论文部分内容阅读
随着视频技术和网络通信技术的迅猛发展,图像质量的改善和图像传输速度的提高已成为人们迫切的需求。超分辨率技术就是在不增加硬件设备的基础上,利用图像处理的方法,把低分辨率图像恢复重建成高分辨率图像,增加图像的高频细节信息。传统的插值方法和重建方法在图像放大倍数较大或者获得的同一场景低分辨率图像数目较少的情况下,超分辨率恢复的图像质量将会快速降质。针对这一问题,基于压缩感知理论,即在温和的环境下稀疏表示能够从下采样信号中精确的恢复出来,本文利用稀疏表示和字典学习的方法对单帧低分辨率图像进行超分辨率重建。图像统计研究表明,图像块能够作为一些元素的稀疏线性组合而得到很好的表示,这些元素来自一个合适的过完备字典。鉴于这一发现,本文通过学习训练得到高低分辨率字典,对输入的低分辨率图像块寻找其在对应字典下的稀疏表示系数,然后利用图像在高低分辨率字典下稀疏表示系数的相似性,由高分辨率字典和低分辨率字典下的稀疏表示系数重建出高分辨率图像。论文主要工作如下：(1)深入研究基于稀疏表示和字典学习的超分辨率算法,利用奇异值分解(K-SVD)的方法训练高低分辨率字典,利用正交匹配追踪算法(OMP)计算低分辨率图像在低分辨率字典下的稀疏表示,由高分辨率字典和低分辨率字典的稀疏表示系数重建出高分辨率图像。(2)为了提高稀疏表示超分辨率图像恢复的精度,本文采用联合字典训练方法,加强高低分辨率字典间的同构性,以保证稀疏性这个先验约束条件。在字典训练中,本文提取低分辨率图像块的梯度特征作为训练样本,来提高字典中元素对图像的稀疏表示能力。最后,本文在稀疏表示重建得到的高分辨率图像基础上,利用全局重建模型对图像进一步优化,以消除局部差异。(3)为了提高稀疏表示超分辨率图像恢复的速度,本文提出了一种基于图像块选择策略的快速稀疏表示算法。基于图像块的方差阈值,对图像中位于边缘和轮廓的图像块采用稀疏表示算法,对位于平滑区域的图像块采用双三次插值算法,使得超分辨率算法在图像质量和重建速度上达到平衡。(4)本文在Matlab平台下进行仿真实验,实验结果证明了本文提出的思想和算法是有效的。重建得到的超分辨率图像在精度上远远超过双三次插值算法,和同类稀疏表示算法相比也有一定的优势。最后,通过实验结果讨论了稀疏表示算法对噪声的鲁棒性,并分析了字典的规模对重建图像质量的影响。