论文部分内容阅读
图像超分辨率重建是指无需改善硬件设备,仅利用合理的先验知识和数学模型,就能从一幅或多幅低分辨率图像中重建出相同场景高分辨率图像的技术。目前,图像超分辨率技术已广泛应用到公安监控、遥感卫星成像、医学成像、高清电视信号等众多领域。本文在稀疏表示的理论基础指导下重点研究了单幅图像的超分辨率算法。针对现有基于稀疏表示的图像超分辨率技术中高频成分丢失严重、多字典学习中图像块分类或聚类效果不佳等问题,提出了相应的改进算法,具体工作内容如下:(1)提出了一种基于图像块多级分类的图像超分辨率算法。该算法采用分类策略将图像块分成多个类别,然后针对不同类别图像块进行字典学习。首先通过多次迭代将图像块分成平滑块与细节块,其中平滑块含图像细节信息较少,而细节块含有丰富的边缘和纹理信息;然后将信息量大的细节块根据梯度指向角划分为不同角度的边缘块和不规则块;其次,对不同类别的图像块采用K奇异值分解(Singular Value Decomposition,KSVD)算法分别进行字典学习,得到该类图像块的分类字典;第三,对于输入的低分辨率图像,采取同样的图像块分类策略,对平滑块直接采取双三次插值法,对不同结构特性的细节块采用与之相对应的字典进行重建。通过实验验证,相对于SISR算法,该算法在PSNR和SSIM两种评价指标上平均分别提升了0.4dB和0.005。(2)改进了基于双重字典学习的超分辨率算法,引入了中频成分,采用中频成分来代替低频成分,利用训练图像的中频成分和高频成分学习主要字典与残差字典,再用该双重字典来重建待处理低分辨率图像,渐进式地重建出丢失的高频成分。最后使用IBP算法对重建结果进行全局重建约束优化。实验表明,相对于原始双重字典学习算法,该算法在细节上重建效果更加清晰,且在PSNR和SSIM评价指标上平均分别提升了0.35dB和0.002。(3)使用MATLAB GUI工具设计并实现了图像超分辨率重建系统,完成了三个重要模块:字典学习、字典显示、图像重建。字典学习模块通过多种不同算法进行字典学习;字典显示模块将选择的字典矩阵转化成图像并显示;图像重建模块采用多种不同算法进行低分辨率图像重建。