论文部分内容阅读
随着大数据时代的到来,人们对高清图像的需求也越来越高。图像超分辨率研究的内容是如何通过单张或多张低分辨率模糊图像并结合相关的图像先验信息来重建符合人类视觉感受的高分辨率图像。过去几年随着机器学习理论的发展,图像超分辨率研究取得了很大的突破。但基于机器学习的图像重建方法均是基于固定的图像降质模型来学习某种映射关系,这样的映射关系模型一般仅适用于特定的场景。当研究中所采用的图像退化模型假设的模糊或噪声条件发生变化时,基于机器学习的图像超分辨率算法通常表现的很不稳定。本文的主要工作是结合分析基于机器学习的单帧图像超分辨率方法中的优势,采用基于重建的方法研究单帧图像超分辨率问题,其核心思想和创新点可分为如下两点:1.在重新审视图像重建过程中所使用的图像退化模型发现,高清图像重建的本质可理解为去除无关像素值、增强边缘对比度的过程。去除无关像素值的过程可理解为图像的去噪处理,而保边或增强边缘的过程则可通过正则化理论来处理,基于此本文提出了基于去噪算子的图像超分辨率算法FGSR。实验结果表明,FGSR算法在非含噪的条件下可取得比SRCNN等主流超分辨率算法更高的PSNR值。同时在低分辨率图像含有较大噪声方差时,FGSR算法重建图像的PSNR值和视觉比较结果也更优。2.通过重新观察现有的基于机器学习的方法发现,基于学习的图像超分辨率方法在模糊核变化时通常会表现的很不稳定。针对这一问题,本文提出了快速非盲图像超分辨率重建算法FNSR,其在已估计出模糊核的前提下可快速重建得到去除模糊后的高分辨图像。实验结果表明,FNSR算法不仅可取得与SRCNN等目前主流SISR方法更好的PSNR值和视觉效果,而且其重建速度可达到实时的要求,更符合实际需求。本文从实际图像退化模型出发,提出了基于去噪算子的FGSR算法和可实现快速非盲图像重建的FNSR算法。两类方法均取得了与目前主流单帧图像超分辨率重建相匹配的结果,同时算法的运行效率均满足实时性的要求,更具工程实践意义。