论文部分内容阅读
随着网络科技的发展,人们不再只满足于模糊图像所带来的信息,因此如何提高图像清晰度逐渐成为人们关注的热点。提高图像清晰度就是图像超分辨(Super-resolution,SR)重建的过程。然而由于每幅图像的噪声不同,模糊因子也不同,采用传统的提取图像特征完成重建的方式并不能很好地提高图像分辨率,现有的基于卷积神经网络(Convolutional neural network,CNN)的SR重建算法在训练速度、深层次特征提取、纹理细节恢复方面仍然存在一定的不足,因此有必要对这种方法进一步优化,以提升整体复原效果。为了提高浅层CNN的运行效率、收敛速度和复原质量,本文提出了一种改进的浅层CNN SR重建算法,另外为了提取更深层次特征、加强边缘纹理细节恢复,本文提出了一种基于边缘指导的双通道输入CNN SR算法。首先,本文结合分治思想提出了改进的浅层CNN SR算法:把特征空间分成多个子空间,学习基于每个子空间的边缘、纹理信息。其优点在于,对图像进行超分辨率重建时,不同子空间的不同单一映射函数能够更有效地映射低分辨率(Low-resolution,LR)特征到高分辨率(High-resolution,HR)特征,结果的HR图像较传统CNN方法有更好的复原效果。其次,结合形态学成分分析分解的思想,本文提出了基于边缘指导的双通道输入卷积神经网络算法:通过形态学成分分析算法将待处理的LR图像分解为纹理形态和平滑结构形态两部分;纹理形态和原输入LR图像拼接成双通道输入形式,输入到改进的网络结构中重建HR纹理部分;结合HR纹理部分与低分辨率平滑结构部分重建HR图像。训练过程采用最小化纹理损失与原图像损失之和联合优化网络模型参数。最后,在复原的HR输出图像与待重建的LR输入图像之间做直方图匹配变换,使像素分布更均衡化,提升整体视觉效果;应用迭代的反向映射使HR重建图像与LR输入图像采用一致的退化因子(如模糊因子、缩小倍数、降采样因子等)提高PSNR值。将本文的算法与传统的SR算法和某些基于学习的SR算法在经典的Set5,Set14和BSD-100数据集上的实验结果进行对比,结果显示:本文提出的算法较对比算法,有更高的PSNR值,能更好地恢复HR图像的纹理细节,对包含丰富细节特征的图像复原效果更好。