对LLE图像超分辨率算法的几个改进
发布时间：2021-02-20 19:01
本文旨在对一种经典的图像超分辨率方法——LLE算法（局部线性嵌入算法）及其代码进行一些改进和优化。为提高对大量图像块的搜索速度,我们采用kd树算法整理样本集;鉴于像素点灰度值的非负性,我们采用非负最小二乘法而不是LLE原来的最小二乘法,确定低分辨率图像块与训练样本集中k最邻近图像块的回归系数;最后,考虑到样本集选取和变换会对实验结果造成影响,我们对训练样本图像的若干因素进行一系列组合,通过正交实验设计得出样本集的最佳选取标准。实验表明,改进后的LLE图像超分辨率算法相比传统的图像插值算法和原LLE算法,效果有较大的改进。
【文章来源】：软件. 2019,40(11)
【文章页数】：6 页
【部分图文】：
建树示意图Fig.1Processofconstructingtree
第40卷第11期软件《软件》杂志欢迎推荐投稿：cosoft@vip.163.com26维划分，图2为空间的分割面分割图。图2空间的分割面分割图Fig.2Partitiongraphofspace2.2搜索过程从根节点开始，循环下列操作：Step1当前点未被标记时执行以下循环：（1）求其与目标点欧式距离，标记该点，若距离小于第k个近邻点与目标点距离则更新k近邻点；（2）比较目标点与当前点划分子树维度数值大小，如果对应一边不存在子树则停止循环，否则将对应一边子树的根节点作为当前点。Step2如果当前点为根节点则结束循环，否则执行以下操作：（1）计算目标点与当前点父节点对应划分维度的数值间距离；（2）若该距离大于第k近邻距离数值，则考虑当前点父节点是否存在另一子节点；（3）若存在则令其为当前点，否则令当前点父节点为当前点。下面根据上述过程对前面7个点对搜索点进行最搜索（k近邻搜索过程类似）。2.2.1确定搜索路径（1）计算目标点到根节点A的距离并更新当前最小距离的点为A；图3为目标点距离更新示意图。图3目标点距离更新示意图Fig.3Updatingobjectpointdistance（2）当目标点比A所指分割维度数值小，移动当前点至A的左子节点B；如图4所示。（3）重复（1）（2）直至当前点为叶子节点，即当前点移至E，因此当前搜索路径为A→B→E。图5为叶子节点和搜索路径的确定示意图。2.2.2回溯至根节点（1）由于目标点到当前点E的父节点B分割面的距离大于最小距离，故无需搜索B的另一子节点D所在区域，故令当前点父节点B为当前点；图6为搜索区域和父节点的确定示意图。图4子节点的确定示意图Fig.4Determiningchildnodes图5叶子节点和搜索路径的确定示意图Fig.5Determiningle
第40卷第11期软件《软件》杂志欢迎推荐投稿：cosoft@vip.163.com26维划分，图2为空间的分割面分割图。图2空间的分割面分割图Fig.2Partitiongraphofspace2.2搜索过程从根节点开始，循环下列操作：Step1当前点未被标记时执行以下循环：（1）求其与目标点欧式距离，标记该点，若距离小于第k个近邻点与目标点距离则更新k近邻点；（2）比较目标点与当前点划分子树维度数值大小，如果对应一边不存在子树则停止循环，否则将对应一边子树的根节点作为当前点。Step2如果当前点为根节点则结束循环，否则执行以下操作：（1）计算目标点与当前点父节点对应划分维度的数值间距离；（2）若该距离大于第k近邻距离数值，则考虑当前点父节点是否存在另一子节点；（3）若存在则令其为当前点，否则令当前点父节点为当前点。下面根据上述过程对前面7个点对搜索点进行最搜索（k近邻搜索过程类似）。2.2.1确定搜索路径（1）计算目标点到根节点A的距离并更新当前最小距离的点为A；图3为目标点距离更新示意图。图3目标点距离更新示意图Fig.3Updatingobjectpointdistance（2）当目标点比A所指分割维度数值小，移动当前点至A的左子节点B；如图4所示。（3）重复（1）（2）直至当前点为叶子节点，即当前点移至E，因此当前搜索路径为A→B→E。图5为叶子节点和搜索路径的确定示意图。2.2.2回溯至根节点（1）由于目标点到当前点E的父节点B分割面的距离大于最小距离，故无需搜索B的另一子节点D所在区域，故令当前点父节点B为当前点；图6为搜索区域和父节点的确定示意图。图4子节点的确定示意图Fig.4Determiningchildnodes图5叶子节点和搜索路径的确定示意图Fig.5Determiningle
【参考文献】：
期刊论文
[1]基于正交实验和多项式回归分析方法的非典型接触状态车人碰撞事故参数分析[J]. 张东明,张晓云,杨小波,侯心一. 上海交通大学学报. 2019(01)
[2]Dense SIFT与改进最小二乘匹配结合的倾斜航空影像匹配方法[J]. 杨幸彬,吕京国,张丹璐,成喆. 测绘通报. 2018(10)
[3]基于K-D树和机器学习的时空数据检索-预测系统[J]. 张蓬郁,王煜,江旻宇,邵嘉琳,张洪滨. 软件. 2018(08)
[4]低分辨率图像的细节还原[J]. 尹宗天,谢超逸,刘苏宜,刘新如. 软件. 2018(05)
[5]基于全采样和L1范数降采样的卷积神经网络图像分类方法[J]. 宋婷婷,徐世许. 软件. 2018(02)
[6]基于稀疏非负最小二乘编码的高光谱遥感数据分类方法[J]. 齐永锋,杨乐,火元莲. 农业机械学报. 2016(07)
[7]基于复Contourlet和各向异性扩散的图像降噪算法[J]. 谢佩军. 软件. 2016(04)
[8]基于ICA的遥感图像去噪融合研究[J]. 刘鑫淼,康朝红,薛乐乐. 软件. 2015(07)
[9]图像去噪方法研究与仿真[J]. 曹妍,陈伟,徐森. 软件. 2015(04)
本文编号：3043207
【文章来源】：软件. 2019,40(11)
【文章页数】：6 页
【部分图文】：
建树示意图Fig.1Processofconstructingtree
第40卷第11期软件《软件》杂志欢迎推荐投稿：cosoft@vip.163.com26维划分，图2为空间的分割面分割图。图2空间的分割面分割图Fig.2Partitiongraphofspace2.2搜索过程从根节点开始，循环下列操作：Step1当前点未被标记时执行以下循环：（1）求其与目标点欧式距离，标记该点，若距离小于第k个近邻点与目标点距离则更新k近邻点；（2）比较目标点与当前点划分子树维度数值大小，如果对应一边不存在子树则停止循环，否则将对应一边子树的根节点作为当前点。Step2如果当前点为根节点则结束循环，否则执行以下操作：（1）计算目标点与当前点父节点对应划分维度的数值间距离；（2）若该距离大于第k近邻距离数值，则考虑当前点父节点是否存在另一子节点；（3）若存在则令其为当前点，否则令当前点父节点为当前点。下面根据上述过程对前面7个点对搜索点进行最搜索（k近邻搜索过程类似）。2.2.1确定搜索路径（1）计算目标点到根节点A的距离并更新当前最小距离的点为A；图3为目标点距离更新示意图。图3目标点距离更新示意图Fig.3Updatingobjectpointdistance（2）当目标点比A所指分割维度数值小，移动当前点至A的左子节点B；如图4所示。（3）重复（1）（2）直至当前点为叶子节点，即当前点移至E，因此当前搜索路径为A→B→E。图5为叶子节点和搜索路径的确定示意图。2.2.2回溯至根节点（1）由于目标点到当前点E的父节点B分割面的距离大于最小距离，故无需搜索B的另一子节点D所在区域，故令当前点父节点B为当前点；图6为搜索区域和父节点的确定示意图。图4子节点的确定示意图Fig.4Determiningchildnodes图5叶子节点和搜索路径的确定示意图Fig.5Determiningle
第40卷第11期软件《软件》杂志欢迎推荐投稿：cosoft@vip.163.com26维划分，图2为空间的分割面分割图。图2空间的分割面分割图Fig.2Partitiongraphofspace2.2搜索过程从根节点开始，循环下列操作：Step1当前点未被标记时执行以下循环：（1）求其与目标点欧式距离，标记该点，若距离小于第k个近邻点与目标点距离则更新k近邻点；（2）比较目标点与当前点划分子树维度数值大小，如果对应一边不存在子树则停止循环，否则将对应一边子树的根节点作为当前点。Step2如果当前点为根节点则结束循环，否则执行以下操作：（1）计算目标点与当前点父节点对应划分维度的数值间距离；（2）若该距离大于第k近邻距离数值，则考虑当前点父节点是否存在另一子节点；（3）若存在则令其为当前点，否则令当前点父节点为当前点。下面根据上述过程对前面7个点对搜索点进行最搜索（k近邻搜索过程类似）。2.2.1确定搜索路径（1）计算目标点到根节点A的距离并更新当前最小距离的点为A；图3为目标点距离更新示意图。图3目标点距离更新示意图Fig.3Updatingobjectpointdistance（2）当目标点比A所指分割维度数值小，移动当前点至A的左子节点B；如图4所示。（3）重复（1）（2）直至当前点为叶子节点，即当前点移至E，因此当前搜索路径为A→B→E。图5为叶子节点和搜索路径的确定示意图。2.2.2回溯至根节点（1）由于目标点到当前点E的父节点B分割面的距离大于最小距离，故无需搜索B的另一子节点D所在区域，故令当前点父节点B为当前点；图6为搜索区域和父节点的确定示意图。图4子节点的确定示意图Fig.4Determiningchildnodes图5叶子节点和搜索路径的确定示意图Fig.5Determiningle
【参考文献】：
期刊论文
[1]基于正交实验和多项式回归分析方法的非典型接触状态车人碰撞事故参数分析[J]. 张东明,张晓云,杨小波,侯心一. 上海交通大学学报. 2019(01)
[2]Dense SIFT与改进最小二乘匹配结合的倾斜航空影像匹配方法[J]. 杨幸彬,吕京国,张丹璐,成喆. 测绘通报. 2018(10)
[3]基于K-D树和机器学习的时空数据检索-预测系统[J]. 张蓬郁,王煜,江旻宇,邵嘉琳,张洪滨. 软件. 2018(08)
[4]低分辨率图像的细节还原[J]. 尹宗天,谢超逸,刘苏宜,刘新如. 软件. 2018(05)
[5]基于全采样和L1范数降采样的卷积神经网络图像分类方法[J]. 宋婷婷,徐世许. 软件. 2018(02)
[6]基于稀疏非负最小二乘编码的高光谱遥感数据分类方法[J]. 齐永锋,杨乐,火元莲. 农业机械学报. 2016(07)
[7]基于复Contourlet和各向异性扩散的图像降噪算法[J]. 谢佩军. 软件. 2016(04)
[8]基于ICA的遥感图像去噪融合研究[J]. 刘鑫淼,康朝红,薛乐乐. 软件. 2015(07)
[9]图像去噪方法研究与仿真[J]. 曹妍,陈伟,徐森. 软件. 2015(04)
本文编号：3043207
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3043207.html
