联系我们
- 地 址:北京市海淀区北四环西路9号 ,主 营:人脸识别,活体检测,身份证识别,银行卡识别,名片识别,车牌识别,OCR识别等及智能识别技术。
- 电 话:13146317170 廖经理
- 传 真:
- 邮 箱:398017534@qq.com
用机器学习方法提高图片的清晰度
用机器学习方法提高图片的清晰度
用机器学习方法提高图片的清晰度
一、背景
随着电视和挪动端屏幕分辨率越来越高,人们对高清图片的诉求也随之越来越大。但这也给用户形成了一定的搅扰——要看高清大图也就意味着要占用大量带宽,一来是数据本钱增加,二来加载速度会变慢,招致用户体验不佳。
所以如何可以在不影响用户体验的状况下,经过传输小图来到达高清效果是一个很值得研讨的问题。在2016年10月,谷歌发表了一篇论文讲述了他们推出的一项新技术RAISR(Rapid and Accurate ImageSuper-Resolution),应用机器学习将低分辨率图像转化为高分辨率图像。这项技术可以在俭省带宽75%的状况下分辨率效果到达以至超越原图,同时速度可以提升大约10到100倍。
二、需求剖析
功用:
1、 低质量的网络图片转化为高明晰图片
2、 对云端高清图片停止紧缩,减小图片大小
三、完成计划
超分模型构造图如下:
Google 采用机器学习,用一对低分辨率、高分辨率图片锻炼该程序,以找出能选择性应用于低分辨率图片中每个像素的过滤器,这样能生成媲美原始图片的细节。目前有两种锻炼 RAISR 的办法:
· 第一种是“直接”方式,过滤器在成对高、低分辨率图片中直接学习。
· 第二种办法需求先对低分辨率图片应用低功耗的升采样,然后在升采样图片和高分辨率图片的组合中学习过滤器。
· “直接”方式处置起来更快,但第二种办法照顾到了非整数范围的要素,并且更好天时用硬件性能。
无论是哪种方式,RAISR 的过滤器都是依据图像的边缘特征锻炼的:亮度和颜色梯度、平实和纹理区域等。这又遭到方向(direction,边缘角度)、强度(strength,更锐利的边缘强度更高)和黏性(coherence,一项量化边缘方向性的指标)的影响。以下是一组 RAISR 过滤器,从一万对高、低分辨率图片中学习得到(低分辨率图片经过升采样)。该锻炼过程消耗约 1 小时。
注:3 倍超分辨率学习,取得的 11×11 过滤器汇合。过滤器能够从多种超分辨率要素中学习取得,包括局部超分辨率。留意当图中边缘角度变化时,过滤器角度也跟着旋转。类似的,当强度进步时,过滤器的锐利度也跟着进步;黏性进步时,过滤器的非均相性(anisotropy)也进步。
从左至右,学习得到的过滤器与处置后的边缘方向有选择性的照应。举例来说,最底一行中间的过滤器最合适强程度边缘(90 度梯度角),并具有高黏性(直线的而非弯曲的边缘)。假如这个程度边缘是低比照度的,那么好像图中最上一行,另一个过滤器就被选择。
实践运用中,RAISR 会在曾经学习到的过滤器列表当选择最适宜的过滤器, 应用于低分辨率图片的每一个像素四周。当这些过滤器被应用于更低画质的图像时,它们会重建出相当于原始分辨率的细节,这大幅优于线性、双三(bicubic)、兰索斯(Lancos)解析方式。
上一条:深度学习中的图像分类和图像分割
下一条:快速实现人脸识别中的人脸检测