论文部分内容阅读
图像超分辨率(Super-resolution,SR)算法试图从一个场景的一幅或者多幅低分辨率(Low-resolution,LR)图像中重构出一幅高分辨率(High-resolution,HR)图像。通过放大图像的目标区域,我们可以更容易地辨别出感兴趣的目标物体或者人物。该技术已经被广泛地应用于计算机视觉、高清电视、医学诊断、卫星成像分析以及视频监控等诸多领域。日前,有多种图像超分辨率算法,如基于频率域的、基于插补的、基于正则化的、基于学习的以及基于稀疏表示的方法。基于稀疏表示的图像SR是目前较为先进的算法,但是它在重构速度以及重构出的图像的质量上仍存在不足之处。本文以基于稀疏表示的图像SR算法为基础,针对该算法在重构速度和图像质量的不足之处进行了研究和改进。1)本文从两个方面进行考虑了通过降低字典维数来提高重构速度:降低基的个数和降低基的维数。在降低基的个数上,本文将基于K-Means特征聚类的思想引入到联合字典训练中,该方法首先对图像特征块进行K-Means聚类得到不同的簇,然后针对每个簇使用联合字典训练方法学习出与每个簇相对应的子字典对。并且,在重构时本文采用了鲁棒的子字典自适应选择方法,为每个待重构块选择最相关的子字典对进行重构。基于聚类的方法能够得到结构性更强并且维度更低的子字典。因此,在提高重构速度的同时对重构质量也有了一定的改善。2)在降低字典中基的维数方面,本文中使用PCA降维的方法降低字典中每个基的维数,这在一定程度上降低了字典的维数,从而改善了图像的重构速度,并且使用PCA降维后的字典也能够保证图像的重构质量。3)在改善图像的重构质量中,本文还提出了自适应块大小的图像重构方法。根据图像的复杂度的不同将图像分为3类(低复杂度,中等复杂度和高等复杂度),针对不同复杂度的图像使用不同的块大小来进行重构(如针对放大因子为2的图像重构,我们为高等复杂度选择3×3的块,为中等复杂度的选择5×5的块,为低等复杂度的选择7×7的块),因为这样使得不同复杂度的图像在重构时能够保证每一块中都包含了适量的用于重构的信息,因此使得图像的重构质量得到了改善。实验表明,本文提出的改进方法使图像的重构质量和重构速度上都得到了一定的改善。