基于機器學習的單幅圖像超分辨率重建的研究.pdf

1、在實際的應用中，隨著經濟和社會的快速發(fā)展，人們對圖像的要求越來越高。但是，由于硬件設備和成像技術的限制，得到的圖像很難達到人們的要求。如果想要從硬件設備上來提高成像質量，需要的成本和代價都比較高。隨著軟件技術科技的迅速發(fā)展，人們希望從軟件方面來實現(xiàn)圖像分辨率的提高，代替硬件設備上的改進，這種在軟件上提高圖像質量的技術稱為圖像超分辨率重建技術。本文從單幅重建的不同角度出發(fā)，對重建算法進行各個方面的改進，主要的研究內容和創(chuàng)新點如下：

2、　?。?）圖像超分辨率重建在成像觀測模型中是一個逆問題，具有不適定的特性，得到的解是不唯一的。在本文中我們把超分辨率重建看做一個目標優(yōu)化問題，提出了一種基于遺傳算法和正則先驗模型的圖像超分辨率重建算法。超分辨率重建算法中構建的正則先驗模型一般是通過一步步地迭代來求解，得到的是局部范圍內的最優(yōu)解。為了擴大算法的搜索范圍，我們在迭代的求解過程中引入遺傳算法，提高的算法的搜索能力。本算法主要是分成以下兩步來實現(xiàn)的：第一步，首先將非局部均值濾波

3、和全變差引入到基于自適應的稀疏域的稀疏表示中來構建數(shù)學模型。第二步，利用迭代收縮閾值法求解上一步中構建的數(shù)學模型，在迭代一定次數(shù)后，也就是估計值接近局部最優(yōu)解時，引入遺傳算法來跳出局部搜索范圍。通過對比實驗，表明了我們提出的算法無論是從理論數(shù)據(jù)上還是視覺上，都獲得了較好的重建效果。
　?。?）這一部分中，我們提出了一種基于稀疏表示系數(shù)聚類的圖像超分辨率重建算法。稀疏表示能夠將圖像的能量集中表現(xiàn)在極少的原子上，將圖像用另一種形式簡潔

4、的表示出來，這種簡潔的形式更適于圖像的聚類。在本文中我們首先用主成分分析來得到低分辨率圖像的稀疏字典和相應的稀疏表示系數(shù)；然后，用K-mea ns對稀疏表示系數(shù)聚類，將低分辨率和高分辨率圖像的特征空間分成若干個子空間，分別求出子特征空間的對應關系。相對于以往的直接在圖像空間上聚類的算法，我們方法能夠很好的恢復出高頻信息，從理論數(shù)據(jù)和視覺上，都要優(yōu)于其他的一些算法。
　?。?）這一部分是對基于稀疏表示系數(shù)聚類的圖像超分辨率重建的改進