非负结构稀疏表示的高光谱图像超分辨率

为了在充分利用高光谱信息的同时减少因数据冗余带来的分类精度降低, 提出一种块非负稀疏重构嵌入降 维算法. 首先, 将传统超完备字典转化成超完备块字典; 然后, 通过计算每个超完备块字典对应样本的最小重

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前,主要采用 L0.或 L1 范数作为稀疏度量。L0 稀疏性好,但求解困难;L1 求解方便,但稀疏性差。提出一种近似稀疏模.型,并将其

T.5.图像视频的超分辨率复原-卓力,王素玉,李晓光著-人民邮电出...

针对模型VDSR(very deep super resolution)收敛速度慢,训练前需要对原始图像进行预处理,以及网络中存在的冗余性等问题,提出了一种基于深度跳跃级联的单幅图像超分辨率重建(DC

多字典学习的图像超分辨率重建过程中常见的K均值聚类、高斯混合模型聚类等方法会导致图像的重建质量欠佳且不稳定,针对这一问题提出一种新的基于层次聚类的图像超分辨率重建算法;首先对样本图像块提取特征并进行层

近年来,基于深度神经网络的图像处理技术在研究界十分流行,而单幅图像超分辨率技术,即对单一的一幅低质量图像进行高分辨率还原的处理技术,在图像处理领域发展迅速并取得了良好的效果,但也同时面临一些严峻的挑战

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

学习笔记之——基于深度学习的图像超分辨率这篇博文的paper集合，都是从网上download下来的原文，虽然博文中也给出了链接，为方便读者阅读，将paper原文打包在此

序列图像的超分辨率重建指的是利用一系列已经获得的分辨率相对比较低的图像，通过现有的技术手段以及方法，恢复出较高分辨率图像的方法。每一幅低分辨率图像只能提供高分辨率图像的部分信息。超分辨率重建具有多方面

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。