论文部分内容阅读
随着信息时代的发展,信息的获取和处理成为越来越重要的课题。对于图像来说,图像的分辨率代表了图像所包含的信息量。超分辨率重构就是由低分辨率图像获取高分辨率图像的方法,如何利用现有的信息从低分辨率图像中尽可能地恢复重构出高质量的高分辨率图像是一个重要的研究课题。本文在总结已有的超分辨率重构算法的基础上,重点研究了基于稀疏表示的超分辨率重构算法。该类算法通过学习训练图集,使得高低分辨率图像拥有共同的稀疏表示,并利用得到的超完备字典对测试低分辨率图像进行重构。本文在此基础上,加入人类认知系统对图像的影响,从而使得超分辨率重构的图像含有更多人眼敏感信息。为此,本文首先提出了基于纹理视觉模型的认知压缩感知算法,通过实验证明了该算法可以取得更好的图像重构效果。之后,本文将该认知压缩感知模型分别应用于超分辨率重构算法的特征向量和正则化参数的构造中。仿真结果表明,应用于特征向量的超分辨率重构算法没有取得更好的重构效果,但这也从另一方面证明了已有的特征向量的有效性;而应用于正则化参数的算法,则在几乎没有增加计算复杂度的前提下,有效地提升了重构图像的视觉效果和客观评价效果。本文在基于认知压缩感知的超分辨率重构算法方面的研究也进一步证明了人类认知系统在图像等视觉处理中的重要作用,具有巨大的研究前景。