论文部分内容阅读
图像超分辨率(Super-Resolution, SR)重建是指由输入的一幅或同一场景多幅低分辨率图像重建出一幅高分辨率图像的技术。克服了通过硬件获得高分辨率图像成本高的不足,在提升图像质量,改善图像视觉效果等方面有着重要意义。基于稀疏表示的超分辨率重建方法是目前比较流行的一种方法,这类方法存在着重建结果过分依赖选择的样本图像,没有充分利用待重建的低分辨率图像自身包含的先验知识的问题,导致重建图像带有明显的人工痕迹,重建效果不佳。针对目前基于稀疏表示的超分辨率重建方法存在的这种问题,本文通过充分发掘待重建的低分辨率图像自身所蕴含的先验信息,仅借助待重建的低分辨率图像自身实现了分辨率的提升。主要工作如下：1)提出一种基于自相似性和稀疏表示的图像超分辨率重建算法。基于图像自身存在的相同尺度和不同尺度的相似结构,算法联合稀疏K-SVD字典学习方法和非局部均值方法将蕴含在待重建的低分辨率图像中的有效信息以正则项的形式加入到最大后验概率估计框架中,然后,采用梯度下降法求解算法构建的目标函数,重建出高分辨率图像。实验表明,与经典的算法相比,本文算法在视觉效果和评价指标上都有一定的提高。2)针对基于K-SVD字典学习的超分辨率重建算法存在的不足,本文提出一种基于稀疏K-SVD的图像超分辨率重建算法,并将其应用于车牌图像的超分辨率重建。首先,以待重建的低分辨率车牌图像及其降采样作为字典训练的样本,提高了字典和待重建的低分辨率车牌图像的相关性,并采用稀疏K-SVD方法进行训练获得高低分辨率字典对；然后,采用逐级放大的思想进行重建,得到最终的高分辨率图像。实验表明,与基于K-SVD的超分辨率重建算法相比,本文算法在重建图像的峰值信噪比上平均提高了0.6dB左右,在视觉效果上,也有一定程度的提升。本文针对现有的基于稀疏表示的超分辨率重建方法进行了研究,针对其不足提出了自己的想法,并通过实验验证了算法的可行性,对通过超分辨率重建技术提升图像质量,改善图像视觉效果有一定的贡献。