论文部分内容阅读
图像超分辨率重建技术是近年来数字图像处理领域中热点研究方向之一。它可实现由一幅或多幅具有亚像素偏移的同样场景的低分辨率图像估计出一幅或多幅具有较高分辨率的图像。后者较前者具有更丰富的信息,无需提高硬件设备,操作方便且成本低廉。因此,该技术被广泛应用于卫星成像、医学成像、视频监控等领域。本文对图像超分辨率重建中基于主分量分析方法以及核主分量分析方法进行了研究,主要工作和初步结果如下:首先回顾了超分辨率重建的历史,简要介绍了其理论基础、图像降质模型及几种经典的超分辨率重建算法。接着在分析了稀疏重建中使用过完备词典的缺点及单帧重建中存在不足的基础上,提出了一种采用主成分分析(PCA)词典学习的多帧图像超分辨率重建算法。该算法运用k-means聚类方法将高分辨率样本块分成若干类,在每一类上运用PCA进行词典学习,得到多个子词典。即进行PCA变换,变换矩阵作为该类对应的词典,并以此为稀疏域,在其上建立稀疏模型,与过完备的统一词典相比,多类词典对不同局部结构具有自适应性;运用光流法做运动估计,搜寻帧间自相似性,并采用非局部均值滤波,对稀疏模型进行正则化;最后运用软阈值收缩法求解,得到目标高分辨率图像,并对若干标准测试视频进行了仿真实验,与相关算法相比,重建图像的主客观质量提高明显。然后在分析了核主成分分析(KPCA)中关键性问题及其在图像处理中的应用基础上,提出了一种采用KPCA的单帧图像的超分辨率重建算法,直接重建目标高分辨率图像的高频成分。即根据KPCA,先将初始估计高分辨率图的高频成分映射到特征空间,并求其在希尔伯特再生核空间中的投影,再采用基于距离约束的方法求解该投影在输入空间中对应的原象(Pre-image),即得到目标高分辨率图像的高频成分,最终将该高频成分叠加于初始的估计,得到目标高分辨率图像。其中的输入空间是由PCA词典学习得到,即对聚类后的高频样本块进行PCA变换,令其变换矩阵做KPCA的输入空间。这样,既获得了某一模式的样本,又减小了样本的规模,使得KPCA变换更快且提取的特征更准。为进一步提高超分辨率重建图像质量,基于图像降质模型,进行了预处理和后处理。对若干标准测试图像的仿真实验结果表明,上述所提算法的图像重建质量在客观测试和主观感觉上都有明显的提高。最后对本文的工作进行了总结,并讨论了研究中的不足之处,明确了下一步的研究方向。