基于深度學習的圖像超分辨率重構.pdf

1、空間分辨率是關于圖像質量的一種體現。高空間分辨率圖像因其具有較高像素密度，圖像質量高的特點，可提供關于成像場景更為豐富的細節(jié)信息。圖像的超分辨率(Super-Resolution，SR)技術就是基于一幅或多幅關于成像場景的低分辨率圖像生成關于該場景的高空間分辨率圖像的過程，已經成為計算機視覺和圖像處理領域的一個活躍的研究方向。
　　本文對圖像超分辨率技術的研究現狀進行總結與分析;考察了幾種典型的深度學習模型。在此基礎上，結合深度學

2、習理論成果，對靜態(tài)圖像的超分辨率重構進行了研究，提出了兩種新的靜態(tài)圖像超分辨率重構方法。
　　(1)基于受限玻爾茲曼機和稀疏表示的圖像超分辨率重構
　　基于RBM(Restricted Boltzmann Machines)網絡模型關于數據表示的產生式結構特性，以及基于稀疏理論的聯合字典學習模型的啟發(fā)，提出了一種基于RBM模型聯合字典學習及稀疏表示的超分辨率重構算法。字典學習過程中，基于高、低分辨率圖像“子塊對”構建訓練樣本

3、集，以無監(jiān)督方式自動在兩個特征空間中同時進行高、低分辨率子塊聯合字典學習。借助學習得到的聯合字典，實現基于稀疏表示的高分辨率圖像子塊重構;將基于重構子塊圖像的重疊式拼貼與迭代式誤差補償模型相結合，最終實現高分辨率圖像重構。實驗驗證了該方法的有效性。
　　(2)基于非負稀疏去噪自編碼器和稀疏表示的圖像超分辨率重構
　　受自編碼器結構特性、以及圖像超分辨率重構過程的去模糊性的啟發(fā)，并結合圖像本身的非負特性，本文提出一種基于非負稀