论文部分内容阅读
空间分辨率是图像质量评价的一个重要指标，然而在数字图像的采集和处理过程中，有许多因素会导致图像分辨率的下降，如：传感器的形状和尺寸、光学部件的性能、成像、传输存储过程中产生的噪声。又由于采用高密度的光学仪器和图像传感器提高图像分辨率的方法在实际应用中的成本难以接受，所以人们开始探讨采用超分辨率图像重建技术来提高图像分辨率。所谓超分辨率图像重建是指从单幅或序列低分辨率图像中产生高分辨率图像。由于该技术在视频监控安全领域、医学成像、遥感等领域都有十分广泛的应用前景，因此成为近年来计算机视觉和数字图像处理领域中的一个研究热点。本文研究了基于图模型的超分辨率图像重建算法并采用人脸图像进行了实验结果验证，主要研究了在马尔科夫网络下基于学习的超分辨率重建算法并提出自己的研究观点和实验效果，具体内容如下：
⑴研究基于马尔科夫网络的人脸图像超分辨率方法。该方法利用马尔科夫网络能准确地描述图像的统计特征来建立图像的马尔科夫网络模型，把训练集中的低分辨率图像和相应的高分辨率图像分成若干个图像块，每一个图像块对应网络模型中的一个结点，网络参数从训练样本中学习得到。同时马尔科夫网络的条件独立性导致了可分解的后验概率，运用贝叶斯信念传播算法进行迭代求解得出最优解。实验证明，该方法能达到预期的效果，很好地保持人脸图像的面部表情。
⑵通过对马尔科夫网络超分辨率算法的研究，总结出基于学习的超分辨率算法思想框架。该框架分为三步，即产生训练集-建立学习模型-求出最优解。
⑶在马尔科夫网络学习框架的基础上，提出了基于K-means和改进相容函数的超分辨率算法。马尔科夫网络参数同样从训练样本中学习得到，并由K-means聚类算法来计算其概率分布。该改进算法的优点在于，通过对训练样本中的低分辨率图像块进行K-means聚类可以大大减少计算开销；同时利用K-means的聚类结果，提出了一种新的相容函数，减少了视觉上的突兀跳跃所造成的整幅图像的不协调。实验结果表明，本文给出的超分辨率算法是可行的，并与同类Freeman算法相比能取得较好的结果，使得超分辨率后的图像更平滑自然。