基于領域學習和稀疏原子聚類字典的圖像超分辨率重構算法研究.pdf

1、圖像超分辨率技術源于圖像復原領域。隨著計算機和網絡的發(fā)展，圖像在人們的日常生活中變得越來越重要，日常獲得的圖像由于硬件技術或成本的限制通常分辨率較低，如醫(yī)學影像、遙感圖像、監(jiān)控視頻等，通常很難明確分辨出清晰的物體影像。同時，硬件的發(fā)展也受到了限制，CCD或CMOS傳感器的排列和尺寸短期內很難進一步排列優(yōu)化和縮小，從而催生了從軟件算法領域提高圖像分辨率的技術，即圖像的超分辨率重建。該技術可在成本相對低廉，不更換昂貴硬件的前提下提高圖像分辨

2、率，得到硬件截止頻率之上的圖像信息，具有很高的研究價值，目前在醫(yī)學影像、衛(wèi)星遙感、公安監(jiān)控、軍事偵察、多媒體視頻等諸多領域中都有廣闊的發(fā)展和應用前景。處理前后幾何特征的保持一直是圖像超分辨率重建的前提，但現(xiàn)有的基于學習的圖像超分辨率重建方法是通過輸入單幅圖像，根據(jù)圖像的先驗信息復原高分辨率圖像，從而存在著一定的圖像幾何預測失真，例如，復原前后人臉圖像輪廓或五官位置的微平移，地面目標的形狀微改變，醫(yī)學檢查圖像中骨骼或器官輪廓的微變形，這些

3、都是困擾基于學習的超分辨率重建方法在某些尤其是嚴謹性要求較高的領域成功應用的關鍵問題。盡可能重建圖像的原始清晰的特征、減小圖像中物體的幾何失真，一直是超分辨率研究不變的目標之一。
　　本研究主要內容包括：⑴分析了流形學習降維方法，改進了LLE算法，提出了自適應鄰域選擇的權重矩陣稀疏編碼算法SSME，保證鄰域選擇的準確性和運行效率。該方法通過優(yōu)化LLE算法的鄰域選擇策略，通過設定迭代閾值，自適應地選擇合適鄰域數(shù)目和返回鄰域權值，通過

4、權值矩陣的稀疏編碼實現(xiàn)了圖像鄰域降維的目的。實驗表明能夠有效地消除鄰域奇異點的干擾，使重建圖像輪廓和結構更加真實，比當時一些同類型的先進算法的峰值信噪比提高了0.1-0.3dB。⑵分析了NSCT算法的問題和優(yōu)缺點，結合MRF特點，提出了基于NSCT和MRF鄰域選擇模型的圖像超分辨率重建算法。該方法通過結合NSCT高頻特征塊和MRF鄰域匹配，提取和匹配高分辨率圖像之間以及高、低分辨率圖像之間的高頻圖像塊特征信息，對圖像進行超分辨率重建，結

5、果表明該方法的優(yōu)勢，有效消除了重建圖像的混疊現(xiàn)象和一定的“接縫”現(xiàn)象，使得圖像幾何特征和紋理信息得到一定的復原，減小了圖像失真度，提高了圖像超分辨率重建的效果。⑶分析了建立在稀疏字典上的圖像超分辨率重建方法中稀疏冗余字典的基本問題，提出了基于稀疏原子聚類字典學習的圖像超分辨率重建方法，使待重建圖像塊的鄰域選擇問題可以建立在比一般字典學習方法更多的訓練圖像和更小的稀疏字典中，且圖像訓練庫的擴容并不影響訓練速度，不僅使得實際學習時字典尺寸減