多分辨表示（精选4篇）
多分辨表示 篇1
1、引言
地理信息系统、计算机辅助设计、科学计算可视化等许多领域需要曲线的多分辨率表示, 比如地理信息数据中的道路、河流、海岸线, 以及各种勘探测量数据的等值线可视化输出等。多分辨率格式的数据可节省带宽, 减少传输时间, 实现图形数据快速分类、快速显示和设计。
小波方法由于其优越的逼近性质和压缩能力, 加上其自然的多分辨率结构成为一种很好的多分辨率表示工具[1,2]。基本想法是构造一个某函数空间的嵌套的基函数族, 使用内部层次结构有效地表示这个空间中的函数。连续函数和离散信号都可以在小波框架中被分解成多分辨率格式。对于离散情形, 信号被重复地通过低通滤波器和高通滤波器以获取粗糙分辨率数据 (从低通滤波器) 和称为小波系数的细节信息 (从高通滤波器) 。通过选择合适的小波基函数可以使得小波系数具有非常小的幅度, 从而以不同分辨率压缩数据。
传统的小波方法 (第一代小波) 通过在一个均匀网格上平移和伸缩单个函数来生成, 因而对于处理数字图像等规则采样数据效果很好, 事实上小波方法正是新的JPEG 2000图像编码标准的基础[3]。但是第一代小波对于GIS数据等非规则网格采样场合有许多局限性, 因此需要发展新的方法。本文描述了一种基于第二代小波理论的曲线多分辨率表示方法。
2、提升模式与二代小波方法
经典小波 (第一代小波) 变换依赖于傅立叶变换, 信号S通过与一对QMF进行卷积并下采样被分为粗糙分辨率数据C和细节信息D
其中高通滤波器G与低通滤波器H的冲激响应系数应满足如下关系
对变换得到的粗糙分辨率数据C按因子2下采样重复运算 (1) 和 (2) 即可依次得到由精到粗的多分辨率信号。每一级分辨率信号的样本点数为上一精度分辨率信号的一半, 因此所有分辨率信号加上各级细节信息的总样本数与原信号样本数一致。从变换过程可以看出, 初始样本总数要求扩展到2的整数次幂。
Sweldens提出通过提升模式构造第二代小波, 即从一个简单平凡的多分辨率分析出发, 通过某种更新使其得到提升, 建立一个新的更优秀的多分辨率分析[4,5]。提升模式与经典构造的主要区别是它不依赖于傅立叶变换, 其基本思想是使用估计技术和优化准则来构造小波和原始数据的逼近。所有经典小波变换都可以用提升模式实现。
首先按照一定的规则将信号S (最精细分辨率级) 的样本分为互不相交的两个序列S1和S2。最简单的方法是按其顺序分为奇偶两个序列。这实际上对应于经典构造中的下采样。然后通过两个步骤使其得到提升。显而易见两个子序列S1和S2是高度相关的, 因此在提升的第一步通过一个预测算子P用S1的样本来预测S2中每个样本点, 然后在S2中减去其预测值以减少相关。这个差值就是该分辨率的细节信息D, 这一步称为对偶提升。即
下一步就是通过一个更新算子U来构造新的对偶尺度函数以遵守原精细化关系, 从而保持低通尺度系数中的均值和高阶矩, 称为基本提升, 新的尺度系数通常由原尺度系数加上细节系数的一个线性组合得到。即
对得到的低通信号C重复上述过程, 即可得到信号S的多分辨率层次表示。
逆变换与上述过程相反, 即首先更新、其次预测、然后合并, 只要将其中的加减运算对调即可。
上述过程并不局限于等距数据, 预测可以很方便地扩展到非等距情形和多维不规则情形, 分裂算子也可以从奇偶分裂扩展到任意情形, 因而这样的小波不受应用于第一代小波的严格的平移和伸缩定律约束, 可将小波和尺度函数的构造推广到区间、有界域、曲线、曲面、加权、不规则采样点等情况, 比第一代小波具有更广泛的应用范围, 比如GIS数据的三角化网格。
3、曲线多分辨率表示
曲线的表示包括非参数表示 (又分为显式表示和隐式表示) 和参数表示。由于所有的非参数表示 (无论显式还是隐式) 与坐标轴相关, 同时非平面曲线难以用常系数的非参数化函数表示, 不便于计算和编程, 因而在曲线的构造、设计和绘制等实际工作中多采用参数表示。在曲线的规格化参数表示中, 曲线上每一点的坐标均表示为关于参数变量在[0, 1]范围内的函数表示。曲线通常由给定的一系列型值点或控制点决定。不同类型的参数曲线的调和函数通过给定的型值点或控制点产生整个参数范围内其余各点的坐标, 从而便于我们通过修改型值点或控制点的位置、切矢量等边界条件来改变曲线的形状。
假定曲线Cn的m个控制点序列为{c1n, c2n, …, cmn}, 该类曲线相应的调和函数为!F1, F2, …, Fm", 则曲线可表示为
制点序列元素为m', m'<m。实际上这可以看作是控制点序列构成的离散信号Cn到Cn-1的一个变换。对每次得到的低分辨率版本重复上述变换过程, 就可得到曲线的多分辨率表示结构。
为实现变换, 我们首先按照某种规则将Cn的控制点序列分裂为两个子序列Ccn和Cdn, 它们的元素个数分别为m'和m-m'。在对偶提升步构造一个插值多项式P, 用子序列Ccn中控制点预测子序列Cdn中各控制点的值, 然后从子序列Cdn中减去其预测值得到细节信息。在基本提升步更新子序列Ccn使得到的低分辨率版本保持均值和高阶矩, 从而保持曲线的轮廓走向。
从变换过程可以看出每一低分辨率版本加上细节系数, 其样本点总数不变, 因而可直接保存在原序列中。在信号传输过程中, 可根据需要, 从最低分辨率级开始逐级传输至所需分辨率级, 在接收端通过逆变换恢复, 从而节省带宽和传输时间。
图1给出了一个曲线多分辨率表示的实验结果的对比。该曲线采用随机分形曲线[6]生成模拟海岸线的型值点, 然后绘制出通过这些点的样条曲线。随着分析过程的不断重复, 曲线细节分辨率也随之不断增加。左边三幅图自上而下分别为给定的模拟海岸线轮廓和由此生成的分形曲线的中分辨率和高分辨率版本。右边三幅图自下而上则是模拟海岸线分形曲线经过二代小波变换获得的高、中、低三个不同分辨率级的曲线版本。
在该实例中, 我们在每一级变换中, 首先用最简单的Lazy小波变换将曲线的型值点按其顺序分为奇偶两个子序列。然后采用简单的线性预测进行对偶提升。为使小波具有一阶消失矩, 按如下公式进行基本提升:
4、结语
第二代小波不仅保留了一代小波的好的基本性质, 而且可以方便地推广到非等距采样和不规则采样等场合, 因而适用范围更广。基于二代小波的曲线多分辨率表示对于GIS数据存储和传输等具有很好的应用价值。
参考文献
[1]S.Mallat.A theory for multiresolution signal decomposition:Thewavelet representation.IEEE Transactions on Pattern Analysis andMachine Intelligence, 11 (7) :674–693, July 1989.
[2]S.G.Mallat, Multifrequency channel decompositions of imagesand wavelet models, IEEE Trans.Acoust.Speech signal process., 37 (12) , 2091-2110, 1989
[3]ISO/IEC15444-1and ITU-T Recommendation T.800, Infor-mation technology JPEG 2000 image coding system, 2002.
[4]W.Sweldens, The Lifting schema:a construction of second gen-eration wavelets, Technical Report 1995:6, Industrial MathematicsInitiative, Department of Mathematics, University of South Caroli-na, 1995
[5]W.Sweldens and P.Schroder, Building your own wavelets athome, Technical Report 1995:5, Industrial Mathematics Initiative, Department of Mathematics, University of South Carolina, 1995
[6]孙家广等, 计算机图形学 (第三版) , 北京:清华大学出版社, 465, 1998
多分辨表示 篇2
本文描述的是，引导画面该如何才能较好的适配各种分辨率，了解此处有助于更好的定义引导画面，以及保持同设计师、工程师的良好沟通。
作为产品人员，需要向不同方向延伸了解一些知识，这些知识能让沟通更顺畅。
这些所了解的知识，可能会有一些错误，当发现问题时，随时更新自己的知识体系。
一、本文提到的引导画面的形式
类似下图，一个引导画面是一屏，左右拖动来切换
图1： 有道云笔记Android 1.2.0引导画面
图2：有道云笔记Android 2.0.0引导画面
二、实现方式之一：底色配合图片缩放
需要知道的是，同一DPI的设备也有不同的分辨率，比如Hdpi最常见的就有480×800和480×854的分辨率，还有其他的，比如480×640、600×1024….
因此，想对不同dpi做一种分辨率的方法，会存在问题。
我尝试用图来说明一下一张图片，如果不做处理在不同机器和不同分辨率上的显示样式：
以Galaxy Nexus为例，屏幕分辨率为720×1280，状态栏为50px，下方虚拟键盘栏为96px，所以实际中间图片大小为720×1134
2.1 在不同分辨率下的显示样式
让我们模拟下此720×1134的引导图在720×1280分辨率的设备上的显示样式如下图：
图A：720×1134的引导图在720×1280设备的显示样式
当我们在一台480×800分辨率的设备上显示时，图片会缩小为480px的宽度显示，此时高度对应会等比缩小为756px显示，假设此时状态栏标准高度为38px，则会空余16px的空间。如果我们设置背景颜色为红色，则此时显示状态如下图：
图B：720×1134的引导图在480×800设备的显示样式
同理，当我们在一台320×480分辨率的设备上显示时，假设此时状态栏标准高度为25px，等比缩放后，图片会缩小为455px(480-25) 的高度显示，此时宽度对应会等比缩小为289px显示，则会空余31px的空间。如果我们设置背景颜色为红色，则此时显示状态如下图：
图C：720×1134的引导图在320×480设备的显示样式
不再继续多举例了，
2.2 适配方案
从上述的例子来看，大图自动缩放后，最大的问题是上下、或左右会留出一些无法填充的位置。
所以，在边缘为纯色的情况下，我们只需要将背景填充为和边缘颜色一样的色值即可。
而且，我们只需要准备较大分辨率的一套，这样可以更好的保证在不同解析度设备上的效果。
2.3 缺陷
下图是在240×320的ldpi设备上的显示效果，如果仔细看，可以看到左右两侧竖向的颜色和中间部分的颜色有一些不一致。
原因还不确定，暂时未有明确结论，猜测可能和android的图像缩小显示机制有关系。
3.4 示例
(1) 有道云笔记Android 2.0.0的引导画面切图
(2) Android 2.0.0中的适配
√ 图片的周边保证是纯色的，这样才能有效的进行不同分辨率的适配。
√ 指定了720×1280的机器为标准参照设备，切出去除了虚拟键盘和状态栏的部分
√ 设定引导界面的背景色为和边缘色一致的颜色
三、实现方式之二：9-Patch
3.1 适配方案
前提：
√ 为了保证四边的缩放效果，边缘需要设定为纯色。
√ 为保证缩放效果，采用xhdpi的图片素材来做9-Patch的原始图片
适配：
√ 在draw 9-patch中，设定图片顶部的左侧和右侧一个像素为拉伸区域，设定图片右侧的顶部和底部一个像素为拉伸区域。
结果：
√ 类似实现方式一的图像示例，只是适配中出现的红色部分，会因为设定了拉伸区域而自动用设定的拉伸区域去填充，从而达到适配效果
3.2 缺陷
目前发现当图片较大时，9-Patch的图片缩放会出现问题，未能按照预期缩放。
3.3 示例
有道云笔记Android 1.2.0的引导画面采用9-Patch的方式实现，见图1
四、实现方式之三：透明引导图
4.1 适配方案
√ 提供背景透明的引导图
√ 提供背景的色值
√ 填充背景色，并放置背景透明的引导图
4.2 缺陷
png的图会比jpg的图大一些
五、小结
方式三是目前倾向采用的方式，本文如有进一步的实践信息，再予以补充。
上述描述和理解中，可能存在错误和问题，如有不当，敬请指出。 (完)
多分辨表示 篇3
关键词：图约束字典,加权稀疏表示,人脸超分辨率
视频监控具有实时、可视、可记录及信息量大等特点,在安防、交通、生产管理等各应用领域发挥重大作用。监控视频中的人脸图像是辨识关键人物最直接的线索。但是在实际监控应用中,由于摄像头和人脸距离通常较远,视频监控系统的带宽和存储资源有限等原因,往往导致监控视频中人脸图像的分辨率较低,难以达到辨识要求。人脸超分辨率技术也叫做人脸幻象技术( Face Hallucination)[1],它能够在不改变硬件环境的情况下,从一幅或多幅低分辨率输入人脸图像中,重建出一幅高分辨率的人脸图像,达到改善人脸图像的清晰度的目的。该技术在安防监控、计算机视觉等领域中具有重要的应用。
自Baker和Ce Liu等人提出“人脸幻象”的概念之后,人脸超分辨率的研究就受到了广泛的关注,出现了一系列的人脸超分辨率算法,如基于子空间的方法[2,3,4]、基于流形的方法[5,6]和基于稀疏表示的方法[7,8,9]等。本研究中主要关注基于稀疏表示的人脸超分辨率方法。
稀疏表示( Sparse Representation) 被认为是一种新型、有效而且鲁棒的特征表示方式,成功地应用于一系列实际问题中,是目前最热门的研究课题之一[10]。Yang等首次将压缩感知的思想应用到超分辨率领域,提出了基于稀疏表示的自然图像超分辨率算法[7]。该方法充分利用稀疏表示符合人眼感知特性的优势,自动选取近邻个数,避免了人为指定近邻块个数会导致合成信息不足或过拟合的弊端,取得了较好的超分辨率效果。在Yang的基础上,Chang等提出基于稀疏表示和双字典学习的人脸素描图像合成方法[8],Jung等提出了基于稀疏表示和原始样本块字典的人脸超分辨率算法[9]。
尽管基于稀疏表示的人脸超分辨率方法比其他方法取得了更好的效果,但是,已有的基于稀疏表示的方法较少考虑样本数据内在的几何结构,这影响了冗余字典的表达能力。最近研究表明,保持数据内部的局部拓扑结构能有效改善稀疏编码的效果[11,12,13]。因此,本文提出了一种基于图约束字典和加权稀疏表示的人脸超分辨率算法,算法包括训练和重建两个阶段。在训练阶段,三方面措施被用于提高冗余字典的表达能力: 一是利用人脸的位置信息对样本进行聚类,保持人脸块的全局信息; 二是利用图约束稀疏编码进行字典的学习,保持人脸块的局部信息; 三是利用联合训练高低分辨率冗余字典,保持高低分辨率字典对在内部流形结构上的一致性。在重建阶段,加权稀疏编码均值被用于消除超分辨率重建过程中的稀疏编码噪声,以提高高分辨率人脸图像重建系数的精度。实验结果证明了该方法的有效性。
1 图约束稀疏编码
1. 1 图的构建
谱图理论[14]和流形学习理论[13]的研究表明,散布点的局部几何结构可以通过近邻图进行有效地建模。这里简要介绍近邻图的构建过程。
假设X = [x1,x2,…,xN]∈ RM ×Q是一个数据集,M表示数据维数,Q表示数据集中元素的个数。基于数据集X构建的图表示为G = ( V,W) ,其中,V = Q表示该图中顶点的个数,每个数据点作为图的一个顶点。每两个顶点之间用无向边wi,j连接,wi,j表示顶点i和顶点j之间的相似性,则数据集X的权重矩阵表示为W = [wi,j]Q ×Q。计算顶点之间权重的方法主要有三种,分别是: 0 - 1 权重法、热核权重法和点积权重法[12]。由于热核权重法更适合于图像处理,这里采用热核权重法计算顶点之间的相似性权重。欧几里德距离空间的热核权重表示为
式中: h为常数,h >0,其值取决于期望的稀疏编码系数权重的分布幅度,期望的稀疏编码系数权重的分布幅度大,则h取值大; ci为归一化。权重矩阵W表示为
式中:Nk( xi) 表示数据点xi的K近邻数据集合。权重矩阵W包含了整个数据空间的几何结构信息。基于以上图模型,将每个人脸图像块作为一个数据点,从而可以实现训练样本库的几何图的构建。
1. 2 图约束稀疏编码
假设X = [x1,x2,…,xN]∈ RM ×Q表示原始数据矩阵,D = [d1,d2,…,dL]∈ RM ×L表示字典矩阵,S = [s1,s2,…,sN]∈ RL ×Q表示数据集X在字典D上的稀疏编码系数矩阵。对数据集X进行稀疏编码的目的在于找到一个字典矩阵D和一个稀疏系数矩阵S,使得二者的乘积能够尽可能地逼近原始数据矩阵。稀疏编码的目标函数表示为
式中: 第一项为逼近误差项; 第二项为稀疏性约束项; λ 为正则化参数,用于平衡逼近误差和稀疏性之间的权重。
为了实现原始数据集内部的几何图结构向稀疏编码系数空间的映射,通常假设在欧几里德距离空间近邻的两个原始数据点xi和xj,在稀疏编码系数空间的表示系数si和sj也是近邻的。该假设得到了大量实践的验证[11,12,13]。因此,K近邻图约束可以表示为
式中: I为单元矩阵; L = ( I - W) ( I - W)T。将K近邻图约束结合到原始的稀疏编码框架中,新的优化问题可以表示为
式中: 常数 β 用于平衡K近邻图约束项在优化过程中的比重。式( 5) 同时拥有两个变量D和S,是一个非凸优化问题,无法正常求解。对上式通常采用迭代方法求解,即先固定一个变量,求解另一个变量。
2 基于图约束字典和加权稀疏表示的人脸超分辨率算法
2. 1 图约束位置块字典的学习
由于人脸较之自然图像更具有规则性。人脸图像分块的位置,如眼睛、鼻子、嘴等,包含了人脸图像重建的先验信息。因此,在构建学习字典的过程中,首先根据位置信息,对人脸图像分块进行聚类。同一位置上的分块作为一个训练集。
假设IH={IH,q}Qq=1=[IH,1,IH,2,…,IH,Q]∈RM×Q和IL={IL,q}Qq=1=[IL,1,IL,2,…,IL,Q]∈RN×Q分别表示对应的高低分辨率训练图像集矩阵,矩阵的列数Q表示训练图像数量,矩阵的行数M、N分别表示高低分辨率图像向量的维数,其中M=s2N,s表示下采样的倍数。训练集中的每幅图像分割成P个小块。根据人脸图像的位置信息,所有的训练块可以分为P个集合。高分辨率训练块集合表示为{I1H,q}Qq=1,{I2H,q}Qq=1,…,{IPH,q}Qq=1,低分辨率训练块集合表示为{I1L,q}Qq=1,{I2L,q}Qq=1,…,{IPL,q}Qq=1。由于人脸图像事先进行了对齐操作,相同位置块集合能提供更多的重建信息。
对于给定的位置P,对应的高、低分辨率块集合IHp={ IpH,q| 1 ≤ q ≤ Q} 和ILp= { IpL,q| 1 ≤ q ≤ Q} 被用于训练高、低分辨率字典DHp和DLp。基于图约束位置块的高、低分辨率字典分别可以通过式( 6) 、式( 7) 得到
为了保持高、低分辨率字典DHp和DLp中高、低分辨率图像块之间的映射关系,这里采用联合字典学习方法进行字典对的学习。通过联合字典学习,只需一次稀疏分解,可以同时训练得到高、低分辨率两个字典,并且两个字典共享相同的稀疏编码系数。图约束联合字典对学习的目标函数如下
式中: 是联合高低分辨率块之后得到的列向量; 是高低分辨率联合字典; W1和W2分别是高低分辨率图像块列向量的维数; α = [α1,α2,…,αi]是稀疏编码系数矩阵,每一列是一个图像块的稀疏表示向量。
因此,高、低分辨率训练样本集可以表示为IpH=DpHS和IpL=DpLS。采用图约束位置块联合字典对训练,保证了SH和SL的一致性。
2. 2 重建系数的优化求解
在图像超分辨率场景下,通常假设高低分辨率图像块拥有同样的稀疏编码系数。因此,低分辨率图像块的稀疏编码系数可以被映射到高分辨率图像块字典上,从而生成高分辨率图像块,即
然而,实际超分辨率应用中,高、低分辨率图像块的稀疏编码系数并不完全一致,之间存在稀疏编码噪声σS= SH- SL。通过抑制稀疏编码噪声,可以提高重建过程中,高、低分辨率编码系数的一致性,即可提高超分辨率图像重建的精确度。因此,在求解输入低分辨率图像块的稀疏编码系数时,可以加入稀疏编码噪声约束以提高重建系数求解的精确度。优化重建系数求解的目标函数为
式中: γ 是正则化常量; lp范数用于表示SH和SL之间的距离。由于SH是未知的,因此,稀疏编码噪声无法直接计算。文献[9]提出了利用SH的稀疏编码均值E[SHN( k)]表示SH的思路。假设稀疏编码噪声近似于零均值随机变量,那么高、低分辨率图像块的稀疏编码均值非常接近,即E[SHN( p)]≈ E[SLN( p)]。式( 10) 可表示为
这里采用加权的K近邻块的稀疏编码均值来表示E[SLN( p)],距离越远的近邻块,权重越小,反之,权值越大。输入图像块的K近邻稀疏编码均值,采用以下公式计算获得
式中: Sp,k是第k个近邻块的稀疏编码系数; ωp,k是第k个近邻块的稀疏编码系数的权重; Np表示图像块p的K近邻块组成的集合,k ∈ Np。
2. 3 基于图约束字典和加权稀疏表示的人脸超分辨率算法
本算法主要包括字典学习和高分辨率图像重建两个阶段。前者是离线完成,得到一系列高低分辨率人脸图像块冗余字典对; 后者是在线完成,通过将重建高分辨率图像块进行交叠融合,得到最终的高分辨率人脸图像。整个算法过程表示如下。
1) 离线训练阶段
( 1) 输入训练集IH,IL,正则化参数 λ,β。
( 2) 构建相似矩阵W,矩阵中的元素定义如下
( 3) 计算矩阵
( 4) 联合训练过完备字典对
(5)重复(2)~(4),获取所有位置的字典对序列。
(6)输出高、低分辨率字典对序列
2) 在线重建阶段
( 1) 输入高、低分辨率字典对序列
测试图像IT,正则化参数λ,γ。
(2)For each LR patch IpTfrom IT
计算输入图像块ITp的K近邻稀疏编码均值; 计算输入图像块ITp的稀疏编码系数; 生成高分辨率图像块I*pT=DpHSp。
( 3) End for。
( 4) 交叠生成的高分辨率图像块,得到最终高分辨图像块IT*。
( 5) 输出高分辨率图像IT*。
3 实验结果及分析
采用MATLAB 7. 8 ( R2009a) 作为仿真实验平台在PC机上( 双核3. 20 GHz CPU,4 Gbyte RAM ,Windows7 操作系统) 实现了提出的算法。实验中,采用AR[15]人脸数据库作为训练和测试图像。AR数据库有4 000 多张正面人脸图像组成,分别来自126 个人,其中,男性70 人、女性56 人,每个人获取26 张不同表情、不同照度和不同遮挡程度的图像。这些图片分两个时间段分别获取。本实验中,选取AR数据库中同一时间获取的100 人( 其中,男女各50 人) 不同表情、不同照度情况下的正面图像用于实验,每人选取7 张图像。所有的人脸图像均被裁剪为120 × 160 像素大小,选取12 个特征点进行仿射变换对齐。部分对齐和归一化处理后的AR人脸图像如图1 所示。
将对齐后的人脸图像,进行降质处理,得到与高分辨率图像对应的低分辨率人脸图像。降质过程如下
式中: X,y分别表示高、低分辨率人脸图像; B表示模糊核为8 ×8 的平均模糊操作; U表示4 倍下采样操作; n表示均方差为10 的高斯加性噪声。在高、低分辨率人脸图像对中,随机选取90 个人的630 对人脸图像作为训练样本,剩下的10 个人的70 对人脸图像作为测试图像。图像分块的大小为8 ×8 像素,相邻块交叠32 像素。
为了验证算法的有效性,将本算法重建图像的主客观质量,与双三次插值算法、Jung提出的算法[9]进行比较。Jung方法中的正则化参数设置为0. 05。本文提出方法中 λ = 10,β = 0. 03,γ = 0. 05,K = 5 。
图2 为主观质量比较结果。从图中可以看出,双三次插值算法重建的结果非常平滑,但是不够清晰,也难以辨识。这主要是由于双三次插值算法在放大重建低分辨率图像过程中,并没有增加任何新的信息。Jung提出的方法都是基于块位置的人脸超分辨率方法,较之双三次插值方法,结果图像的清晰度有了明显的改进。但是,Jung提出的方法在重建图像的轮廓边缘都有明显的鬼影效应,重建人脸图像有或轻或重的眼镜假象。较之参考算法,本文提出的基于图约束稀疏编码的人脸超分辨率方法明显地改善了重建结果图像的清晰度,也减少了重建带来的人工效应和鬼影效果。本文方法取得了比参考算法更好的主观质量。
表1 为客观质量比较结果。较之参照算法,本文提出的方法重建的结果图像在客观质量方面具有较高的峰值信噪比( PSNR) 和结构相似性( SSIM) ( PSNR和SSIM值均是越大越好) ,这表明本文方法重建的结果图像更接近于原始的高分辨率图像。
总之,无论从人眼视觉效果,还是客观评价指标,均表明本文提出的方法可以更好地对人脸图像进行超分辨率处理,获得更好的图像重建质量。
4 小结
表示数量多的成语 篇4
不可枚举 枚举：一一列举。无法一个个列举，形容数量多 不可胜计 胜：尽;计：计算。不能全部计算完。形容数量很多 不可胜举 无法一一列举。形容数量、种类很多 不可胜数 胜：尽;计：核算。数也数不过来。形容数量极多。 不可限量 限量：限定止境、数量。形容前程远大。 不胜枚举 胜：尽;枚：个。不能一个个地列举出来。形容数量很多。 不失圭撮 圭撮：容量词，六栗为一圭，十圭为一撮。形容数量准确。 不可胜算 胜：尽。数量多得不可计算。形容数量极多 不计其数 计：计算。没法计算数目。形容很多。数都数不清。 不知凡几 凡，总共。几，多少。不知道一共有多少。指同类的事物很多。 车载斗量 载：装载。用车载，用斗量。形容数量很多，不足为奇。 车载船装 形容数量很多。 成千成万 形容数量极多 论千论万 指成千上万，数量极多 论千论万 指成千上万，数量极多 千千万万 形容为数极多。 千仓万箱 形容因年成好，储存的粮食非常多。 斗量车载 载：装载。用车载，用斗量。形容数量很多，不足为奇。 斗量筲计 用斗量，用筲计。形容数量很多。 举不胜举 不胜：不尽。列举也列举不完。形容数量很多 满山遍野 布满山岭田野。形容数量多或范围广 漫地漫天 漫：满。充满天地之间。形容数量极多，到处皆是。亦作“漫天漫地”。 漫天遍野 满山遍野，形容数量多、分布广 多如牛毛 像牛身上的的毛那样多。形容极多。 供过于求 供给的数量比需要的多。 海纳百川 纳：容纳，包容。大海可以容得下成百上千条江河之水。比喻包容的东西非常广泛，而且数量很大。 恒河沙数 恒河：南亚的大河。象恒河里的沙粒一样，无法计算。形容数量很多。 旌旗蔽日 旌旗：旗帜的通称，这里特指战旗。战旗遮住了日光。形容军队数量众多，阵容雄壮整齐。 量小力微 数量很少，力量微薄。 太仓一粟 太仓：古代设在京城中的大谷仓。大粮仓里的一粒谷子。比喻极大的数量中一个非常小的数目。 星罗棋布 罗：罗列;布：分布。象天空的星星和棋盘上的棋子那样分布着。形容数量很多，分布很广。 盈千累万 形容数量非常多。 遮天盖地 形容数量多，占的面积大。 堆积如山 聚集成堆，如同小山。形容极多。 布天盖地 形容数量极多，散布面极广。 分毫不差 分毫：形容很少的数量，十丝为一毫，十毫为一厘，十厘为一分。差：差 积小成大 积累少量的东西，能成为巨大的数量。 连山排海 形容数量多、规模大。 连天匝地 形容规模大，数量多。 三年五载 三、五：表示大概数量;载：年。指多年。 山积波委 谓堆积如山高，如波涛重迭。形容数量极多。 数不胜数 数：计算。数都数不过来。形容数量极多，很难计算。 云屯雾集 像云和雾那样聚集。形容数量多而集中。 遮天蔽日 遮蔽天空和太阳。形容事物体积庞大、数量众多或气势盛大。 舳舻相继 舳：船尾。舻：船头。指船首尾相接，数量很多。亦作“舳舻相接”。