基于非局部字典学习的单帧图像超分辨率重建算法

摘要

图像超分辨率重建技术通过软件的方法，将一幅或者多幅分辨率低的图像借助信号处理技术，提升图像的分辨率，从而得到高分辨率图像。它广泛应用在影音领域、公共安全领域、遥感成像领域、医学成像领域、通信领域等，对社会，科技的发展起着至关重要的作用。本文首先介绍了超分辨率重建技术的研究背景及意义、应用领域、研究现状，并对超分辨率技术的方法进行了详细的介绍。在此基础上，针对单帧图像超分辨率重建技术进行了研究。
　　本研究主要内容包括：⑴将局部SVD字典引入高分辨率图像重建。全局字典一般要通过大量的样本训练得到字典，并用这个字典稀疏表示整幅图，一方面由于训练样本数量多，训练字典时间较长，另一方面由于图像信息的复杂性，一个字典不可能包含所有信息，因此会导致部分信息的缺失。局部字典由于局部自适应性强，所以能得到更好的细节信息。所以本文引入了基于奇异值分解的局部字典，接着我们将局部SVD字典用于高分辨率图像重建，详细介绍了如何通过低分辨率图像所训练出的局部SVD字典重构高分辨率图像。实验结果表明在重构高分辨率图像时使用局部SVD字典的方法可以更好地还原细节信息。⑵提出基于非局部字典学习的单帧图像超分辨率重建算法。本文详细地分析了基于重构和基于学习的两种图像超分辨算法的优缺点。基于重构的方法可以获得较为清晰的边缘，但是对细节纹理还原不够准确。基于学习的方法一般能获得更为丰富的细节纹理，但对边缘的保持效果欠佳。将基于重构和基于学习的方法进行结合，共同作为正则化项对图像进行约束，可以综合两者的优点。研究表明图像在不同尺度下具有自相似性，由于非局部均值可以较好地反应图像在相同尺度下的自相似性，用低分辨率得到的字典稀疏表示高分辨率图像反应了图像在不同尺度下的自相似性，所以基于重构和学习的算法将非局部均值和稀疏表示作为联合正则化项。本文在此原有框架的基础上，对其进行了改进。为了更加突出不同尺度下的自相似性以及获得更好的细节信息，我们引入了基于SVD的局部字典，提出了基于非局部字典学习的单帧图像超分辨率重建算法。实验表明本算法不论在视觉感官上还是客观性能评价指标中都表现良好,相比改进前的算法，本文提出的算法对噪声的鲁棒性更强。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 图像超分辨率重建技术研究的背景及意义

1.2 图像超分辨率技术的应用

1.3 图像超分辨重建技术的研究现状

1.4 本文主要工作及章节安排

第二章 图像超分辨率重建技术

2.1 前言

2.2 图像的退化模型

2.3 图像超分辨率重建技术的分类

2.4 图像超分辨率重建技术的方法介绍

2.5 图像超分辨重建技术的评价标准

2.6 本章小结

第三章 基于局部SVD字典的高分辨率图像重构

3.1 前言

3.2 稀疏表示基础和模型

3.3 局部字典和全局字典的对比

3.4 相关内容

3.5 获取SVD字典

3.6 基于SVD字典的高分辨率图像重构算法

3.7 实验结果与分析

3.8 本章小结

第四章 基于非局部字典学习的单帧图像超分辨率重建算法

4.1 前言

4.2 相关内容介绍

4.3 相关正则化项介绍

4.4 算法求解过程

4.5 实验结果与分析

4.6 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

作者简介