论文部分内容阅读
超分辨率重构技术（SR）对成像受限信号提供了较低成本的图像质量改善方法，为后续医学影像处理、遥感遥测、视频监控分析提供了细节更丰富的信号。基于机器学习的超分辨率重构算法是近年重点研究领域，它在字典训练中主要通过学习高、低分辨率图像块的映射关系，寻找最优的图像块加权系数。特别是基于稀疏编码的字典描述方式，能最大限度地学习图像库的先验知识，是很开放的研究热点。本文研究SR字典的多特征多尺度学习新方法以及重构误差的抑制，主要工作包括：1.针对SR字典对结构区分度不够，最优匹配原子搜索中耗时太长的问题，提出一种多结构特征描述字典（SDB-SCSR）。首先，根据结构图像熵和方差，定义图像块分类准则；其次，分别用边缘块梯度特征算子和纹理块LBP特征描述来构建结构分类字典；最后，引入BTV正则项求解最优重构结果。实验结果表明，与经典的基于稀疏编码的超分辨率重构（SCSR）算法相比，SDB-SCSR结构分类字典使重构图像的PSNR值提高0.2877dB，使平均结构相似度MSSIM值和特征相似度FSIM值分别提高0.0059、0.0043。结构分类字典维数降低，重构时间降至SCSR算法的20%。2.为了改善字典的可推广性，提出图像块结构聚类加权的多尺度字典（MD-SCSR）。首先构建尺度图像块，训练金字塔型尺度字典；其次，在重构时设计了一个最小残差约束的自适应k-NN算法，将不同尺度下的相似图像块映射到高分辨率图像块，实现对原始信号的逼近，同时通过根据残差值调整邻域范围，使得重构金字塔中每层的高分辨率图像质量达到最优。实验结果表明，MD-SCSR算法的重构结果的PSNR值比金字塔超分辨率重构算法提高0.5620dB，比SCSR算法提高0.2985dB；自适应k值法的超分辨率重构的PSNR比邻域范围不变的k-NN法提高0.0108~0.0351dB。3.字典原子加权的本质决定了信号不连续处重构相对困难，显著残差值集中分布在边缘处。本文提出一种多向格型梯度（MLG）的正则约束方法，首先，对像素离散整值的位置，定义一个严格沿着有理数方向分解的格型梯度算子；然后，利用格型算子抑制边缘像素点的性质，以多向格型梯度约束为正则项，求解最优重构结果。实验结果表明，格型算子正则约束项在图像重构边缘处的残差约为BTV正则项的57%。