论文部分内容阅读
众所周知,基于稀疏字典的图像超分辨率(Super Resolution,简称SR)方法可有效地从单个低分辨率图像(简称LR,Low Resolution)输入,重建得到高分辨率(简称HR,High Resolution)图像。一般的基于稀疏字典的SR方法总是将低分辨率字典中计算得到的稀疏表示系数直接作为高分辨率的稀疏表示系数,并利用高分辨率字典获得高分辨率图像。但是通过实验发现,高、低分辨率稀疏表示系数是不相同的,因此直接将低分辨率字典中计算得到的稀疏表示系数作为高分辨率的稀疏表示系数是不合适的。同时,通过观察一些SR方法获得的重建图像发现,虽然很多重建图像虽然得到了高分辨率的图像,但是图像中或多或少存在边缘部分的模糊。因此本文针对上述两个问题进行了研究,主要研究工作如下:(1)提出了一种基于神经网络的稀疏系数优化方法,对使用字典重建过程中的低分辨率字典的稀疏表示系数矩阵?_l与实际高分辨率图像的稀疏表示系数矩阵?_h进行训练,预测其误差,加以补偿使得给定图像超分辨率重建过程中的稀疏矩阵?更加接近实际值,以得到更好的重建图像。(2)提出了一种新的简单的‘抓娃娃’分类方法,该方法模拟商场中抓娃娃的过程对数据进行简单快速地分类,替代在稀疏表示系数分类神经网络训练过程中表现不佳的K-means分类方法,以减少网络训练所需要的时间,并提升重建效果。(3)提出了一个基于结构张量约束和重建图像下采样约束的单幅图像超分辨率方法,改进了前人的基于结构张量的图像重建约束项,并结合本文提出的基于重建图像下采样约束项,提出了一个综合的边缘约束优化项,对已重建好的图像进行再次约束优化重建,使约束优化重建后的重建图像边缘附近的像素点更加清晰,有效区分边缘两边的像素点,以减少图像边缘部分的模糊。(4)利用一些高分辨率测试图像以及SET5、SET14高分辨率测试图像集,对本文提出的基于神经网络的稀疏系数优化方法和基于结构张量约束和重建图像下采样约束的单幅图像超分辨率方法进行了实验。结果表明,利用所提出的两种新的SR方法获得了很好的图像重建效果和更高的峰值信噪比(Peak Signal-to-Noise Ratio,简称PSNR)。所提出的分类方法,有效减少了SR方法中利用K-means分类数据集进行误差反向传播(Error Back-Propagation,简称BP)神经网络训练的时间,获得了很好的效果。