论文部分内容阅读
图像超分辨重建是一种有效的图像分辨率增强技术,该技术能利用一个或多个低分辨率图像生成一幅包含更多高频细节的高质量图像,在视觉信息处理领域具有广泛的应用前景。目前,大多数基于实例学习的图像超分辨重建方法通常采用简单的线性映射模型建立低分辨与高分辨图像之间的变换关系,尽管有效,但简单的线性模型难以准确表示低分辨与高分辨图像之间复杂的非线性关系,导致重建质量达不到人们满意的效果。针对上述问题,本文利用集成学习的思想,从集成学习框架的构造、学习样本的选择和集成模型的优化等方面,对基于实例学习的单帧图像超分辨重建技术进行了深入的研究,主要研究成果包括:(1)提出了一种基于实例学习的残差复现图像超分辨重建方法。该方法针对单个线性回归函数不能较好地表征低分辨图像与高分辨图像之间复杂的非线性关系而容易导致图像重建结果过拟合或欠拟合问题,利用级联学习结构和字典学习算法,由粗到精地建立低分辨与高分辨图像之间的多组残差回归映射模型,从而获取低分辨与高分辨图像之间更加有效的变换关系。实验结果表明,相比已有的同类实例回归图像超分辨重建算法,该方法在主、客观质量评价方面均具有更好的重建效果。(2)提出了一种基于自适应增强(Adaptive Boosting,简称AdaBoost)回归的图像超分辨重建方法。该方法针对集成模型中对图像块利用不充分,集成空间复杂度过高的问题,利用AdaBoost思想学习多个弱回归器组合成一个强回归器,将初始弱回归器和强回归器结合用于超分辨重建。实验结果表明,该方法在具有较好的重建效果的同时,具有较低的计算空间复杂度。(3)提出了一种优化的AdaBoost回归图像超分辨重建方法。该方法针对AdaBoost回归模型计算空间复杂度过高的问题,利用回归基学习,对学习得到的回归器通过编码学习得到回归基和编码系数。实验结果表明,该方法在对图像块充分利用的同时,能有效缓解空间复杂度较高的问题。(4)提出了一种基于集成回归基学习的图像超分辨重建方法。该方法针对已有实例学习及集成学习模型中,边缘结构信息对图像块敏感的问题,在集成学习框架下对图像进行完整重建后再学习。实验结果表明,该方法不仅能缓解集成学习方法的空间复杂度较高的问题,还能有效保持图像良好的边缘信息,具有更好的重建效果。综上所述,本文提出了四种新的图像超分辨方法,有效克服了现有基于实例学习超分辨方法存在的不足,不仅在重建清晰图像边缘和恢复丰富纹理信息方面取得了良好的效果,还在缓解空间复杂度上取得了一定的效果,为图像超分辨重建技术奠定了一定的基础。