论文部分内容阅读
图像的分辨率较高表示相同尺寸的图像，其含有的像素更加密集，能更清晰地看到图像的细节。因此在日常的生活中和各种图像处理应用中，我们希望能得到分辨率较高的图像。视频超分辨率(Super-Resolution，SR)技术是这些年才发展起来的新技术，它对低分辨率(Low-Resolution，LR)视频序列SR重建得到高分辨率(High-Resolution，HR)视频序列。通过 SR重建技术来提高现有监控设备的分辨率，对于优化现有系统的监控表现有着很大的实际意义。 本文主要对基于压缩感知的监控视频SR重建技术进行研究，首先从单幅图像的SR重建问题入手，提出了一种基于压缩感知理论的改进SR重建方法，然后针对视频序列的SR重建，提出了改进方法使得重建速度得以提升，最后设计与实现一个简单的图像SR重建实验系统。主要工作如下： 1.针对传统基于外部图像库学习的SR重建算法训练时间长，容易产生错误高频细节的问题，创新性地想到利用降质图像本身来训练稀疏表示字典，充分挖掘图像内部的自相似性。提出了一种改进的基于压缩感知理论和支持向量回归(SVR)的单幅图像SR重建方法。训练阶段首先对输入图像边缘检测并分类图像块，然后对图像块稀疏编码，再利用图像的标签向量和稀疏表示矩阵训练得到SVR模型，并以此模型在测试阶段预测得到最终的HR图像。实验表明，该方法相比基于外部库方法重建的图像细节更加真实，边缘更加锋利，PSNR值更高。 2.针对单幅图像SR重建算法运行时间长难以满足视频处理的要求的问题。提出了一种改进的基于运动对象的监控视频SR重建方法，它采用更为快速的feature sign稀疏表示分解算法，并利用前后帧图像块信息训练字典。实验表明，该方法重建一帧的速度比单幅图像SR重建算法更快，较好地权衡了重建质量和速度。 3.设计并实现了一个视图SR重建原型系统。在该系统中实现了上述算法。