基于機器學習的單幅圖像超分辨率重建的研究.pdf_第1頁
已閱讀1頁,還剩71頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論