基于低层次计算机视觉的超分辨率图像重建

doi:10.3778/j.issn.1002-8331.2009.29.049

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (29): 164-167.DOI: 10.3778/j.issn.1002-8331.2009.29.049

• 图形、图像、模式识别 • 上一篇下一篇

基于低层次计算机视觉的超分辨率图像重建

郭海霞¹，刘海欧²，郭海龙³，解凯⁴

1.哈尔滨金融高等专科学校，哈尔滨 150030
2.哈尔滨商业大学德强商务学院，哈尔滨 150028
3.哈尔滨学院，哈尔滨 150086
4.北京印刷学院信息与机电学院，北京 102600

收稿日期:2008-04-07 修回日期:2008-07-14 出版日期:2009-10-11 发布日期:2009-10-11
通讯作者: 郭海霞

Low-level vision based super-resolution image reconstruction

GUO Hai-xia¹，LIU Hai-ou²，GUO Hai-long³，XIE Kai⁴

1.Harbin Finance College，Harbin 150030，China
2.Deqiang Business College，Harbin University of Commerce，Harbin 150028，China
3.Harbin University，Harbin 150086，China
4.College of Information & Mechanical Engineering，Beijing Institute of Graphic Communication，Beijing 102600，China

Received:2008-04-07 Revised:2008-07-14 Online:2009-10-11 Published:2009-10-11
Contact: GUO Hai-xia

摘要/Abstract

摘要： 在基于低层次计算机视觉的超分辨率图像重建过程中，角点检测和插值是两个关键的技术。首先在SUSAN角点检测算法的基础上提出了改进算法，改进后的算法根据图块对比度的不同，在确定位于不同图块中的像素的USAN面积时采用了可变灰度阈值，可变灰度阈值的采用，使得检测出的角点分布更加均匀，而角点分布均匀则使得图像配准更加精确，有利于后期的重建工作。其次，提出了一种适合于超分辨率图像重建的插值算法：基于圆区域的自适应插值算法。该算法可以根据待插值点周围的灰度特征自适应决定插值策略，将线性插值、最邻近插值和中值插值法有机地结合在一起。大量的仿真实验证明了提出算法具有运算量小、图像重建后的效果出重，易于实现。

关键词: 角点检测, 超分辨率, 图像重建, SUSAN角点检测算法, 自适应插值

Abstract: In the process of super-resolution image reconstruction，corner detection and interpolation are two key technologies.In this paper，two approaches are proposed respectively.Firstly，an improved corner detection approach based on SUSAN principle for feature detection is proposed.It has variable thresholds for the allowed variation in brightness within the USAN.It makes corner well-distributed.Secondly，a new adaptive interpolation approach based on circular-area is proposed.The approach can adaptively select the interpolation method based on gray feature around the interpolated point.In this method，linear interpolation，nearest-neighbor interpolation and median interpolation are merged.Experiments confirm that these algorithms are superior to others.

Key words: corner detection, super-resolution, image reconstruction, SUSAN, adaptive interpolation

中图分类号:

TP391.41

郭海霞¹，刘海欧²，郭海龙³，解凯⁴. 基于低层次计算机视觉的超分辨率图像重建[J]. 计算机工程与应用, 2009, 45(29): 164-167.

GUO Hai-xia¹，LIU Hai-ou²，GUO Hai-long³，XIE Kai⁴. Low-level vision based super-resolution image reconstruction[J]. Computer Engineering and Applications, 2009, 45(29): 164-167.

[1]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[2]	沈瑜，刘成，杨倩. 利用子空间稀疏特征的超分辨率图像重建算法[J]. 计算机工程与应用, 2021, 57(5): 173-182.
[3]	夏皓，吕宏峰，罗军，蔡念. 图像超分辨率深度学习研究及应用进展[J]. 计算机工程与应用, 2021, 57(24): 51-60.
[4]	刘璟，宋海川，黄建设，马利庄. 通道与空间注意力图像超分辨率网络[J]. 计算机工程与应用, 2021, 57(2): 209-216.
[5]	丁玉祥，卞维新，接标，赵俊. 融合邻域回归和稀疏表示的图像超分辨率重构[J]. 计算机工程与应用, 2021, 57(2): 230-236.
[6]	景庆阳，李波. 结合改进角点检测的优化核相关滤波方法[J]. 计算机工程与应用, 2021, 57(18): 194-203.
[7]	黄健，赵元元，郭苹，王静. 深度学习的单幅图像超分辨率重建方法综述[J]. 计算机工程与应用, 2021, 57(18): 13-23.
[8]	孙菁阳，陈凤东，韩越越，吴煜雯，甘雨，刘国栋. 图像超分辨率重建算法综述[J]. 计算机工程与应用, 2021, 57(17): 1-9.
[9]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.
[10]	谌贵辉，陈伍，李忠兵，易欣，刘会康，韩春阳. 残差卷积注意网络的图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(12): 193-200.
[11]	蒋文杰，罗晓曙，戴沁璇. 基于对抗网络人脸超分辨率重建算法研究[J]. 计算机工程与应用, 2021, 57(11): 219-223.
[12]	陈晨，刘明明，刘兵，周勇. 基于残差网络的图像超分辨率重建算法[J]. 计算机工程与应用, 2020, 56(8): 185-191.
[13]	李诚，张羽，黄初华. 改进的生成对抗网络图像超分辨率重建[J]. 计算机工程与应用, 2020, 56(4): 191-196.
[14]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[15]	张贺舒，李涛，宋公飞. 单帧图像的耦合生成式对抗超分辨率重建[J]. 计算机工程与应用, 2020, 56(24): 194-200.

基于低层次计算机视觉的超分辨率图像重建

Low-level vision based super-resolution image reconstruction

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics