基于字典学习的图像超分辨率重建算法及研究

摘要

图像超分辨率重建是一种通过使用软件算法的方式改善图像质量的技术，其目的是将退化后的图像尽可能地还原出原始图像的真实面貌。它克服了通过硬件获得高分辨率图像成本高的缺点，在改善图像视觉效果方面有着重要意义，目前已经广泛应用在计算机视觉、医学图像处理、安防监控和遥感图像处理等领域。基于字典学习的图像超分辨率重建是近些年比较流行的一种方法。这种方法已经取得了很好的效果，但是依然存在着一些不足需要进一步改进提高，比如在字典学习阶段消耗时间过长，重建后图像边缘保持能力有限、易产生视觉伪影，以及没能充分利用待重建的低分辨率图像自身包含的先验知识等不足。针对目前基于字典学习的超分辨率重建存在的这些缺点和不足，本文在基于字典学习的方法的基础上进一步展开研究，论文创新之处归纳如下:
　　1.研究一种基于耦合特征空间下改进字典学习的图像超分辨率重建方法，该方法首先利用高斯混合模型聚类算法对训练图像块进行聚类，然后使用Boost-KSVD字典学习算法来快速获得高、低分辨率特征空间下字典对和映射矩阵。重建时根据测试样本与各个类别的似然概率自适应地选择最匹配的字典对和映射矩阵进行高分辨率重建。最后利用图像非局部相似性，将其与迭代反向投影算法相结合对重建后的图像进行后处理获得最佳重建效果。实验结果表明了本文方法的有效性。
　　2.针对目前基于字典学习的图像超分辨率算法中边缘保持能力有限、易产生视觉伪影等不足，本文研究了一种边缘增强的多字典学习图像超分辨率重建算法，可以有效的恢复图像边缘细节信息。算法首先对训练图像块进行聚类处理，然后使用Boost K-SVD算法快速学习多组字典对，超分辨重建时自适应选择最优字典对进行稀疏分解和重建。为了改善重建后图像的边缘视觉效果，根据输入的低分辨率图像引入边缘方向保持正则项，同时学习自然图像库的边缘锐度统计先验对重建后图像的边缘进行约束。实验结果表明，与其他几种经典算法相比，本算法无论是在峰值信噪比、结构相似性度，还是在视觉效果上都有所提高。

目录

声明

致谢

摘要

第一章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 基于插值的图像超分辨率重建

1．2．2 基于重建的图像超分辨率重建

1．2．3 基于学习的图像超分辨率重建

1．3 本文研究内容与结构安排

1．3．1 本文的研究内容

1．3．2 本文的结构安排

第二章 稀疏表示与字典学习理论

2．1 引言

2．2 稀疏表示理论

2．2．1 信号的稀疏性

2．2．2 稀疏表示的数学模型

2．3 稀疏分解优化算法

2．3．1 贪婪算法

2．3．2 凸松弛算法

2．4 字典构造

2．4．1 GPCA算法

2．4．2 MOD算法

2．4．3 K-SVD算法

2．4．4 在线字典学习

2．5 总结

第三章 基于字典学习的图像超分辨率重建

3．1 图像超分辨重建的数学模型

3．2 基于字典学习的图像超分辨算法基本原理

3．2．1 联合字典学习

3．2．2 局部稀疏重建模型

3．2．3 全局重建约束

3．3 超分辨率重建的质量评价

3．4 本章小结

第四章 基于耦合特征空间下改进字典学习的图像超分辨率重建

4．1 研究思路

4．2 耦合特征空间下改进字典学习算法

4．2．1 高斯混合模型图像块聚类

4．2．2 Boost KSVD字典学习算法

4．2．3 耦合特征空间下的字典学习

4．3 图像超分辨率重建

4．4 本章算法的具体步骤

4．5 实验结果与分析

4．6 本章小结

第五章 边缘增强的多字典学习自然图像超分辨率重建

5．1 研究思路

5．2 基于多字典学习的超分辨重建

5．2．1 多字典学习

5．2．2 稀疏域字典自适应选择超分辨重建

5．3 边缘增强的超分辨率重建模型

5．5 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

攻读硕士期间的学术活动及成果情况