結(jié)合壓縮感知與非局部信息的圖像超分辨率重建

結(jié)合壓縮感知與非局部信息的圖像超分辨率重建

ID:28181142

大小:17.22 KB

頁數(shù):4頁

時(shí)間:2018-12-08

結(jié)合壓縮感知與非局部信息的圖像超分辨率重建_第1頁
結(jié)合壓縮感知與非局部信息的圖像超分辨率重建_第2頁
結(jié)合壓縮感知與非局部信息的圖像超分辨率重建_第3頁
結(jié)合壓縮感知與非局部信息的圖像超分辨率重建_第4頁
資源描述:

《結(jié)合壓縮感知與非局部信息的圖像超分辨率重建》由會(huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫。

1、為了確?!敖虒W(xué)點(diǎn)數(shù)字教育資源全覆蓋”項(xiàng)目設(shè)備正常使用,我校做到安裝、教師培訓(xùn)同步進(jìn)行。設(shè)備安裝到位后,中心校組織各學(xué)點(diǎn)管理人員統(tǒng)一到縣教師進(jìn)修學(xué)校進(jìn)行培訓(xùn),熟悉系統(tǒng)的使用和維護(hù)。結(jié)合壓縮感知與非局部信息的圖像超分辨率重建  摘要:  針對(duì)現(xiàn)有的超分辨率重建算法只考慮圖像塊的灰度信息,而忽略了紋理信息,并且大多數(shù)非局部方法在強(qiáng)調(diào)非局部信息的同時(shí),沒有考慮局部信息的問題,提出一種結(jié)合壓縮感知與非局部信息的圖像超分辨率重建算法。首先,根據(jù)圖像塊的結(jié)構(gòu)特征計(jì)算像素之間的相似性,同時(shí)考慮了圖像塊的灰度信息和紋理信息;然后,合并圖像的局部和非局部信息來估計(jì)相似像素的權(quán)重,構(gòu)

2、造結(jié)合局部和非局部信息的正則項(xiàng);最后,將圖像的非局部信息引入到壓縮感知框架中,通過迭代收縮算法求解稀疏表示系數(shù)。實(shí)驗(yàn)結(jié)果表明,所提算法與現(xiàn)有的基于學(xué)習(xí)的超分辨率算法相比,重建圖像的峰值信噪比和結(jié)構(gòu)相似度取值更高,并且在恢復(fù)圖像紋理細(xì)節(jié)的同時(shí)有效抑制了噪聲?! £P(guān)鍵詞:  超分辨率重建;壓縮感知;非局部信息;稀疏表示;結(jié)構(gòu)特征  中圖分類號(hào):    文獻(xiàn)標(biāo)志碼:A  Abstract:為了充分發(fā)揮“教學(xué)點(diǎn)數(shù)字教育資源全覆蓋”項(xiàng)目設(shè)備的作用,我們不僅把資源運(yùn)用于課堂教學(xué),還利用系統(tǒng)的特色欄目開展課外活動(dòng),對(duì)學(xué)生進(jìn)行安全教育、健康教育、反邪教教育等豐富學(xué)生的課余文化生

3、活。為了確?!敖虒W(xué)點(diǎn)數(shù)字教育資源全覆蓋”項(xiàng)目設(shè)備正常使用,我校做到安裝、教師培訓(xùn)同步進(jìn)行。設(shè)備安裝到位后,中心校組織各學(xué)點(diǎn)管理人員統(tǒng)一到縣教師進(jìn)修學(xué)校進(jìn)行培訓(xùn),熟悉系統(tǒng)的使用和維護(hù)?! heexistingsuperresolutionreconstructionalgorithmsonlyconsiderthegrayinformationofimagepatches,butignoresthetextureinformation,andmostnonlocalmethodsemphasizethenonlocalinformationwithoutcons

4、ideringthelocalinformation.Inviewofthesedisadvantages,animagesuperresolutionreconstructionalgorithmcombinedwithcompressedsensingandnonlocalinformationwasproposed.Firstly,thesimilaritybetweenpixelswascalculatedaccordingtothestructuralfeaturesofimagepatches,andboththegrayandthetexturei

5、nformationwasconsidered.Then,theweightofsimilarpixelswasevaluatedbymergingthelocalandnonlocalinformation,andaregularizationtermcombiningthelocalandnonlocalinformationwasconstructed.Finally,thenonlocalinformationwasintroducedintothecompressedsensingframework,andthesparserepresentation

6、coefficientsweresolvedbytheiterativeshrinkagealgorithm.ExperimentalresultsdemonstratethattheproposedalgorithmoutperformsotherlearningbasedalgorithmsintermsofimprovedPeakSignaltoNoiseRatioandStructural為了充分發(fā)揮“教學(xué)點(diǎn)數(shù)字教育資源全覆蓋”項(xiàng)目設(shè)備的作用,我們不僅把資源運(yùn)用于課堂教學(xué),還利用系統(tǒng)的特色欄目開展課外活動(dòng),對(duì)學(xué)生進(jìn)行安全教育、健康教育、反邪教教育等豐富學(xué)

7、生的課余文化生活。為了確?!敖虒W(xué)點(diǎn)數(shù)字教育資源全覆蓋”項(xiàng)目設(shè)備正常使用,我校做到安裝、教師培訓(xùn)同步進(jìn)行。設(shè)備安裝到位后,中心校組織各學(xué)點(diǎn)管理人員統(tǒng)一到縣教師進(jìn)修學(xué)校進(jìn)行培訓(xùn),熟悉系統(tǒng)的使用和維護(hù)。Similarity,anditcanbetterrecoverthefinetexturesandeffectivelysuppressthenoise.  英文關(guān)鍵詞Keywords:  superresolutionreconstruction;compressedsensing;nonlocalinformation;sparserepresentation;s

8、tructuralfea

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動(dòng)畫的文件,查看預(yù)覽時(shí)可能會(huì)顯示錯(cuò)亂或異常,文件下載后無此問題,請(qǐng)放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫負(fù)責(zé)整理代發(fā)布。如果您對(duì)本文檔版權(quán)有爭(zhēng)議請(qǐng)及時(shí)聯(lián)系客服。
3. 下載前請(qǐng)仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進(jìn)行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時(shí)可能由于網(wǎng)絡(luò)波動(dòng)等原因無法下載或下載錯(cuò)誤,付費(fèi)完成后未能成功下載的用戶請(qǐng)聯(lián)系客服處理。