稀疏字典编码的超分辨率重建
基于多成分字典和稀疏表示的超分辨率重建算法
Ｓ ｕ ｐ ｅ ｒ ・ ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｒ ｅ ｃ ｏ ｎ ｓ ｔ ｒ ｕｃ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂａ ｓ ｅ ｄ ｏ ｎ
ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｍａ ｇ ｅ ｓ ａ ｎ ｄ ｈ ｉ ｇ ｈ— ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｍａ ｇ ｅ ｓ ． Ｔｈ ｉ ｓ ｐａ ｐ ｅ ｒ ｃ ｏ ｎ ｃ ｌ ｕ ｄｅ ｓ ｔ ｈａ ｔ ｔ ｈｅ ｈｉ ｇ ｈ— ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｍａ ｇ ｅ ｓ ｃ ａ ｎ ｂ ｅ ｒ ｅ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｃ ｏ ｅ ｉｃ ｆ ｉ ｅ ｎ ｔ ｓ ｏ ｆ ｌ ｏ ｗ— ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｍａ ｇ ｅ ｓ ｉ ｎ ｔ ｈｅ ｃ ｏ ｒ ｒ ｅ ｓ ｐ ｏ ｎ ｄ ｉ ｎ ｇ ｄ ｉ ｃ ｔ ｉ ｏ ｎａ ｒ ｙ． Ｔｈ ｅ ｓ ｐ ａ ｒ ｓ ｅ ｃ ｏ ｅ ｉｃ ｆ ｉ ｅ ｎ ｔ ｓ ａ ｒ ｅ ｏ ｂ ｔ ａ ｉ ｎ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ ｍａ ｔ ｃ ｈ ｐ ｕｒ ｓ ｕ ｉ ｔ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｍｕ ｌ ｔ ｉ — ｃ ｏ ｍｐｏ ｎ ｅ ｎ ｔ ｄｉ ｃ ｔ ｉ ｏ ｎ ａ ｒ ｙ ｗｈ ｉ ｃ ｈ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｅ ｓ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｓ ｔ ｕｃ ｒ ｔ ｕｒ ａ ｌ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉｓ ｒ ｔ ｉ ｃ ｓ ｏ ｆ ｔ ｈ ｅ ｉ ｍａ ｇ ｅ ． Ｔｈ ｅ ｈ ｉ ｇ ｈ— ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｍａ ｇ ｅ ｓ
基于稀疏表示的超分辨率图像重建
基于稀疏表示的超分辨率图像重建沈丽;韩彦芳【摘要】A super-resolution reconstruction approach to single low-resolution image based on sparse representa-tion is presented.We solve the sparse linear combination of the dictionary through jointing input low-resolution image and generated high-resolution image patches, and then use the coefficients to adjust the output high-resolution image patches.The results of simulation experiments show that the proposed algorithm is effective to improve the quality of the reconstruction of high-resolution image.%针对单幅低分辨率图像的超分辨率重建，提出一种基于稀疏表示的改进算法。
通过联合输入低分辨率图像块和对应生成的高分辨率图像块，求解其在高低分辨率字典对上的稀疏表示系数，再将系数与高分辨率字典结合，修正输出的高分辨率图像块。
仿真实验表明，文中提出的算法有效提升了重建图像的质量。
【期刊名称】《电子科技》【年(卷),期】2015(000)009【总页数】4页(P144-147)【关键词】稀疏表示;超分辨率;图像重建;联合高低分辨图像块【作者】沈丽;韩彦芳【作者单位】上海理工大学光电信息与计算机工程学院，上海 200093;上海理工大学光电信息与计算机工程学院，上海 200093【正文语种】中文【中图分类】TP391.41超分辨率图像重建(Super-Resolution Reconstruction,SRR)是指通过融合多幅低分辨率(Low Resolution,LR)图像信息,重建出高分辨率(High Resolution,HR)图像的技术[1]。
如何使用稀疏编码进行图像重建
如何使用稀疏编码进行图像重建近年来，稀疏编码在图像处理领域中得到了广泛应用。
稀疏编码是一种通过对信号进行表示和压缩的方法，它可以将信号表示为少量的非零系数的线性组合。
在图像重建中，稀疏编码可以帮助我们从损坏或压缩后的图像中恢复出原始图像的细节和结构。
本文将探讨如何使用稀疏编码进行图像重建，并介绍一些常用的方法和技巧。
一、稀疏编码的基本原理稀疏编码的基本原理是利用信号的稀疏性，将信号表示为少量的非零系数的线性组合。
在图像处理中，我们可以将图像表示为一个向量，其中每个元素表示图像的一个像素值。
通过稀疏编码，我们可以将这个向量表示为一个稀疏的线性组合，其中只有少量的系数是非零的。
稀疏编码的关键在于选择一个合适的基函数集合，也称为字典。
字典中的每个基函数都是一种原子形式，可以用来表示信号的一部分。
通过将信号表示为字典中的基函数的线性组合，我们可以实现对信号的稀疏表示。
常用的字典包括小波字典、傅里叶字典等。
二、稀疏编码的图像重建方法1. 基于字典学习的方法字典学习是一种通过自适应地学习字典来实现稀疏编码的方法。
在图像重建中，我们可以通过学习一个适合于图像的字典，将图像表示为字典中基函数的线性组合。
字典学习的过程可以通过最小化重建误差来实现，常用的方法包括K-SVD算法和OMP算法。
2. 基于压缩感知的方法压缩感知是一种通过对信号进行稀疏表示和测量来实现信号重建的方法。
在图像重建中，我们可以通过对图像进行随机测量，得到图像的稀疏表示，并通过优化算法来恢复原始图像。
常用的优化算法包括L1范数最小化算法和迭代阈值算法。
三、稀疏编码的图像重建技巧1. 选择合适的字典选择合适的字典是稀疏编码的关键。
字典应该包含能够表示图像细节和结构的基函数，并具有一定的稀疏性。
常用的字典包括小波字典和傅里叶字典。
在实际应用中，我们可以根据图像的特点选择合适的字典。
2. 调整稀疏度参数稀疏度参数控制着稀疏编码的稀疏程度。
较高的稀疏度参数会产生较稀疏的表示，但可能会导致重建误差增加。
增强稀疏编码的超分辨率重建
增强稀疏编码的超分辨率重建李民;程建;乐翔;罗环敏;刘小芳【期刊名称】《光电工程》【年(卷),期】2011(038)001【摘要】本文提出一种基于稀疏字典编码的超分辫率方法.该方法有效地建立高、低分辫率图像高频块间的稀疏关联,并将这种关联作为先验知识来指导基于稀疏字典的超分辫率重建.较超完备字典,稀疏字典对先验知识的表达更紧凑、更高效.字典训练过程中,本文选用高频信息作为高分辫率图像的特征,更有效地建立高、低分辫率图像决间的稀疏关联,所需的训练样本更少.优化方法采用稀疏K-SVD算法以提高稀疏字典编码的计算效率.采用自然图像进行实验,与其它基于学习的超分辫率算法相比,重建图像的质圣更优.%A super-resolution method based on sparse dictionary is presented.The method efficiently builds sparse association between high-frequency components of HR image patches and LR image feature patches,and defines the association as a prior knowledge to guide super-resolution reconstruction based on sparse pared with overcomplete dictionary,sparse dictionary is more compact and effective to express the prior knowledge.We choose the high-frequency component of the HR image patch as its feature for dictionary training,which builds the sparse association between LR image patches and HR ones with better efficiency and less training examples.Sparse K-SVD algorithm is adopted as optimization method to improve the computation efficiency.Experimentswith natural images show that our method outperforms several other learning-based super-resolution algorithms.【总页数】7页(P127-133)【作者】李民;程建;乐翔;罗环敏;刘小芳【作者单位】电子科技大学地表空间信息技术研究所,成都,611731;桂林空军学院科研部,广西,桂林,541003;电子科技大学地表空间信息技术研究所,成都,611731;电子科技大学电子工程学院,成都,611731;电子科技大学电子工程学院,成都,611731;电子科技大学地表空间信息技术研究所,成都,611731;电子科技大学地表空间信息技术研究所,成都,611731【正文语种】中文【中图分类】TP391【相关文献】1.基于稀疏编码的鲁棒型人脸超分辨率重建 [J], 刘芳华;阮若林;倪浩;王建峰2.基于四通道卷积稀疏编码的图像超分辨率重建方法 [J], 陈晨;赵建伟;曹飞龙3.基于稀疏编码和各向异性滤波的超分辨率重建 [J], 伏伶丽; 任超; 何小海; 吴晓红4.基于稀疏编码和各向异性滤波的超分辨率重建 [J], 伏伶丽; 任超; 何小海; 吴晓红5.基于稀疏编码的红外图像超分辨率重建方法 [J], 刘贺;王长龙因版权原因，仅展示原文概要，查看原文内容请购买。
基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建
2018，54（16） 187
基于双稀疏度 K-SVD 字典学习的遥感影像超分辨率重建
康军梅 1，隋立春 1，2，李 丽 1，杨振胤 1，丁明涛 1，王 君 1
KANG Junmei1, SUI Lichun1，2, LI Li1, YANG Zhenyin1, DING Mingtao1, WANG Jun1
710054, China
KANG Junmei, SUI Lichun, LI Li, et al. Super-resolution reconstruction of remote sensing images based on doublesparse K-SVD dictionary learning. Computer Engineering and Applications, 2018, 54（16）：187-191.
1. 长安大学，西安 710054 2. 地理国情监测国家测绘地理信息局程中心，西安 710054 1.Chang’an University, Xi’an 710054, China 2.National Geographic Condition Monitoring National Mapping Geographic Information Bureau Engineering Center, Xi’an
1 引言
遥感技术作为获取地物信息的重要手段，在国民经 济、对地观测等领域起着重要的作用。遥感影像的空间 分辨率是衡量遥感影像质量的关键性指标，利用分辨率 高的影像可获得更为丰富和精致的地物细节，提高遥感 影像的应用潜力。然而在遥感领域，受成像环境、成像
基于稀疏表示的自适应图像超分辨率重建算法
壶ｈ ， ， 徐
斌 ， 周 尚波ｈ ＇ ， 郑
坚ｈ
（ １ ． 重庆大学 ａ ． 计算机 学院； ｂ ． 信息物理社会教育部重点实验 室， 重庆 ４ ０ ０ ０ ３ ０ ； ２ ． 重庆市涪陵区职业教育 中心
摘
要：针对图像 高分辨率重建过程中稀疏解的存在性和唯一性问题 以及超分辨率图像 的边缘特征和平滑噪 声的关系进行 了研究， 提 出了局部正则化参数 自适应选取的方法。结合联合 构造字典的算法， 在重建过程 中动 态调整正则化参数。通过对图像的超分辨率实验证明， 改进的算法具有较 高的可行性， 能有效平衡超分辨 率图
关键词 ：超 分辨 率 ；自适应 正则化 ； 联 合 字典
像的边缘特征和平滑噪声两者的关系， 与传统的超分辨率重建算法相比， 有更高的峰值信噪比。
中图分 类号 ：Ｔ Ｐ ３ ９ １ ； Ｔ Ｐ ３ ０ １ ． ６ 文献标 志码 ：Ａ 文 章编 号 ：１ ０ ０ １ － ３ ６ ９ ５ （ ２ ０ １ ３ ） ０ ３ － ０ ９ ３ ８ － ０ ４
ｒ ｅ ｇ ｕ ｌ ａ ｒ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ．Ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｓ ｕ ｐ ｅ ｒ － ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｍａ ｇ ｅ ｒ ｅ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｉ ｏ ｎ ｅ ｘ ｐ ｅ ｉ ｒ ｍｅ ｎ ｔ ，ｉ ｔ ｄ ｅ ｍｏ ｎ ｓ ｔ ｒ ａ ｔ ｅ ｓ ｔ ｈ ａ ｔ ｔ ｈ ｉ ｓ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｉ ｓ
Ｃ ｈ ｏ ｎ ｇ ｑ ｉ ｎ ｇ ４ ０ ８ １ ０ ０ ，Ｃ ｈ ｉ ｎ ａ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｃ ｏ ｎ ｄ ｕ ｃ ｔ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｎ ｔ ｈ ｅ ｅ ｘ ｉ ｓ ｔ ｅ ｎ ｃ ｅ ａ ｎ ｄ ｕ ｎ ｉ ｑ ｕ ｅ ｎ ｅ ｓ ｓ ｏ ｆ ｓ ｐ ａ ｒ ｓ ｅ ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｎ ｓ ｕ ｐ ｅ ｒ － ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｍａ ｇ ｅ ｒ ｅ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｔ ｈ ｅ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｓ ｈ ｉ ｐ ｏ ｆ ｅ ｄ ｇ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ａ ｎ ｄ ｓ ｍｏ ｏ ｔ ｈ ｉ ｎ ｇ ｎ ｏ ｉ ｓ ｅ ｏ ｆ ｓ ｕ ｐ ｅ ｒ — ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｍａ ｇ ｅ ．Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｈ ｅ ｓ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍｓ ，ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｐ ｒ ｏ —
基于稀疏编码和各向异性滤波的超分辨率重建
基于稀疏编码和各向异性滤波的超分辨率重建**基金项目：国家自然科学基金(61801316)伏伶丽，任超，何小海，吴晓红(四川大学电子信息学院，四川成都610065)摘要：针对基于非局部稀疏自相似性的超分辨率重建方法存在的图像边缘保持性能不佳的问题，提出了一种基于稀疏编码和各向异性滤波的超分辨率重建算法。
该算法利用卷积神经网络和各向异性引导滤波训练了一个各向异性特征模型，然后利用该特征模型构建一个局部的结构先验，以和非局部稀疏先验形成互补，从而提高算法的边缘保持能力％该算法训练后的模式使用通用测试集进行测试，测试结果表明算法SR性能较好，能很好地保持边缘细节，提供视觉效果更好的图像。
关键词：稀疏编码；各向异性引导滤波；超分辨重建；卷积神经网络中图分类号:TP391文献标识码：A DOI：10.19358/j.Nsn.2096-5133.2020.03.005引用格式:伏伶丽，任超，何小海，等基于稀疏编码和各向异性滤波的超分辨率重建[J].信息技术与网络安全,2020,39 (3)：23-28.Super-resolution reconstruction based on sparse coding and anisotropic filteringFu Lingli,Ren Chao,Ha Xiaohal,Wu Xiaohong(Colleae of Electronicc and Information Engineering,Sichuan University,Chengdu610065,China)Abstract:To solve the problem of poor edge-preserving peiormanco in the non—ocal sparse-based super-resolution reconstruction method,the algorithm based on sparse coding and anisotropic filtering is proposed.SpeciNcaHy,an anisotropic feature model is trained by the convelution neural network and anNotropic guided filtering,and then a local structure prior is constructed by using the feature model to comp emen e ehe non rocaFspa ose p ooo o，and ehusompooeeseheedgepoeseoeongabooeyoteheagoooehm.Theeoaoned modeFotehosagor rithm is tested with the general test data.The experimental result/demonstrate that the proposed algorithm effectively improves the edgepreserving peeormance,and obtains higher objective evvluation indiccs and images with better visual effect.Key words:sparse ccding；anisotropic guided filtering；super-resolution reconstruc/on；convolu/onat neural network0引言图像含有大量的、生动的、直观的信息，是人们感知外界信息的主要载体*然而，成像设备、成像环境和传输环境影响了数字图像的质量，使得我们得到的图像是低分辨(Low Resolution丄R)图像*为了满足人们对高质量图像的需求，图像超分辨率(Super Resolution，SR)重建技术%"&被众多研究学者提出*图像SR重建是一种利用一-幅或多幅LR 图像，重建出单幅高分辨率(High Resolution，HR)图像的技术,该技术能使因图像退化过程中模糊、噪声等造成的LR图像的分辨率得到显著的提高*通常，图像退化过程可以用式(1)表示：y=Mx+$(1)式中，y为LR图像；x为HR图像；M表示退化矩阵；$是标准差为#”的随机高斯噪声矩阵*目前，主流的SR重建方法分为：基于重建的SR 方法［1-&和基于学习的SR方法［46&*由于SR重建是一个病态问题，常常利用先验信息规范SR重建的解%1］*基于重建的SR方法根据图像退化模型，利用总变分(Total Variation，TV)先验⑴、非局部正则项［3］等重建出视觉效果良好的HR图像*基于学习的方法%46］可分为基于完备字典学习方法%4］、基于稀疏表示方法［5］、基于深度学习方法［76］。
基于双字典和稀疏表示的医学图像超分辨率重建
基于双字典和稀疏表示的医学图像超分辨率重建席志红;曾继琴;李爽【摘要】在医学影像图像处理过程中,由于成像技术和成像时间的限制,还无法获取满足诊断需求的清晰图像,这使得在现有技术和极短时间内所获取的医学病理图像需要进行超分辨率的重建处理;基于学习的图像超分辨率思想是从已建立的先验模型中重建出高频细节;在文章中,将要估计的高频信息认为是由主要高频和冗余高频两部分组成,提出了一种基于双字典学习和稀疏表示的医学图像超分辨率重建算法,由主要字典学习和冗余字典学习组成,分别渐近地恢复出主要高频细节和冗余高频细节;实验结果的数据分析和视觉效果显示,所提出双层递进方法能够恢复更多的图像细节且在性能指标上比现有的其他几种方法均有所提高.%Medical diagnosis needs a lot of medical image processing,due to the limitations of imaging technology and imaging time,the medical diagnosis is not able to get the clear image,which is necessary to reconstruct the medical image that have been acquired in the existing technology and considerably short time with super-resolution methods.Example-Based image super-resolution is to reconstruct the high -frequency (HF) details of the image from the prior model.HF will be estimated is considered as a combination of two components:main high-frequency (MHF) and residual high-frequency (RHF),this paper proposed a medical image super-resolution using dual-dictionary learning and sparse representation,which makes of the main dictionary and the residual dictionary learning recovering the MHF and RHF,respectively.Experimental results on test image show that by performing the proposed two-layer progressive method,more imagedetails can be recovered and much better results can be achieved than that of existing methods.【期刊名称】《计算机测量与控制》【年(卷),期】2017(025)003【总页数】4页(P197-200)【关键词】医学图像;超分辨率;稀疏表示;字典学习【作者】席志红;曾继琴;李爽【作者单位】哈尔滨工程大学信息与通信工程系,哈尔滨 150001;哈尔滨工程大学信息与通信工程系,哈尔滨 150001;哈尔滨工程大学信息与通信工程系,哈尔滨150001【正文语种】中文【中图分类】TP3高分辨图像对当今的科学研究和生活都有很大意义，例如: 遥感影像、医疗成像、视频监控等。
基于稀疏表示的单幅图像超分辨率重建
超分辨率重建(a)低分辨率图像(b) 高分辨率图像图1.1 超分辨率重建示意图由于超分辨率重建技术具备非常明显的优势，该技术在许多行业有着广阔的应用前景：(1) 军事应用领域[4]：在军事的高空观察，战场的实时监控等场景中，由于成像设备距离目标较远或者受环境等因素的制约，往往很难得到高清的战场画面，而这些战场信息在作战指挥中有非常重要的作用，因此通过软件的手段提高图像的分辨率在军事应用领域有着非常重大的意义。
(2) 遥感领域[5]：遥感图像在太空分析，卫星定位等领域有着非常重要的作用，由于成像设备的不足或者在大气等环境的干扰下，导致遥感图像的分辨率较低。
但遥感图像通常数量较多且镜头固定，各图像间信息可以互补，因此可以利用这些互补信息来重建出高清图像。
(3) 医学领域[6]：临床上通常通过大量的医学图像来获得病人的相关信息。
由于受到设备本身分辨率不高或者人体结构复杂性的影响，导致获得的图像分辨率较低而影响医生对病情的判断，因此可以引入超分辨率重建技术通过获得的低分辨率图像重建出高清图像，帮助医生做出更准确的判断，有利于病情的治疗。
(4) 公共安全领域：许多公共场所都安装了摄像头，由于摄像头位置比较高和摄像头精度比较低等原因，得到的图像分辨率通常较低。
如果一旦发生抢劫、盗窃等犯罪活动，警察很难根据画面看清犯罪嫌疑人的面部特征，因此可以引用超分辨率重建技术重建出高清的图像，帮助警察迅速破案。
(5) 图像压缩领域：在大数据时代，每天都产生海量的图片，传统的图像压缩算法正面临着挑战。
但是如果能采用超分辨重建技术，在存储或者传输图片前对图像进行下采样，减小图像的尺寸，待使用时再用超分辨率重建技术恢复图像，这样可以大大提高压缩效率。
综上所述，图像超分辨率重建不仅能在不改变硬件的条件下，提高图像的质量，而且不受环境等外界条件的制约和成本低等优点，在各个领域有着广泛的应用前景，因此，对图像超分辨率重建研究有着重大的意义。