JPEG压缩图像超分辨率重建算法
压缩图像超分辨率重建算法学习
超分辨率重建是由一幅或多幅的低分辨率图像重构高分辨率图像,如由4幅1m分辨率的遥感图像重构分辨率0.25m分辨率图像。在军用/民用上都有非常大应用。
眼下的超分辨率重建方法主要分为3类:基于插值、基于学习、基于重建的方法。现在已经研究得比較多。可是大多数算法都是对普通图像进行研究,针对压缩图像/视频超分辨率重建的研究比較少。近期查阅部分文献。进行了学习。在此做些总结。
相关的文献:
1、Super-resolution from compressed video
2、Bayesian Resolution Enhancement of Compressed Video
3、RobustWeb Image/Video Super-Resolution
4、Self-Learning-Based Single Image Super-Resolution
of a Highly Compressed Image
算法原理:
文献1/2:文献1/2是同一人写的,该作者就该问题发表了多篇文章,方法基本类似。其思路与常规的基于重建的超分辨率方法类似,都是建立观測模型。依据数据保真项和正则化项建立重建代价函数。不同的是,数据保真项有些变化,由于要考虑压缩图像特有的量化噪声及取整噪声等,而不是通常如果的高斯噪声。此外正则化项也有所不同。须要考虑JPEG图像的块效应等,因此除了常规的约束,要对块边界的高频进行限制。详细内容參看文献。
文献3:这篇文献相对要新点,是2010年的。文章的思路非常好理解,先对JPEG压缩图像去块效应,然后超分辨率。在去块效应阶段,作者使用的是自适应PDE正则化方法,同一时候提出一种自适应确定正则化强度的方法。而在重建阶段。则是採用的基于例子的方法,这种方法相对照较成熟。
事实上这样的两步处理方式并不合理,是不提倡这样处理的,而应该将其放到一起考虑,如文献1/2那样。
文献4:这篇文献採用了稀疏字典的相关方法。对于待重建的图像。首先进行下採样。并将原始图像和下採样图像都用BM3D处理提取低频,相减后得到原始图像和下採用图像的高频(作者觉得块效应仅仅存在于高频分量之中,分别获取原始图像和下採样图像的高频是为了训练字典,而且是自训练字典)。
检測出高频之后。作者提出将高频分为有块效应块/无块效应块。分别建立字典D1/D2。而对于有块效应字典D1。作者将其原子聚类,觉得1部分原子是对块效应做贡献的,还有一部分原子则不含块效应,那么对于输入的块,我就仅仅採用不含块效应的原子重建,达到去块效应的目的。
事实上这样的去块效应的方法。作者写了还有一篇文章,EFFICIENT IMAGE/VIDEO DEBLOCKING VIA SPARSE REPRESENTATION,大家能够看一看。看了之后就更好理解这篇关于压缩图像超分辨率的文章,无非就是字典构建的问题。
临时就这么多,写得不好,各位看官将就看,有问题能够再讨论哦!
!!!
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
研究方向:图像压缩、超分辨率、图像去噪、图像复原等图像质量提升技术
最新文章
- Add and Search Word
- Spring AOP 开发中遇到问题:Caused by: java.lang.IllegalArgumentException: warning no match for this type name: com.xxx.collector.service.impl.XxxServiceImpl [Xlint:invalidAbsoluteTypeName]
- Bugtags 介绍视频 - App 测试 · 从未如此简单
- js实现倒计时及时间对象
- Firefox SVG getBBox方法返回'NS_ERROR_FAILURE'错误分析
- Bootstrap3.0学习第十二轮(导航、标签、面包屑导航)
- [转]java基础学习总结——equals方法
- Java设计模式-原型模式(Prototype)
- 类库探源——System.Exception
- vc笔记六
- Hadoop权威指南:HDFS-数据流
- web项目,ftl文件中的路径引入问题
- 一个毕生难忘的BUG
- JS+CSS实现弹出全屏灰黑色透明遮罩效果的方法
- 前端-JavaScript2-5——JavaScript之运算符进阶
- java web----TCP/DUP 通信
- Casper带有4个内建记录级别
- Python/Shell 正则表达式与运用
- SSH 整合 (Maven)
- 清理IIS Express上的网站