论文部分内容阅读
图像超分辨率技术(SR)是采用软件处理方法，从输入的一幅或多幅低分辨率图像中重建出高分辨率图像，近年来被广泛应用到安防监控、遥感成像、医学影像诊断等领域。基于稀疏表示的超分辨率方法是目前重建效果最好的方法之一，对进一步推动SR技术的理论研究和实际应用具有重要的意义。本文对稀疏表示方法进行了深入的研究，提出了二种超分辨率重建算法。
针对基于稀疏表示的重建算法中，分类字典的表达能力不稳定，重构图像边缘引入明显的人工痕迹等问题，本文提出一种基于分类字典和正则化学习的超分辨率重建算法，同时从LR图像自身及图像库获取附加信息。首先使用曲波变换提取LR图像的方向特征图像，然后对方向特征图像中的图像块进行聚类，在聚类结果的引导下对图像库进行分类，采用主成分分析(PCA)算法学习得到紧凑的分类字典，降低了字典的表达误差。为了充分利用结构相似信息，构造一种组合空间及方向信息的非局部均值正则项，更好的保持了图像锐利边缘的方向性。实验结果表明，该算法能很好的保持图像的边缘信息，重构图像具有较好的视觉效果。
现有的基于稀疏表示的SR算法重建图像具有较好的质量，但需要较大的计算成本，而基于回归函数的SR算法能快速的重建出高分辨率的图像，但是其不能建模出细致的高频细节。针对这一事实，本文有效结合稀疏表示和回归方法，提出一种基于GMM聚类的脊回归图像超分辨率重建算法。该方法首先利用高斯混合模型(GMM)聚类算法对样本库训练图像进行聚类处理，然后通过优化的K-SVD算法快速学习得到高低分辨率字典对。通过高低分辨率字典对以及脊回归方法求出其对应的投影矩阵。在图像重建过程，根据测试图像与各类别的似然概率自适应地选择最匹配的字典对对应的映射矩阵实现SR重建。实验结果表明，该算法能够解决稀疏表示中算法复杂度过高的问题，且具有较好的重建效果。
针对基于稀疏表示的重建算法中，分类字典的表达能力不稳定，重构图像边缘引入明显的人工痕迹等问题，本文提出一种基于分类字典和正则化学习的超分辨率重建算法，同时从LR图像自身及图像库获取附加信息。首先使用曲波变换提取LR图像的方向特征图像，然后对方向特征图像中的图像块进行聚类，在聚类结果的引导下对图像库进行分类，采用主成分分析(PCA)算法学习得到紧凑的分类字典，降低了字典的表达误差。为了充分利用结构相似信息，构造一种组合空间及方向信息的非局部均值正则项，更好的保持了图像锐利边缘的方向性。实验结果表明，该算法能很好的保持图像的边缘信息，重构图像具有较好的视觉效果。
现有的基于稀疏表示的SR算法重建图像具有较好的质量，但需要较大的计算成本，而基于回归函数的SR算法能快速的重建出高分辨率的图像，但是其不能建模出细致的高频细节。针对这一事实，本文有效结合稀疏表示和回归方法，提出一种基于GMM聚类的脊回归图像超分辨率重建算法。该方法首先利用高斯混合模型(GMM)聚类算法对样本库训练图像进行聚类处理，然后通过优化的K-SVD算法快速学习得到高低分辨率字典对。通过高低分辨率字典对以及脊回归方法求出其对应的投影矩阵。在图像重建过程，根据测试图像与各类别的似然概率自适应地选择最匹配的字典对对应的映射矩阵实现SR重建。实验结果表明，该算法能够解决稀疏表示中算法复杂度过高的问题，且具有较好的重建效果。