基于稀疏表示的二值图像超分辨率重建研究

摘要

随着图像处理技术的发展，人们对高分辨率图像的需求日益增大。二值图像，即拍摄后灰度集中在两个峰值区域的图像，是图像中的一个重要组成部分，在实际中存在着广泛的应用，比如其中典型的文本图像、条码图像、车牌等，存在于人们生活的方方面面，而分辨率不够会导致识别的困难。因此，对二值图像进行超分辨率重建具有很强的实用价值。本文对基于稀疏表示的二值图像的超分辨率重建算法进行了深入的研究，提出了针对于二值图像的超分辨率重建算法。本文的主要工作从以下几个方面展开：
　　1、分析超分辨率重建模型，研究基于插值、重建和学习三类不同的图像超分辨率方法的基本思想、经典算法以及各自的优缺点，体现出基于学习的图像超分辨率方法的优越性，而稀疏表示法是基于学习的方法中的一种突出算法，因此本文采用基于稀疏表示的方法对二值图像进行超分辨率重建。
　　2、深入研究稀疏表示模型的基本理论和几种常用的稀疏编码问题的求解算法。在充分理解超分辨率重建和稀疏表示理论的基础上，给出针对于二值图像的基于稀疏表示的超分辨率重建算法框架。
　　3、对二值图像的典型特征进行深入分析，认为二值图像普遍具有明显的边缘特征和纹理特征，因此，从这两方面的特征入手，寻求对二值图像高频信息最恰当的表达方法。通过研究和对比各类边缘特征和纹理特征提取算法，最终提出选取Kirsch算子和LBP算子作为二值图像主要的特征提取方法，对二值图像的边缘特征和纹理特征进行抽取，再加上水平和垂直两个方向的二阶梯度算子，共同用于对字典学习的训练样本集和输入的低分辨率二值图像特征的提取上，并通过大量实验证明提出的特征提取方法对二值图像超分辨率重建的积极作用。
　　4、由于二值图像中有二维码、文本等不同类型的图像，因此，对这些图像用同一个学习字典会导致准确度不够。本文提出了适合于二值图像的字典学习方法。首先随机选取内容相关的训练样本集作为字典学习的输入，再利用K-means算法对训练样本集进行聚类，随后对聚成的K类样本集分别运用K-SVD算法进行字典学习，用生成的K个聚类子字典进行二值图像的超分辨率重建。通过实验证明提出的针对二值图像的字典学习算法在二值图像重建质量上的有效性。

目录

声明

注释表

缩略词

第一章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 本文主要研究工作

1.4 本文内容安排

第二章 图像超分辨率重建

2.1 超分辨率重建模型

2.2 超分辨率重建算法

2.3 重建图像评价标准

2.4 本章小结

第三章 基于稀疏表示的二值图像超分辨率重建框架

3.1 稀疏表示问题模型

3.2 稀疏表示模型求解

3.3 基于稀疏表示的二值图像超分辨率重建

3.4 本章小结

第四章 二值图像特征提取

4.1 二值图像特征分析

4.2 边缘特征

4.3 纹理特征

4.4 二值图像特征

4.5 实验结果与分析

4.6 本章小结

第五章 基于聚类的字典学习方法

5.1 训练样本选取

5.2 字典学习方法

5.3 联合字典学习

5.4 聚类子字典

5.5 基于K-means聚类的字典学习

5.6 实验结果与分析

5.7 本章小结

第六章 总结与展望

6.1 工作总结

6.2 未来展望

参考文献

致谢

在学期间的研究成果及发表的学术论文