论文部分内容阅读
高分辨率图像含有较多的高频信息,可保证目标识别、图像检索等技术的准确率。目前,基于学习的超分辨率技术应用领域最广且重建效果最好。因此本文采用此方法中的基于稀疏表示的超分辨率重建算法作为研究框架。该算法在特征提取方面选用简单的梯度特征,无法充分利用训练样本的先验信息;针对高分辨率图像的特征提取使用整幅图像,使得到的图像块数量较大。在字典方面只建立单个高、低分辨率字典,使字典的整体数据太过庞大,严重影响重建图像的质量;同时字典的正则化参数为固定值,在针对大量不同的测试图像时无法适用于整个测试集。因此本文围绕特征提取和建立的字典进行相关研究。主要从保证重建图像的质量,降低时间复杂度和算法的普适性出发,提出基于联合特征和K-means结构化稀疏表示的超分辨率重建。通过对不同测试集的实验,利用结果分析验证本文算法的有效性。特征提取部分:通过联合特征的规则,将改进的梯度算子与DoG算子联合,用该联合特征对低分辨率图像直接特征提取获得低分辨率图像块;将高分辨率图像与放大后的低分辨率图像作差,得到差值图像。对该差值图像特征提取得到高分辨率图像块。此步处理可减少高分辨率图像块的数量,缩减建立字典的时长,同时留下更准确的高频信息。通过实验证明本文方法在主观评价上可以明显看出,图像的细节处更加清晰,边缘模糊化减弱。从客观评价得出本文算法的PSNR值和SSIM值都高于对比算法。K-means结构化字典:将字典内相邻的高、低分辨率图像块组合成单个图像块对,用K-means对低分辨率图像块聚类,此时相应图像块对中的高分辨率图像块也自动归到同一类中。通过聚类得到的每一个类都将作为字典内的子字典。因大量测试图像的不同,提出自适应正则化稀疏参数。根据建立字典时所计算的稀疏表示系数,确定最终的正则化参数。该方法具有普适性。由于本文算法建立字典时间过长,故采用本文所提的基于联合特征超分辨率重建算法运用在结构化字典上。通过实验证明,K-means+New_InfSR算法不仅缩短了建立字典的时长,而且减少字典中的数据量,同时也保持了重建后的高质量图像。