论文部分内容阅读
随着现代信息技术日新月异的发展,人们期望在遥感、医学、科研等领域得到分辨率较高的图像。高分辨率图像通常具有丰富的图像细节、清晰锐化的边缘结构以及明显细致的纹理结构。但是在获取视觉图像过程中,由于成像硬件设备和外部成像环境的限制,图像或序列往往存在一定的退化,所以研究人员提出了利用软件技术对图像进行处理的图像超分辨重建技术。随着大数据时代的到来,图像超分辨重建技术因其经济有效又具有工程意义的特点引起广泛关注。本文在基于稀疏表示的单幅图像超分辨率重建方法基础上,针对目前方法难以恢复锐利边缘和清晰纹理细节的问题,提出一种基于外部图像块先验和全局低秩性的单幅图像超分辨重建方法,能有效的重建出高分辨率图像。本文的主要研究内容如下:1研究字典学习策略。传统稀疏表示模型在字典训练时采用了K-means算法对图像块进行聚类,这种聚类方法依赖于欧氏距离的大小,缺乏图像块结构相似性的度量。因此,结合高斯混合模型,本文利用外部图像块先验指导字典学习,能有效提高字典的表现力。本文首先对包含多种类别的外部图像库进行图像分块,并随机选取富有纹理信息的图像块作为训练图像块。其次,利用训练图像块学习得到的高斯混合模型来构建高斯空间,并用高斯混合模型先验指导训练图像块以空间匹配度实现聚类。最后,本文根据这些训练块来学习能反映图像结构信息的字典集。2建立超分辨率重建模型。非局部自相似在一定范围内寻找相似图像块,往往寻找到的相似图像块不够准确,且加权平均的计算方法会抑制图像的高频信息,导致重建后的图像边缘过度平滑。针对这一问题,本文结合全局相似性建立基于图像全局低秩约束的超分辨率重建模型,解决重建后的图像边缘过度平滑的问题。首先,本文通过计算图像块与每个高斯空间的匹配度选择合适的子字典。其次,在确定的高斯空间内通过马氏距离寻找全局相似图像块,构成全局低秩矩阵。最后对全局相似矩阵进行低秩逼近。3求解模型。本文将稀疏表示的重建模型转化为加权核范数最小化问题,并用带自适应惩罚项的线性交替方向法求解。为了区别不同相似图像块的影响,本文引入马氏距离定义的区域冗余度来衡量图像冗余度,采用改进的加权核范数最小化方法转化模型,使得相似程度高的图像块对重建效果影响更大。4进行实验验证。本文开展多组实验包括不同数据集、不同上采样率和不同上采样方式等,并与几组典型方法和最新方法进行实验对比。我们采用主观视觉感受和客观指标对图像进行分析,实验结果表明,本文提出的基于外部图像块先验和全局低秩性的方法能有效恢复高质量图像。