基于自相似的单幅图像超分辨率重建研究

《基于自相似的单幅图像超分辨率重建研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10406分类号：TP391.4学号：130083500001南昌航空大学硕士学位论文（学位研究生）基于自相似的单幅图像超分辨率重建研究硕士研究生：韩伟导师：储珺教授申请学位级别：硕士学科、专业：软件工程所在单位：软件学院答辩日期：2016.05.31授予学位单位：南昌航空大学SingleImageSuper-resolutionReconstructionBasedonImageSelf-similarityADissertationSubmittedfortheDegreeofMasteronsoftwareengineeringbyHanWeiU

2、ndertheSupervisionofProf.ChuJunSchoolofsoftwareNanchangHangkongUniversity,Nanchang,ChinaMay31th,2016摘要基金资助：本论文得到国家自然科学基金项目（No.61263046）。图像超分辨率重建作为图像处理和计算机视觉的一个重要组成部分，在实际生活中，如高清影像，图像压缩以及图像恢复等具有广泛的应用。图像超分辨率重建的目标是从单幅（或者多幅）低分辨率图像中恢复高分辨率图像。本文研究的重点是从单幅图像中恢复高分辨率图像。相对于多幅图像，该问题更加不定，因此需要引入很强的先

3、验信息。图像的边缘先验以及多尺度图像的相似先验被普遍认为是较好的先验。近年来很多学者在这个方面进行了深入的研究，也提出了很多先进的超分辨重建方法。为此，本文在以上两方面作了如下研究：现有的基于边缘锐化先验的超分辨率重建方法主要存在如下问题。首先，基于边缘定位的方法需要高精度的边缘定位才能达到较好的效果。其次，这些方法通常忽略了图像的多尺度相似性。针对该问题，我们提出了基于跨尺度（多尺度的一个特例）学习的边缘指导的单幅图像的超分辨率学习方法。该方法的核心是提出了一种跨尺度的边缘锐化函数学习框架。首先，提出的方法利用图像本身不同尺度的相似性信息，从低分辨率以及更低分

4、辨率图像配对中学习锐化函数。而后，将该锐化函数应用于高分辨率和低分辨率图像配对，从而估计高分辨率图像的锐化边缘先验。最后，利用基于边缘指导的超分辨率框架，结合估计的锐化边缘图像，恢复出高分辨率图像。现有的一些基于学习的方法主要是在已有的训练样本中去学习图像之间的关系，如果训练库中没有需要重建的图片类型，那么利用训练出来的模型会产生一定的误差。例如，利用自然图像训练模型难以应用于其它图像，如医学或遥感等图像。针对该问题，提出了基于自相似回归的超分辨率算法。首先，本文提出多尺度自相似样本获取。具体地，对样本进行连续下采样，即：原图像和下采样过后的图像形成了高低分辨率

5、的配对。由此，可以获得高低分辨率图像对应块，从而用于训练回归模型（学习模型的一种）。同时，本文在传统线性回归思想的启发下，提出了新的双线性回归模型用于学习变换矩阵，即：从低分辨率图像块到高分辨率图像块的变换矩阵。通过对大量的对比实验（包括视觉和数值两个方面），验证本文提出的两种超分辨率重建方法具有一定的可行性。关键字：超分辨率，梯度模值，双线性回归，图像处理，相似性IABSTRACTImagesuper-resolutionisanimportantpartofimageprocessingandcomputervision.Inreallife,itiswid

6、elyusedinmanyapplicationssuchashigh-definitionvideo,imagecompressionandimagerestoration.Thetargetofimagesuper-resolutionistorestorehigh-resolutionimagesfromasingle(ormultiple)low-resolutionimage(s).Thispaperfocusesonrestoringahigh-resolutionimagefromasingleimage.Incomparisontothecase

7、ofusingmultipleimages,thisproblemismoreuncertain.Hence,astrongaprioriinformationisnecessarytomakeitfeasible.Imageedgesandmulti-scaleimagesimilarityprovetobetwotypesofpromisingaprioriinformation.Inrecentyears,manyscholarshaveconductedin-depthresearchinthisaspect,andmanyadvancedsuper-r

8、esolutionrec