基于廣義稀疏的圖像超分辨重建方法研究.pdf

1、在日常生活與生產實踐中，圖像是應用最廣泛的信息載體之一。然而，在實際成像過程中，受光學模糊、運動模糊、欠采樣和噪聲等退化因素的影響，人們往往很難獲得期望的高分辨率圖像或圖像序列，這給后續(xù)的圖像處理、分析與理解帶來諸多困難，影響人們正確認識客觀世界及其規(guī)律。如何提高所獲圖像的空間分辨率，改善圖像質量，是圖像處理領域極具挑戰(zhàn)性的課題。圖像超分辨重建技術是解決上述問題較經(jīng)濟而有效的手段之一。利用圖像超分辨重建技術，不僅能獲得高于現(xiàn)有成像系統(tǒng)空

2、間分辨率的高質量圖像，而且能充分利用大量已有的低分辨圖像資源。該技術在模式識別、計算機視覺、視頻監(jiān)控、遙感成像以及生活娛樂等方面具有廣泛的應用前景，受到國內外學者的廣泛關注。
　　 針對超分辨重建面臨的挑戰(zhàn)性問題，本文利用廣義稀疏表示思想，從鄰域樣本的選擇、映射關系的估計、正則化先驗的設計以及自相似冗余信息的學習等方面，對基于實例學習和基于重構的圖像超分辨重建方法進行了深入研究，主要研究成果為：
　　 (1)提出了一種基

3、于高斯混合模型聚類和部分監(jiān)督鄰域嵌入的實例學習圖像超分辨方法。在學習階段，使用高斯混合模型聚類方法構造類別預測器，用于估計訓練集中低分辨圖像塊的類別信息；在合成階段，結合類別信息，使用部分監(jiān)督鄰域選擇方案調整輸入圖像塊與訓練集樣本之間的距離，一定程度上克服了傳統(tǒng)鄰域嵌入超分辨算法在鄰域選擇方面存在的不足。
　　 (2)針對鄰域嵌入超分辨算法低分辨圖像塊與高分辨圖像塊在鄰域關系不能保持不一致問題，提出了一種基于對偶約束的聯(lián)合學習超

4、分辨重建方法。首先，通過對偶約束方法將低分辨圖像塊與對應高分辨圖像塊構成成組塊對，通過聯(lián)合學習構造低分辨圖像塊與高分辨圖像塊的聯(lián)合特征子空間；然后，在聯(lián)合特征子空間中進行鄰域的選擇和低分辨與高分辨圖像塊之間的映射關系的估計。最后，結合全局約束和一致性先驗，進一步提高初始化估計超分辨重建圖像的質量。
　　 (3)為提高已有鄰域嵌入算法的重建效率，同時解決鄰域選擇方法存在的不足，提出了一種基于方向梯度直方圖(Histograms o

5、f Oriented Gradients，HOG)特征聚類的稀疏鄰域嵌入的實例學習超分辨方法。為提高重建效率，引入HOG特征描述低分辨圖像塊的局部幾何結構，通過k-means聚類技術將大規(guī)模訓練集劃分成多個結構相似的子類；針對已有鄰域嵌入超分辨算法在鄰域選擇方面存在的不足，提出了一種結合魯棒性SL0稀疏表示與k/K最近鄰策略的稀疏鄰域選擇算法，能同時實現(xiàn)鄰域的選擇與重構權值的計算，有效提高了圖像超分辨重建的質量。
　　 (4)考

6、慮到實例學習方法和重構方法在超分辨重建方面的互補性，提出了一種基于多尺度字典學習和自適應正則化相結合的圖像超分辨方法。為實現(xiàn)基于實例的重建方法，直接從輸入的低分辨圖像中提取不同尺度的圖像塊，通過聯(lián)合學習多個尺度字典，以構建稀疏幻像正則項；為實現(xiàn)基于重構的方法，使用可控核回歸技術構造局部先驗正則項，以獲取圖像的局部結構信息；使用非局部均值濾波技術構造非局部先驗正則項，以獲取圖像中相似性冗余性信息。將全局重構約束項、局部與非局部正則項和稀疏

7、幻像正則項相組合，構成一個統(tǒng)一的超分辨重建框架優(yōu)化求解。在不需要外部訓練圖像的情況下，提出的方法在保持清晰的圖像邊緣和恢復豐富的高頻細節(jié)兩方面均能取得較好的效果。
　　 (5)本質上，基于實例學習方法的重建質量很大程度上依賴于訓練圖像。鑒于此，提出了一種多尺度自相似冗余學習的圖像超分辨方法。該方法首先利用低分辨圖像不同尺度的自相似冗余結構構造訓練圖像塊對，然后，使用鄰域嵌入算法和逐層重建策略，逐步將輸入的低分辨圖像放大到所需要的