排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
2.
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。 相似文献
3.
稀疏字典编码的超分辨率重建 总被引:2,自引:0,他引:2
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. 相似文献
4.
基于学习字典的图像修复算法 总被引:1,自引:0,他引:1
多数图像修复方法主要是利用输入图像中的有效信息来填充待修复区域,可用先验信息有限,自适应性较差.研究提出一种新的基于学习字典的图像修复框架,核心思路是通过大量样本图像和输入图像的有效数据训练学习字典,建立样本图像特征块与原始数据块之间的稀疏关联,并将这种关联作为先验知识来指导图像的修复.该方法既充分利用了样例图像的先验知识,又考虑了待修复图像本身的信息,提高了算法的自适应性.通过对自然图像进行大、小范围图像修复和文字去除实验,文中方法均取得较好的修复效果. 相似文献
5.
6.
基于ARSIS概念,利用“à trous”冗余小波变换和波段间结构模型IBSM(TheInter—Band Structure Model),构建SAR图像和TM图像空间细节信息的关系,进而获得融合影像的空间细节信息,加上TM图像的光谱信息,利用小波逆变换,得到既有好的光谱特性,又有高的空间分辨率的融合影像.选用意大利ROME地区的TM和ERS-2 SAR数据进行实验验证,并和传统的IHS、彩色标准化(Brovey)等融合方法相比,在直观的视觉效果方面,新方法的融合影像明显比其它方法清晰,纹理特性和光谱特性均很好,计算影像的定量评价指标显示了本文所提方法的性能较好. 相似文献
1