基于回歸學習的圖像超分辨算法研究.pdf

1、圖像超分辨是當前數字圖像處理研究中的熱點問題,其目的就是在不改變現有成像系統的前提下,以低成本從低分辨率圖像中得到高分辨率圖像。對于這一病態(tài)問題,主要有三類解決方法:基于插值的圖像超分辨算法、基于多幀重建的圖像超分辨算法和基于學習的圖像超分辨算法。前兩種算法已經相對成熟,基于學習的圖像超分辨是當前超分辨重建研究的熱點,由于使用了訓練數據,所以在主觀視覺評價和客觀評價上都有較好的效果。本文主要研究基于回歸分析的超分辨重建,通過在訓練集上的

2、學習,建立高分辨率圖像與低分辨率圖像之間的映射關系,進一步設計并優(yōu)化基于回歸學習的超分辨算法。主要的研究內容及貢獻如下:
　　 1)提出基于正交基匹配追趕(Orthogonal Matching Pursuit,簡稱OMP)的線性核回歸圖像超分辨算法。本文將圖像超分辨重建問題轉化為線性核回歸問題,求解圖像的低分辨圖像和高分辨圖像之間的線性映射關系。由于回歸過程中涉及到大規(guī)模樣本的學習,計算復雜度高,為此,采用正交基匹配追趕的方法

3、求解回歸學習中的相應參數,所提算法在標準的圖像庫上測試,實驗結果證明了算法在執(zhí)行時間及效果上的有效性。
　　 2)提出基于局部線性回歸的圖像超分辨算法。將超分辨圖像僅僅看成對應的低分辨圖像的函數,而不依賴于訓練庫中其它的低分辨圖像。對該問題的建模,充分考慮了低分辨率圖像空間與高分辨率圖像空間之間的結構相似性。本文采用近鄰訓練數據對進行超分辨映射訓練,首先在訓練圖像庫中尋找與詢問圖像塊最相似的低分辨圖像塊,并找到對應的高分辨圖像塊

4、,建立線性回歸模型,從而建立低分辨圖像與高分辨圖像之間的函數映射關系,即高分辨圖像的每個像素值僅僅依賴于當前的低分辨圖像的像素值。實驗結果驗證了算法在超分辨效果的有效性。
　　 3)提出基于高斯過程回歸(Gaussian Process Regression,簡稱GPR)的圖像超分辨算法。進一步將圖像超分辨重建問題轉化為高斯核回歸問題,求解高分辨率圖像和低分辨率圖像之間的非線性映射關系,并利用該映射關系對詢問的低分辨圖像進行高分