基于學習的圖像超分辨率算法研究.pdf

1、圖像超分辨率作為圖像處理領(lǐng)域的一個經(jīng)典問題在近些年來得到了很多研究學者的關(guān)注。圖像超分辨率技術(shù)使用單幀或多幀低分辨率圖像，挖掘低分辨率圖像中的相關(guān)性、互補性等信息，以軟件算法的方式來提高目標圖像的空間分辨率。通過圖像超分辨率技術(shù)使得我們能夠利用現(xiàn)有的低分辨率成像系統(tǒng)，以靈活且低成本的方式來得到分辨率更高的圖像。
　　在圖像超分辨率算法中基于學習的方法由于引入了學習訓練庫的信息，相較于基于插值以及基于重構(gòu)的圖像超分辨率算法具有更大的

2、潛力來提高圖像的分辨率水平。本文以圖像超分辨率問題為研究對象，提出了兩種基于學習的圖像超分辨率方法：基于局部線性嵌入的方法和基于卷積神經(jīng)網(wǎng)絡(luò)的方法。
　　基于局部線性嵌入的圖像超分辨率方法，將流形學習中的局部線性嵌入算法引入圖像超分辨率問題當中，利用局部線性嵌入思想挖掘低分辨率圖像塊與高分辨率圖像塊之間的對應(yīng)關(guān)系，從而重構(gòu)出目標低分辨率圖像對應(yīng)的高分辨率圖像。在此基礎(chǔ)上，本文提出了將多角度、多鏡像相似塊查找的策略來改進提高超分辨率

3、的效果，并通過實驗驗證了方法的有效性。
　　基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率方法，將近些年來非常流行的深度學習中的卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到圖像超分辨率中，建立一個為圖像超分辨率特別設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)，將大量的低分辨率圖像塊與對應(yīng)的高分辨率圖像塊作為訓練樣本，采用隨機梯度下降法對其進行訓練學習。經(jīng)過充分訓練優(yōu)化后得到的網(wǎng)絡(luò)便代表著低分辨率圖像到高分辨率圖像的一個映射關(guān)系，將目標低分辨率圖像輸入到網(wǎng)絡(luò)就可以得到與之相對應(yīng)的高分辨率圖像。同