论文部分内容阅读
图像超分辨是当前数字图像处理研究中的热点问题,其目的就是在不改变现有成像系统的前提下,以低成本从低分辨率图像中得到高分辨率图像。对于这一病态问题,主要有三类解决方法:基于插值的图像超分辨算法、基于多帧重建的图像超分辨算法和基于学习的图像超分辨算法。前两种算法已经相对成熟,基于学习的图像超分辨是当前超分辨重建研究的热点,由于使用了训练数据,所以在主观视觉评价和客观评价上都有较好的效果。本文主要研究基于回归分析的超分辨重建,通过在训练集上的学习,建立高分辨率图像与低分辨率图像之间的映射关系,进一步设计并优化基于回归学习的超分辨算法。主要的研究内容及贡献如下:
1)提出基于正交基匹配追赶(Orthogonal Matching Pursuit,简称OMP)的线性核回归图像超分辨算法。本文将图像超分辨重建问题转化为线性核回归问题,求解图像的低分辨图像和高分辨图像之间的线性映射关系。由于回归过程中涉及到大规模样本的学习,计算复杂度高,为此,采用正交基匹配追赶的方法求解回归学习中的相应参数,所提算法在标准的图像库上测试,实验结果证明了算法在执行时间及效果上的有效性。
2)提出基于局部线性回归的图像超分辨算法。将超分辨图像仅仅看成对应的低分辨图像的函数,而不依赖于训练库中其它的低分辨图像。对该问题的建模,充分考虑了低分辨率图像空间与高分辨率图像空间之间的结构相似性。本文采用近邻训练数据对进行超分辨映射训练,首先在训练图像库中寻找与询问图像块最相似的低分辨图像块,并找到对应的高分辨图像块,建立线性回归模型,从而建立低分辨图像与高分辨图像之间的函数映射关系,即高分辨图像的每个像素值仅仅依赖于当前的低分辨图像的像素值。实验结果验证了算法在超分辨效果的有效性。
3)提出基于高斯过程回归(Gaussian Process Regression,简称GPR)的图像超分辨算法。进一步将图像超分辨重建问题转化为高斯核回归问题,求解高分辨率图像和低分辨率图像之间的非线性映射关系,并利用该映射关系对询问的低分辨图像进行高分辨图像重建。实验结果证明了该方法的有效性。