The invention discloses an image super-resolution method based on depth measurement learning, which solves the problem of inaccurate feature extraction and fixed neighborhood size. The main steps are as follows: the training sample image block and training a neural network model for depth measurement; the low resolution training examples into the trained neural network has characteristics of low resolution image database; the low resolution input image block into the neural network to get its characteristics; using the method of sparse manifold embedding for nearest neighbor in the feature library of low resolution image, calculate the encoding coefficients, the encoding coefficients corresponding to the high resolution image block multiplication, high resolution images, high resolution image mosaic block image super-resolution reconstruction. The invention uses depth metric to learn the characteristics of neural network, and the neighbor selection is more accurate, and adaptively choose the neighborhood size, which effectively improves the reconstructed image quality and improves the detail information, and applies to the super-resolution reconstruction of various natural images.
【技术实现步骤摘要】
基于深度度量学习的图像超分辨方法
本专利技术属于图像处理
,主要涉及图像超分辨重构,具体是一种深度度量学习的图像超分辨重构方法,该方法可用于各类自然图像的超分辨率重构。
技术介绍
图像超分辨重构是通过一幅或多幅低分辨率图像,重构出更高分辨率的图像。这种方法克服了传统图像传感器的分辨率限制和代价高的缺点,是一种低成本、高效的提高成像质量的方法。基于邻域嵌入的方法是一种有代表性的基于学习的图像超分辨重构方法,特征表示和近邻选取是这种方法中最重要的两个部分,如何得到一个比较好的特征空间,如何获得流形结构中比较准确的近邻关系,对超分辨率重建结果有着非常重要的影响。然而,传统的方法仅在图像的初级特征空间上求解稀疏编码系数和学习嵌入空间,使得稀疏性与流形假设难以严格满足,直接导致了图像重构质量的下降。
技术实现思路
本专利技术的目的在于克服上述已有技术的缺点,提出一种基于深度度量学习的图像超分辨重构方法,改善特征提取的过程以及固定邻域大小的限制,提高重构图像的效率和质量。本专利技术是一种基于深度度量学习的图像超分辨重构方法,其特征在于,包括有如下步骤:步骤1:将训练样本中的低分辨率图像和高分辨图像分割成对应的图像块,选取每个高分辨率训练样本图像块的前K个近邻作为相似样本对,构建深度度量网络的输入数据X={(xi,xj,lij)};步骤2:将输入数据X={(xi,xj,lij)}按照神经网络训练的方法训练一个深度度量神经网络模型步骤3:将训练样本库中的每一个低分辨样本,经过深度度量网络,得到一个新的非线性特征库;步骤4:将输入的低分辨图像分割成图像块,并将每一个图像块 ...
【技术保护点】
一种基于深度度量学习的图像超分辨重构方法,其特征在于,包括有如下步骤:步骤1:将训练样本中的低分辨率图像和高分辨图像分割成对应的图像块,选取每个高分辨率训练图像块的前K个近邻作为相似样本对,构建深度度量网络的输入数据X={(xi,xj,lij)};步骤2:将输入数据X={(xi,xj,lij)}按照神经网络训练的方法训练一个深度度量神经网络模型;步骤3:将训练样本库中的每一个低分辨样本,经过深度度量网络,得到一个新的非线性特征;步骤4:将输入的低分辨图像分割成图像块,并将每一个图像块经过深度度量神经网络中得到一个新的特征;步骤5:对于每一个图像块的特征,用稀疏多流形嵌入的方法在低分辨率训练样例库中去寻找近邻,得到编码系数,将编码系数与对应高分辨率图像块相乘,得到高分辨率图像块集
【技术特征摘要】
1.一种基于深度度量学习的图像超分辨重构方法,其特征在于,包括有如下步骤:步骤1:将训练样本中的低分辨率图像和高分辨图像分割成对应的图像块,选取每个高分辨率训练图像块的前K个近邻作为相似样本对,构建深度度量网络的输入数据X={(xi,xj,lij)};步骤2:将输入数据X={(xi,xj,lij)}按照神经网络训练的方法训练一个深度度量神经网络模型;步骤3:将训练样本库中的每一个低分辨样本,经过深度度量网...
【专利技术属性】
技术研发人员:王敏,王勇,
申请(专利权)人:苏州闻捷传感技术有限公司,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。