论文部分内容阅读
图像超分辨率作为数字图像处理和计算机视觉领域的重要分支,在视频监控、医学图像、遥感图像处理等领域有着非常广泛的应用。根据重建所需的低分辨率图像的个数可将超分辨率重建方法分为两大类:序列图像的超分辨率重建和单幅图像的超分辨率重建。前者利用有相对运动的同一场景的序列低分辨率图像来重构超分辨率图像,后者通过加入先验信息学习得到高、低分辨率图像之间的映射关系,根据映射关系重构出超分辨率图像。近年来稀疏表示理论的应用使得图像重建效果有了较大的提高,但是基于稀疏表示理论的方法时间复杂度高,重建效率低,而且传统方法学习一对高、低分辨率图像字典对图像特征的表达能力有限。本文在基于学习的重建方法上深入研究,提出新方法针对图像的重建效果和重建效率进行改进。全文主要研究内容如下:1.阐述了图像超分辨率重建算法的相关研究背景和意义,对常见的重建算法进行了介绍。我们重点深入研究基于稀疏表示理论的重建算法,包括其中稀疏系数的求解和过完备字典的构建两个方面,并分析了这些算法的优缺点。并且详细介绍了图像特征提取的相关方法,深入研究特征提取对图像重建的重要性。2.传统的基于稀疏表示的方法在图像训练阶段无法充分利用训练集图像特征,导致在图像重建阶段对不同特征待重建图像的区分度不足。同时,训练阶段只得到了一对高、低分辨率图像字典,从而导致字典的针对性不强。本文提出结合图像特征聚类和稀疏表示的方法,首先在训练阶段基于不同的特征提取算子对图像进行处理,然后通过特征聚类方法将图像分为不同的类别,接着通过字典训练方法得到多类别字典,最后在重建阶段根据不同特征的图像块选择不同的字典进行重建。实验结果表明,本文方法提高了图像重建效果。3.由于稀疏表示中稀疏重构算法时间复杂度较高,因此导致图像块的重建效率低。本文提出利用协同表示的方法来离线式计算出高、低分辨率图像特征之间的映射关系,以提高图像重建速度,并结合特征聚类提高图像重建效果。首先在训练阶段使用k-means将具有相同特征的图像块聚为一类,并利用K-SVD方法对每个子类学习不同的图像字典,然后根据协同表示计算每个聚类字典原子的映射矩阵,最后在重建阶段,对于每一个输入的低分辨率图像块,根据其特征找出映射矩阵,根据映射矩阵重建出高分辨率图像块。实验表明,本文方法不仅改善了图像重建效果,而且提高了重建速度。