.20140047
Citation: Dou Nuo, Zhao Ruizhen, Cen Yigang, Hu Shaohai, Zhang Yongdong. Noisy Image Super-Resolution Reconstruction Based on Sparse Representation[J]. Journal of Computer Research and Development, 2015, 52(4): 943-951. DOI: 10.7544/issn1000-1239.2015.20140047
shu
窦诺, 赵瑞珍, 岑翼刚, 胡绍海, 张勇东. 基于稀疏表示的含噪图像超分辨重建方法[J]. 计算机研究与发展, 2015, 52(4): 943-951. CSTR: 32373.14.issn1000-1239.2015.20140047
引用本文: 窦诺, 赵瑞珍, 岑翼刚, 胡绍海, 张勇东. 基于稀疏表示的含噪图像超分辨重建方法[J]. 计算机研究与发展, 2015, 52(4): 943-951. CSTR: 32373.14.issn1000-1239.2015.20140047
shu
Dou Nuo, Zhao Ruizhen, Cen Yigang, Hu Shaohai, Zhang Yongdong. Noisy Image Super-Resolution Reconstruction Based on Sparse Representation[J]. Journal of Computer Research and Development, 2015, 52(4): 943-951. CSTR: 32373.14.issn1000-1239.2015.20140047
Citation: Dou Nuo, Zhao Ruizhen, Cen Yigang, Hu Shaohai, Zhang Yongdong. Noisy Image Super-Resolution Reconstruction Based on Sparse Representation[J]. Journal of Computer Research and Development, 2015, 52(4): 943-951. CSTR: 32373.14.issn1000-1239.2015.20140047
shu

基于稀疏表示的含噪图像超分辨重建方法

  • 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

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
  • 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.
    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.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(27)

  • 期刊类型引用(14)

    1. 暴琳，朱志宇，孙晓燕，徐标. 面向多源异构数据的个性化搜索和推荐算法综述. 控制理论与应用. 2024(02): 189-209 . 百度学术
    2. 王一博，张鹏翼. 基于LDA模型的国内用户画像研究主题及演化分析. 情报探索. 2024(02): 99-105 . 百度学术
    3. 韩永印，王侠，王志晓. 基于决策树的社交网络隐式用户行为数据挖掘方法. 沈阳工业大学学报. 2024(03): 312-317 . 百度学术
    4. 黄玲，黄镇伟，黄梓源，关灿荣，高月芳，王昌栋. 图卷积宽度跨域推荐系统. 计算机研究与发展. 2024(07): 1713-1729 . 本站查看
    5. 廖彬，张陶，于炯，李敏. NLGAE:一种基于改进网络结构及损失函数的图自编码器节点分类模型. 计算机科学. 2024(10): 234-246 . 百度学术
    6. 刘树越 ，于亚新 ，吴晓露 ，夏子芳 ，王子腾 . 自注意力下时空-语义相融合的POI序列推荐. 小型微型计算机系统. 2023(03): 456-462 . 百度学术
    7. 章育涛，黎英，杨雅莉. 社交网站图像分析研究综述. 信息技术与信息化. 2023(08): 114-121 . 百度学术
    8. 秦鹏，贾洪杰，霍兴瀛，邓朝艳. 融合大数据挖掘的用户个性化POI推荐方法. 计算机仿真. 2022(06): 355-358+385 . 百度学术
    9. 郑捷，杨兴耀，于炯，李想. 基于人工蜂群的移动终端大数据半监督推荐. 计算机仿真. 2022(07): 497-501 . 百度学术
    10. 李梁森，杨德宏，翟文龙，李刘飞，高励. 基于微博数据的云南省地理情感及主题特征研究. 城市勘测. 2022(04): 12-16 . 百度学术
    11. 赵凯华，徐建民，鲍彩倩. 一个基于信念网络的微博推荐模型. 河北大学学报(自然科学版). 2022(04): 438-448 . 百度学术
    12. 王小青，苏锋，蔡传根. 基于数据挖掘技术的影视智能推荐算法. 现代电子技术. 2021(11): 98-101 . 百度学术
    13. 周炫余，刘林，陈圆圆，洪嘉玲，卢笑. 基于多模态数据融合的大学生心理健康自动评估模型设计与应用研究. 电化教育研究. 2021(08): 72-78 . 百度学术
    14. 刘凯阳，姜峰，王辉. 航天话题公众关注热点和情感分析. 科技传播. 2021(19): 31-34 . 百度学术

    其他类型引用(13)

    • 资源附件(0)
计量
  • 文章访问数: 
  • HTML全文浏览量:  0
  • PDF下载量: 
  • 被引次数: 27
出版历程
  • 发布日期:  2015-03-31

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(27)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计