论文部分内容阅读
图像超分辨率重建是一种通过使用软件算法的方式改善图像质量的技术,即由输入的一幅或者多幅同一场景的低分辨率图像重建出一幅高分辨率图像的技术。它克服了通过硬件获得高分辨率图像成本高的固有缺陷,在改善图像显示、人脸识别、医学辅助诊断方面有着重要意义,目前已经广泛应用在计算机视觉、医学图像处理、安防监控和遥感图像处理等领域。基于字典学习和深度学习的图像超分辨率重建是近些年比较流行的方法。本文分别基于上述两种方法进一步展开研究,做了一些改进和创新。主要工作如下:1.使用一种基于监督学习的多类字典学习算法和锚定邻域回归方法来重建低分辨率图像。首先通过高斯混合模型对训练图像块进行聚类并生成标签信息。然后引入分类误差项并组成一个新的目标函数并使用KSVD算法对其求解,获得稀疏类字典和一个线性分类器。最后利用此线性分类器对输入的测试特征分类,根据相应的类稀疏字典,使用锚定邻域回归方法来完成图像重建。2.针对原有深度网络中使用线性纠正单元和随机梯度下降来重建图像的局限性,将RReLU和NAG方法结合去改进此端到端的卷积神经网络网络从而进一步提高超分辨率重建质量。在基准测试集上的实验结果证明了改进算法相较于原算法其他几种方法在主观视觉评价和客观量化评价上拥有更好的表现。3.设计了一个端到端的深度残差模型来解决超分辨率问题。首先从数学形式上将图像退化模型和单个残差单元建立联系,即采用跳跃连接(Skip Connections)的方式让模型去学习低分辨率图像和高分辨率图像之间的一个残差映射,避免直接学习一个非线性映射,然后通过这样的级联残差单元来加深网络并通过标准反向传播算法来模拟图像退化的过程和其逆过程。实验证明,此网络模型具有更快的收敛速度和更高的重建精度。