基于稀疏表示的图像超分辨率重建算法设计

石翠萍; 王晴

Chinese

您当前的位置：

首页 >

文章列表页 >

基于稀疏表示的图像超分辨率重建算法设计

更新时间：2026-09-04

- 基于稀疏表示的图像超分辨率重建算法设计
- Design of image super-resolution reconstruction algorithm based on sparse representation
- 微电子学与计算机 2019年36卷第10期页码：68-72
- 作者机构：
  
  齐齐哈尔大学通信与电子工程学院,黑龙江,齐齐哈尔,161000
- 作者简介：
- 基金信息：
  
  国家自然科学基金青年基金 41701479黑龙江省科学基金项目 QC2018045中国博士后科学基金项目 2017M621246黑龙江省博士后科学基金项目 LBH-Z17052黑龙江省省属高等学校基本科研业务费科研项目 1353093422018年国家级大学生创新创业训练计划资助项目 201810232018
- DOI：
  中图分类号：
- 纸质出版：2019
- 稿件说明：
移动端阅览
石翠萍, 王晴. 基于稀疏表示的图像超分辨率重建算法设计[J]. 微电子学与计算机, 2019, 36(10): 68-72.

SHI Cui-ping, WANG Qing. Design of image super-resolution reconstruction algorithm based on sparse representation[J]. 2019, 36(10): 68-72.
石翠萍, 王晴. 基于稀疏表示的图像超分辨率重建算法设计[J]. 微电子学与计算机, 2019, 36(10): 68-72. DOI：

SHI Cui-ping, WANG Qing. Design of image super-resolution reconstruction algorithm based on sparse representation[J]. 2019, 36(10): 68-72. DOI：

摘要

为解决一般重建方法效果欠佳的问题

使重建后的图像具有良好的清晰度

本文依据稀疏表示原理等内容

设计了一种新的超分辨率重建算法

实现了超分辨率最优解问题.对一幅低分辨率图像

分割后进行特征提取

得到的图像特征块可在字典的低分辨率部分生成一组权重系数.在字典的高分辨率部分

用高分辨率特征块乘以所得系数

可以重新构造出高分辨率图像块

并将它们组合起来得到一幅完备的高分辨率图像.实验结果表明

与双三次插值方法相比

本文算法重构的高分辨率图像具有更好的质量.

Abstract

In order to solve the problem of high complexity and poor reconstruction effect of traditional reconstruction methods and make the super-resolution reconstruction images have good clarity

a new super-resolution reconstruction algorithm based on learning is studied based on sparse representation principle. The super-resolution optimal solution is realized. By inputting a low-resolution image

the corresponding image feature block can be obtained by bicubic interpolation. A set of sparse representation coefficients can be obtained in the low resolution part of the dictionary (DL). According to the set of sparse representation coefficients

the high resolution image blocks are reconstructed by reverse projection on the high resolution dictionary (Dh)

and the complete high resolution images are obtained by combining them together. The simulation results show that compared with the bicubic interpolation method

the reconstructed image of this algorithm has better quality.

关键词

Keywords

references

WANG G, YE J C, MUELLER K, et al. Image Reconstruction is a New Frontier of Machine Learning[J]. IEEE Transactions on Medical Imaging, 2018, 37(6):1289-1296. DOI: 1289

FREEMAN W T, JONES T R, PASZTOR E C. Example-Based Super-Resolution[J]. IEEE Computer Graphics and Applications, 2002, 22(2):56-65. DOI: 56

LI B, ZHAO F, SU Z, et al. Example-based Image Colorization using Locality Consistent Sparse Representation[J]. IEEE Transactions on Image Processing, 2017, 26(11):5188-5202. DOI: 5188

YANG J, WRIGHT J, HUANG T S, et al. Image super-resolution via sparse representation.[J].IEEETransactions on Image Processing, 2010, 19(11):2861-2873. DOI: 2861

LIU S, JIA J, ZHANG Y D, et al. Image Reconstruction in Electrical Impedance Tomography Based on Structure-Aware Sparse Bayesian Learning[J]. IEEE Transactions on Medical Imaging, 2018, 37(9): 2090-2101. DOI: 2090

马杰, 武利涛, 张晓严.一种改进的组稀疏表示图像去噪方法[J].微电子学与计算机, 2017, 34(6):99-103. DOI: 99

高媛, 刘志, 秦品乐, 等.基于深度残差生成对抗网络的医学影像超分辨率算法[J].计算机应用, 2018, 38(9):2689-2695. DOI: 2689

隋昊, 周萍, 沈昊, 等.基于混沌序列的压缩感知语音增强算法[J].微电子学与计算机, 2018, 35(1): 96-99. DOI: 96

DONG W, ZHANG L, SHI G, et al. Image Deblurring and Super-resolution by Adaptive Sparse Domain Selection and Adaptive Regularization[J]. IEEETransactions on Image Processing, 2011, 20(7):1837-1857. DOI: 1837

孔玲莉, 黄华, 齐春.图像超分辨率研究的最新进展[J].光学技术, 2014, 30(3):374-377. DOI: 374

胡长胜, 詹曙, 吴从中.基于深度特征学习的图像超分辨率重建[J].自动化学报, 2017, 43(5):814-821. DOI: 814

曾凯, 丁世飞.图像超分辨率重建的研究进展[J].计算机工程与应用, 2017, 53(16):29-35. DOI: 29

江静, 张雪松.图像超分辨率重建算法综述[J].红外技术, 2012, 34(1):24-30. DOI: 24

孙玉宝, 韦志辉, 肖亮, 等.基于稀疏表示的图像超分辨率重建快速算法[J].系统工程与电子技术, 2010, 32(12):2696-2700. DOI: 2696

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种自学习的新型单幅图像超分辨率高质量重建算法

基于多尺度融合与小目标增强的航拍车辆检测算法

基于MSS-YOLO-MPHands融合架构的装配手部动作识别研究

基于监控指标关联性的微服务异常检测

一种基于特征上下文理解与切片分析的肺结核检测算法