基于学习超分辨率重建中的样本选择方法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (14): 180-184.

• 图形、图像、模式识别 • 上一篇下一篇

基于学习超分辨率重建中的样本选择方法

江静1，2，张雪松3

1.华北科技学院机电工程系，北京 101601
2.中国矿业大学（北京）煤炭资源与安全开采国家重点实验室，北京 100083
3.中国电子科技集团第53研究所光电信息控制和安全技术重点实验室，河北三河 065201

出版日期:2012-05-11 发布日期:2012-05-14

Sample selection method for learning-based image super-resolution

JIANG Jing1，2, ZHANG Xuesong3

1.Department of Mechanical-Electrical Engineering, North China Institute of Science and Technology, Beijing 101601, China
2.State Key Lab of Coal Resources and Safe Mining, China University of Mining and Technology（Beijing）, Beijing 100083, China
3.Electro-optical Information Security Control Laboratory, the 53rd Instute, CETC, Sanhe, Hebei 065201, China

Online:2012-05-11 Published:2012-05-14

摘要/Abstract

摘要： 提出一种人脸图像超分辨率重建（Super-Resolution Reconstruction，SRR）的自适应学习样本选择方法。利用局部保持投影（Locality Preserving Projections，LPP）算法的局部保持能力，在人脸图像局部流形上分析其非线性结构特征，并给出了LPP变换向量的数值解法。在LPP的特征空间中动态搜索学习样本，即选择出与输入图像块最为相似的像素块集合。利用选择出的样本通过基于像素块的特征变换法完成超分辨率重建。实验表明，自适应样本选择方法可以快速、有效地选择出少量学习样本，具有良好的图像高频信息复原能力。

关键词: 样本选择, 超分辨率, 人脸图像, 局部保持投影

Abstract: This paper presents an adaptive learning sample selection method for face hallucination. The nonlinear structural features of face images are explored on facial local manifolds using Locality Preserving Projections（LPP） algorithm, and the efficient computation method of the transform vectors of LPP is presented. Learning samples are dynamically picked out in the eigen-space of LPP, i.e., the patch set most similar to the input image patch. The selected samples are used for super-resolution reconstruction by the patch-based eigen-transformation method. Experimental results fully demonstrate that the proposed adaptive sample selection method can fast and efficiently select out a small amount of learning samples, with good reconstruction performance in terms of high-frequency information restoration.

Key words: sample selection, super-resolution, face image, locality preserving projections

江静1，2，张雪松3. 基于学习超分辨率重建中的样本选择方法[J]. 计算机工程与应用, 2012, 48(14): 180-184.

JIANG Jing1，2, ZHANG Xuesong3. Sample selection method for learning-based image super-resolution[J]. Computer Engineering and Applications, 2012, 48(14): 180-184.

[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]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	魏玮，张芯月，朱叶. 改进的SIFT结合余弦相似度的人脸匹配算法[J]. 计算机工程与应用, 2020, 56(6): 207-212.
[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.

基于学习超分辨率重建中的样本选择方法

Sample selection method for learning-based image super-resolution

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