论文部分内容阅读
图像超分辨率重建是指从一幅或者多幅低分辨率(LR)图像重建出高分辨率(HR)图像的过程。该技术在气象遥感、医学成像、安全监控、多媒体通讯、数字娱乐等领域有着广泛的应用前景和实用价值。同时，图像超分辨率重建是一个不适定性的病态逆问题，涉及的技术领域广，仍然面临着诸多挑战，是图像处理技术研究的热点问题之一。 本文围绕着基于学习的超分辨率重建技术展开研究，包括基于稀疏表示的方法、基于邻域嵌入的方法、基于回归的方法和基于深度学习的方法。主要内容和贡献如下: 1.提出一种基于同支撑集稀疏表示的单幅图像超分辨率重建方法。该方法假设LR/HR图像块对的稀疏表示是同支撑的，即稀疏表示中非零系数的位置相同。在训练过程中先训练LR/HR字典，然后拟合一个线性映射描述LR/HR图像块稀疏表示之间的关系。在重建过程中该方法先计算LR图像块的稀疏表示，然后通过线性映射得到HR图像块的稀疏表示，最后得到重建后的HR图像块。实验表明，该方法能够很好地提升重建图像的质量。 2.针对现有基于局部线性嵌入的超分辨率重建算法重建速度慢和重建图像质量较差的问题，对局部线性嵌入方法加以改进，引入稀疏表示方法，通过训练稀疏字典生成新的流形空间，并且在训练过程中考虑了LLE的和1约束，增强LR/HR流形空间的对应关系，使得该方法能够恢复更多的高频信息。实验表明，该方法在主观视觉效果和客观评价方面都获得较好的重建性能。 3.针对现有基于回归的方法大都是用单线性映射描述LR/HR图像块关系的问题，提出一种基于多线性映射的单幅图像超分辨率重建方法。该方法先把LR图像块聚类，然后对每个聚类的LR/HR图像块拟合一个线性映射函数。实验表明，该方法重建后的图像更加清晰，细节更为丰富。 4.提出一种基于双自编码器的单幅图像超分辨率重建方法。该方法先通过自编码器学习LR/HR图像块的内在表示，然后再训练深度网络学习LR/HR图像块内在表示之间的非线性关系。该方法在图像超分辨率重建过程中只需要把LR图像块作为输入，经过深度网络得到的输出就是重建后的HR图像块。实验表明，该方法在重建图像质量和重建效率上均取得很好的结果。