期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于非局部稀疏编码的超分辨率图像复原
被引量：
7
1
作者
刘哲
杨静
陈路
《电子与信息学报》
EI
CSCD
北大核心
2015年第3期522-528,共7页
基于压缩感知的超分辨率图像复原方法通常采用局部稀疏编码策略,对每一图像块独立编码,易产生人工的分块效应。针对上述问题,该文提出一种基于非局部稀疏编码的超分辨率图像复原方法。该算法在字典训练和图像编码过程中分别运用图像的...
基于压缩感知的超分辨率图像复原方法通常采用局部稀疏编码策略,对每一图像块独立编码,易产生人工的分块效应。针对上述问题,该文提出一种基于非局部稀疏编码的超分辨率图像复原方法。该算法在字典训练和图像编码过程中分别运用图像的非局部自相似先验知识,即利用低分辨率图像的插值图像训练字典,并通过计算相似块局部编码的加权平均,得到每一图像块的非局部稀疏编码。仿真实验表明,所提算法能够获得更优的复原效果,并且对于含噪图像具有较强的鲁棒性。
展开更多
关键词
超分辨率图像复原
压缩感知
非
局部
自相似
非局部稀疏编码
单字典训练
在线阅读
下载PDF
职称材料
结合Fisher判别分析和稀疏编码的图像场景分类
被引量：
9
2
作者
张瑞杰
魏福山
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2015年第5期808-814,共7页
视觉词典法是当前广泛使用的一种图像表示方法,针对传统视觉词典法存在的表示误差大、空间信息丢失以及判别性弱等问题,提出一种基于Fisher判别稀疏编码的图像场景分类算法.首先利用近邻视觉词汇重构局部特征点,构建局部特征点的非负稀...
视觉词典法是当前广泛使用的一种图像表示方法,针对传统视觉词典法存在的表示误差大、空间信息丢失以及判别性弱等问题,提出一种基于Fisher判别稀疏编码的图像场景分类算法.首先利用近邻视觉词汇重构局部特征点,构建局部特征点的非负稀疏局部线性编码,从而有效地利用图像的空间信息;然后在非负稀疏局部线性编码的基础上引入Fisher判别约束准则,构建基于Fisher判别约束的非负稀疏局部线性编码模型,以获得图像的判别稀疏向量表示,增强图像稀疏表示的判别性;最后结合支持向量机(SVM)分类器实现场景分类.实验结果表明,该算法提高了图像稀疏表示的特征分类能力以及分类性能,更有利于场景分类任务.
展开更多
关键词
场景分类
图像表示
非
负
稀疏
局部
线性
编码
Fisher判别约束准则
在线阅读
下载PDF
职称材料
基于L0范数和稀疏编码的单幅图像超分辨率重建方法
被引量：
4
3
作者
张剑
刘萍萍
《电子测量与仪器学报》
CSCD
北大核心
2018年第11期194-201,共8页
基于稀疏编码的方法在单幅图像的超分辨率重建中获得了一定的成功,但是这类方法却存在着重建出错误的边缘和重建的图像块之间差异性的丢失等问题。为了解决这些问题,认为一幅高分辨率图像是由边缘成分和纹理成分两部分组成,提出了一种基...
基于稀疏编码的方法在单幅图像的超分辨率重建中获得了一定的成功,但是这类方法却存在着重建出错误的边缘和重建的图像块之间差异性的丢失等问题。为了解决这些问题,认为一幅高分辨率图像是由边缘成分和纹理成分两部分组成,提出了一种基于L0范数和非局部拉普拉斯稀疏编码的单幅图像超分辨率重建方法。首先,为了能够重建出正确的图像边缘,提出了一种基于L0范数的针对图像边缘的超分辨率重建方法;然后,在纹理成分的超分辨率重建阶段,提出了一种非局部的拉普拉斯稀疏编码(NLSC)来实现图像纹理成分的超分辨率重建;最后,试验结果表明,提出的方法能够有效解决现有方法中存在的问题,获得更高质量的高分辨率图像。
展开更多
关键词
超分辨率重建
边缘结构
纹理成分
L0范数
非
局部
拉普拉斯
稀疏
编码
在线阅读
下载PDF
职称材料
题名
基于非局部稀疏编码的超分辨率图像复原
被引量：
7
1
作者
刘哲
杨静
陈路
机构
西北工业大学理学院
出处
《电子与信息学报》
EI
CSCD
北大核心
2015年第3期522-528,共7页
基金
国家自然科学基金(61070138)资助课题
文摘
基于压缩感知的超分辨率图像复原方法通常采用局部稀疏编码策略,对每一图像块独立编码,易产生人工的分块效应。针对上述问题,该文提出一种基于非局部稀疏编码的超分辨率图像复原方法。该算法在字典训练和图像编码过程中分别运用图像的非局部自相似先验知识,即利用低分辨率图像的插值图像训练字典,并通过计算相似块局部编码的加权平均,得到每一图像块的非局部稀疏编码。仿真实验表明,所提算法能够获得更优的复原效果,并且对于含噪图像具有较强的鲁棒性。
关键词
超分辨率图像复原
压缩感知
非
局部
自相似
非局部稀疏编码
单字典训练
Keywords
Super-resolution image restoration
Compressive Sensing （CS）
Nonlocal self-similarity
Nonlocal sparse coding
Single dictionary training
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
结合Fisher判别分析和稀疏编码的图像场景分类
被引量：
9
2
作者
张瑞杰
魏福山
机构
解放军信息工程大学四院
数学工程与先进计算国家重点实验室
出处
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2015年第5期808-814,共7页
基金
国家自然科学基金(61309016)
文摘
视觉词典法是当前广泛使用的一种图像表示方法,针对传统视觉词典法存在的表示误差大、空间信息丢失以及判别性弱等问题,提出一种基于Fisher判别稀疏编码的图像场景分类算法.首先利用近邻视觉词汇重构局部特征点,构建局部特征点的非负稀疏局部线性编码,从而有效地利用图像的空间信息;然后在非负稀疏局部线性编码的基础上引入Fisher判别约束准则,构建基于Fisher判别约束的非负稀疏局部线性编码模型,以获得图像的判别稀疏向量表示,增强图像稀疏表示的判别性;最后结合支持向量机(SVM)分类器实现场景分类.实验结果表明,该算法提高了图像稀疏表示的特征分类能力以及分类性能,更有利于场景分类任务.
关键词
场景分类
图像表示
非
负
稀疏
局部
线性
编码
Fisher判别约束准则
Keywords
scene classification
image representation
non-negative sparse locally linear coding
fisher dis-criminative criterion constraint
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于L0范数和稀疏编码的单幅图像超分辨率重建方法
被引量：
4
3
作者
张剑
刘萍萍
机构
山西职业技术学院计算机工程系
西安工业大学计算机科学系
出处
《电子测量与仪器学报》
CSCD
北大核心
2018年第11期194-201,共8页
基金
新型网络与检测控制国家地方联合工程实验室基金(GSYSJ20170009)资助项目
文摘
基于稀疏编码的方法在单幅图像的超分辨率重建中获得了一定的成功,但是这类方法却存在着重建出错误的边缘和重建的图像块之间差异性的丢失等问题。为了解决这些问题,认为一幅高分辨率图像是由边缘成分和纹理成分两部分组成,提出了一种基于L0范数和非局部拉普拉斯稀疏编码的单幅图像超分辨率重建方法。首先,为了能够重建出正确的图像边缘,提出了一种基于L0范数的针对图像边缘的超分辨率重建方法;然后,在纹理成分的超分辨率重建阶段,提出了一种非局部的拉普拉斯稀疏编码(NLSC)来实现图像纹理成分的超分辨率重建;最后,试验结果表明,提出的方法能够有效解决现有方法中存在的问题,获得更高质量的高分辨率图像。
关键词
超分辨率重建
边缘结构
纹理成分
L0范数
非
局部
拉普拉斯
稀疏
编码
Keywords
super-resolution reconstruction
edge structure
texture component
L0 norm
non-local laplacian sparse coding(NLSC)
分类号
TN911.73 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于非局部稀疏编码的超分辨率图像复原
刘哲
杨静
陈路
《电子与信息学报》
EI
CSCD
北大核心
2015
7
在线阅读
下载PDF
职称材料
2
结合Fisher判别分析和稀疏编码的图像场景分类
张瑞杰
魏福山
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2015
9
在线阅读
下载PDF
职称材料
3
基于L0范数和稀疏编码的单幅图像超分辨率重建方法
张剑
刘萍萍
《电子测量与仪器学报》
CSCD
北大核心
2018
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
