基于稀疏表示与压缩传感的超分辨率图像处理技术研究

摘要

超分辨率(Super-resolution)技术利用单张或一组同一场景下的低分辨率图像，引入一定的先验知识，通过信号处理的方法提高图像的分辨率。超分辨率技术可以在不改变图像传感器硬件设备的条件下显著改善成像质量，具有重要的理论与应用价值，并有巨大的应用前景。论文主要研究了单张图像的超分辨率处理技术。
　　 论文简要概述了超分辨率图像处理技术的研究现状，介绍了近年来图像处理领域广泛使用的稀疏表示理论。基于学习的超分辨率方法作为近年来该领域的研究热点，取得了优于传统方法的结果，而基于稀疏表示的超分辨率方法是学习类方法中效果最为突出的一种。论文对基于稀疏表示的联合字典超分辨率方法进行改进，研究了自适应多子字典超分辨率处理方法。基于自适应多子字典的超分辨率处理方法根据图像结构进行聚类，分类训练多子字典，在重建过程中自适应地选择与输入图像块最接近的聚类空间，选取最适应的子字典进行重建。仿真实验验证了基于自适应多子字典的超分辨率图像重建效果优于原有的联合字典超分辨率重建方法。
　　 此外，论文研究了自适应加权稀疏度模型、全局逆向投影模型与非局部结构自相似模型在超分辨率图像处理中的应用方案。论文的仿真实验表明，引入这三种模型作为超分辨率重建过程中的正则化约束项，可以进一步提高超分辨率图像重建质量。
　　 论文尝试将压缩传感过程与超分辨率图像重构相融合，研究了基于压缩传感框架的超分辨率重构技术。基于压缩传感框架的超分辨率重构技术一方面可以降低图像测量成本，更好地满足无线通信传输带宽要求，另一方面可以使压缩测量结果能够高分辨率重建获的高质量图像。论文通过引入高斯模糊滤波器算子，增大了压缩测量矩阵与图像基之间的不相关性，有效改善了基于压缩传感框架的超分辨率问题的可解性。仿真实验验证了基于压缩传感框架的超分辨率图像处理技术的可行性。研究结果表明，基于压缩传感架构的超分辨率图像处理技术在不需要进行字典训练的条件下，在重构的实时性与重构质量之间取得了较好的平衡。

目录

声明

摘要

第1章 绪论

1．1 超分辨率图像技术概述

1．2 图像超分辫率技术的发展现状

1．3 论文研究内容和意义

1．4 论文的结构安排

第2章 稀疏表示与压缩传感关键技术分析

2．1 稀疏表示原理

2．1．1 稀疏表示的理论基础

2．1．2 稀疏编码的求解方法

2．1．3 字典构造方法

2．2 压缩传感技术原理

2．2．1 压缩传感技术理论基础

2．2．2 压缩传感求解条件

2．2．3 压缩传感求解方法

2．3 本章小结

第3章 基于稀疏表示的超分辨率图像处理技术

3．1 联合字典超分辨率

3．1．2 联合字典构造方法

3．1．3 联合字典图像重构方法

3．2 自适应多子字典超分辨率处理

3．2．1 多子字典的构造方法

3．2．2 多子字典图像重构方法

3．3 正则化项约束模型

3．3．1 局部正则化约束模型

3．3．2 全局正则化约束模型

3．4 仿真与实验结果分析

3．4．1 评估方法

3．4．2 字典训练实验

3．4．3 结合正则化约束模型超重构实验

3．4．4 算法噪声鲁棒性实验

3．5 本章小结

第4章 基于压缩传感框架的超分辨率图像处理技术

4．1 压缩传感与超分辨率问题模型结合分析

4．2 基于压缩传感的超分辨率测量过程

4．3 基于压缩传感的超分辨率重构条件

4．3．1 传输矩阵可解性分析

4．3．2 传输矩阵相关度分析

4．4 基于压缩传感的超分辨率重构算法

4．5 仿真与实验结果分析

4．5．1 不同重构方法对比实验

4．5．2 引入模糊算子增加不相关性验证实验

4．5．3 测量数目对于重构质量的影响

4．6 本章小结

总结与展望

1．论文工作总结

2．论文未来工作展望

致谢

参考文献

攻读硕士学位期间发表的论文