超分辨率圖像重構(gòu)技術(shù)的研究與應(yīng)用.pdf

1、超分辨率圖像重構(gòu)是一個利用多幀關(guān)于同一場景的低分辨率圖像，去重構(gòu)出一幅具有更高分辨率圖像的過程。它是近年來在數(shù)字圖像處理、人臉識別等領(lǐng)域內(nèi)最為活躍的研究課題之一。它具有廣泛的應(yīng)用領(lǐng)域和重要的理論研究價值?！　”菊撐闹饕槍δ壳俺直媛蕡D像重構(gòu)所面臨的兩大難點，即計算復(fù)雜性高和成像質(zhì)量退化展開研究。同時也對如何結(jié)合模式識別進行超分辨率圖像重構(gòu)，以及低分辨率人臉的超分辨率重構(gòu)識別進行了研究。 本論文針對超分辨率圖像重構(gòu)中MAP算法

2、和POCS算法的特點，首次在理論上分別提出了量化的計算復(fù)雜性定義。并以此為基礎(chǔ)，詳細(xì)地分析了各種算法的計算復(fù)雜性。結(jié)果表明，超分辨率圖像重構(gòu)的計算復(fù)雜性主要由三個參數(shù)決定：即放大倍數(shù)，低分辨率圖像尺寸，和低分辨率圖像數(shù)目。提出了普遍適用的，有效降低計算復(fù)雜性的三種方法：即遞歸多級重構(gòu)算法，并行遞歸多級重構(gòu)，和圖像分割并行重構(gòu)。由于這三種方法的相互獨立性，故可以根據(jù)實際需要分別選用這三種方法，或?qū)⑺鼈冹`活組織起來一起運用?！　√岢隽酥貥?gòu)

3、噪聲這一概念。對重構(gòu)噪聲的詳細(xì)研究表明，在超分辨率重構(gòu)圖像中不僅僅存在傳統(tǒng)圖像恢復(fù)中常見的邊緣振蕩效應(yīng)、邊緣鋸齒效應(yīng)和方塊效應(yīng)，還存在著其特有的梳毛效應(yīng)。這四種重構(gòu)噪聲不僅與圖像的局部特性密切相關(guān)，還與所采用的超分辨率圖像重構(gòu)算法和重構(gòu)條件有關(guān)，具有比較復(fù)雜的特性。為了能同時有效地抑制所有這四種重構(gòu)噪聲，我們提出了一種新的自適應(yīng)濾波算法。其原理是根據(jù)四種重構(gòu)噪聲各自的特點，將圖像分割為不同的區(qū)域，并對不同的區(qū)域采取不同的濾波處理方法。結(jié)

4、果表明：當(dāng)缺乏觀測數(shù)據(jù)時，該算法能有效地濾除各種重構(gòu)噪聲，并且濾波后的圖像質(zhì)量也得到了提高；但對于大倍數(shù)放大重構(gòu)，僅僅對最后重構(gòu)出的圖像進行濾波還是不能得到令人滿意的結(jié)果。為此，我們提出了一種通用混合遞歸算法，該算法較好地解決了目前大倍數(shù)超分辨率圖像重構(gòu)的兩大難題：即計算復(fù)雜性的上升與重構(gòu)圖像質(zhì)量的退化。新算法具有普適性，還具有一些在實用中極其有用的特性，如對噪聲更具魯棒性，對觀測數(shù)據(jù)的缺乏更具魯棒性等等?！　√岢隽思s束邊界模式(CE

5、P)這一概念，構(gòu)造了用于CEP識別的一套特征矢量。提出了一種基于CEP識別與POCS的混合超分辨率圖像重構(gòu)算法。該算法將重構(gòu)過程分為兩步：第一步利用訓(xùn)練后的MLPN對低分辨率像素的CEP進行識別，并恢復(fù)出CEP中相應(yīng)的高分辨率像素；第二步利用POCS算法中的投影算子對所獲得的高分辨率像素進行投影迭代更新。為了得到更為可靠的CEP識別結(jié)果，還進一步提出了CEP交叉識別法?！　‘?dāng)人臉圖像的分辨率過低時，不論是基于Eigenface空間還是