基于学习的超分辨率重建：应用高斯马尔可夫随机场和离散小波变换.docVIP

翻译： 新的基于学习的超分辨率：应用离散小波变换和非其次的高斯马尔可夫随机场 摘要：本文中，我们提出了一种新的基于学习的超分辨率的方法。在给定的低分辨率的测试图像，和包含高低分辨率的图像数据库中获得高分辨率的检测图像。通过从数据库中学习高频的细节，我们首次获得最初的高辩估计。为了学习应用一系列的低分辨率的图像和他们相对的高频版本，因此提出了离散小波变换（DWT）。因为超分辨率是一个病态问题，我们获得最终的解决方法应用一个规范化的框架。通过对高辩图像模糊化跟加噪声从而构建低辩图像。模糊矩阵通过测试图像跟最初的高辩图像被估计得出。超分辨率的先验模型被选择作为非齐次高斯马尔科夫（IGMRF）随机场，应用最初的HR估计选择模型参数。获得代价函数应用最大后验概率，代价函数被最小化应用样本梯度下降法。为了验证我们方法的有效性我们分别在灰度图像跟彩色图像中进行了实验。本文提出的方法最终和标准的插值法和现存的基于学习的方法进行了比较。这种方法也同时能够被应用到野生物探测、远程检测例如记忆、带宽发射、相机成本受限的时候。 关键词：离散小波变换（DWT）、梯度下降、非齐次高斯马尔科夫随机场学习、标准化、超分辨率 一：引言 在像远程检测、野生物探测和远程探测等很多图像应用领域，很难获得高辩图像甚至甚至相机也不能获得。这些主要因为一些具体的限制例如：存储、带宽传输、能源跟相机成本。因为高辩图像便于分析、分类和翻译，应用给定的低辩观测和包含高低分辨率的图像的算法获得高辩图像将会在此应用上特别有用。标准插值技术像素复制和双线性插值提高了像素的数量在没有实际上增加细节的基础上。这些技术在图像的光滑地带应用的比较好但是在其他尖锐细节边缘处就会产生模糊。超分辨率技术试图在一个或者多个低分辨率观测图像中获取高分辨率图像。在本工程中，应用获得的低辩和高辩的图像数据库能够把低辩图像转化为高辩图像，很多廉价的相机有有限的光学变焦范围，并且安装有低内存。这样的相机只能在有限的分辨率中获取图像或者视频信息。现今高端的相机在不同的空间爱你分辨率下获得不同的图像跟视频信息。因此，很可能点击一个大量的离线的高低图像并且把他们储存到计算机中。这个是一次性操作。一旦数据库被建立，应用我们的方法由低辩相机获取的图象可以被高分变率化。这样拥有明显的好处因为一个人能够获得高辩图像或视频通过应用装有有限内存的低辩相机，本文提出的方法也能够在一个有限带通中进行压缩传输。人们能够压缩低辩图像并且在末端接收器获得高辩图像通过使用一系列的训练对。另外一个重要应用是视频检测，从不同相机中获得的低辩图像，并且应用已经获得的高低数据库高辩的视频能够被获得用来在以后的时间进行分析。 很多眼看就着试图解决超分辨的问题。【1】是第一个研究者改进图像的分辨率。他们单单从提高分辨率图像从一些下采样噪声免费版本中。【2】的作者应用最大先验概率（MAP）框架来联合估计登记参数和严重走样的HR观测图像。【3】提出了一个联合的方法，是图象在几何扭曲、模糊、噪声、下采样下是图像变为高辩图像。他们结合了最大相似性，MAP和凸集投影法。【4】应用信息融合从几个平面视图的拼接融合和超分辨化。近来，【5】的作者提出联合MAP公式结合运动估计，分割、和超分辨一块。他们解决超分辨率问题通过循环坐标体面的过程来对待运动和分割场。还有高辩图像当作未知图像并且联合的估计他们应用获得的数据。在文献【6】中作者展现了一种方法来重构高辩和高动态范围图像，同时的从多个不同的曝光的图像。他们提出了一个随机的超分辨率重建算法，对非线性相机响应方程、曝光时间、传感器噪声、和对空间模糊和采样的量化误差进行建模。【7】提出了增强运动车辆在实时车辆视频中车牌号码的识别。 他们获得车牌的高辩图像通过融合多尺度的信息、子像素变换、具有噪声的低辩观测图像。他们把 超分辨的图像当作马尔可夫随机场对其进行建模，并且应用分层的非凸优化程序对其可进行估计。文献【8】评论了各种各样的超分辨率方法。论文【9】提出了一个联合的去马赛克的方法和低辩的彩色图像的超分辨。他们应用双边正则化亮度项的来重建尖锐边缘。并且，色度和色彩间的依赖性从告便图像中去除彩色伪影。他们对数据误差应用一范数来使得方法对数据建模跟数据误差具有鲁棒性。大多数对于彩色图片超分辨的方法是包括超分辨率算法的对于每一个独立的彩色部分或者把其转变成对于不同色度空间，在此色度层次被亮度所分离，并且超分辨率被仅仅应用于亮度部分。上边的所有方法应用运动作为解决超分辨的解决线索，那需要对于观测图像有精确的限制。 在最近，基于学习的超分辨算法已经引起了很大的重视。在这些算法中，先验信息被从训练数据库中所提取。【10】提出了一个基于样本的超分辨率技术。他们通过把低辩图像插值到所需的灰阶来估计丢失的高频细节。超分辨显示通