通过SRCNN进行水下图像增强 一种水下图像增强方法和相应的图像超分辨率算法。 使用的算法: 图像增强技术。 超分辨率卷积神经网络 Retinex算法伽玛校正。 黑暗先验。 进一步阅读:使用SRCNN
由于非压缩视频序列具有明显的直观性视觉特征,并在实际应用中仍占据相当大的比重,针对在非压缩视频的处理中仍然存在对镜头变化的类型、镜头渐变和突变的位置分析不够准确的难点,提出了一种时域分辨率的非压缩域视
一篇关于图像处理的论文图像超分辨率重建是指由一序列低分辨率形变图像来估计一幅(或序列)较高分辨率的非形变图像,同时还能够消除加性噪声以及由有限检测器尺寸和光学元件产生的模糊。此类技术在遥感、医学图像
人工神经网络凭借其超强的学习能力,使得人工智能得到迅猛的发展,让人工神经网络再次成为研究热点。目前深度学习已经广泛应用于计算机视觉,语音处理,自然语言处理等各个领域,甚至在某些领域已经起到了主导作用。
基于人脸图像超分辨率重构算法的研究,利用马尔科夫网络提出了一种新的架构。
针对遥感影像超分辨率重建问题,提出了一种改进联合字典学习的超分辨率重建模型。利用最优方向字典更新算法进行耦合字典对的学习,将由低分辨率字典学习得到的稀疏系数传递至高分辨率字典学习空间,形成高、低分辨率
针对光场相机结构和像素传感器分辨率的限制导致光场图像空间分辨率和角度分辨率都较低的问题,提出一种融合全局与局部视角的光场超分辨率重建算法,同时提高光场图像的空间分辨率和角度分辨率。首先根据待重建新视角
针对经典的基于卷积神经网络的单幅图像超分辨率重建方法网络较浅、提取的特征少、重建图像模糊等问题,提出了一种改进的卷积神经网络的单幅图像超分辨率重建方法,设计了由密集残差网络和反卷积网络组成的新型深度卷
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。
针对传统基于范例学习超分辨率复原算法的样本块误匹配和结果不稳定等不足,提出一种基于基因表达式编程多标记学习的超分辨率复原算法,筛选出与目标图像相关性高的样本子库,在多标记框架下进行样本预分类。该算法根