基于近邻嵌入逐级放大的图像超分辨率重建 Super-Resolution Image Reconstruction Based on Stepwise Magnification of Neighbor Embedding.pdfVIP

华南理工大学学报(自然科学版) 第41卷第5期 JournalofSouthChina of V01．41NO．5 UniversityTechnology 2013年5月 Science Mav2013 (Natural Edition) 基于近邻嵌入逐级放大的图像超分辨率重建术 廖秀秀1 韩国强1 沃焱1 陈湘骥2 (1．华南理工大学计算机科学与工程学院，广东广州510006；2．华南农业大学信息学院，广东广州510642) 摘要：针对基于近邻嵌入的图像超分辨率重建，提出带约束的逐级放大策略来提高近 邻保持率，改进重建效果，并对各级放大的图像用迭代反向投影约束进行修正，减少学习 过程中可能出现的误差，保证每一级的解向着正确的方向演化．此外，为充分利用测试图 像本身的信息，将由测试图像得到的在线训练集与由训练图像数据库得到的离线训练集 串联，构成联合训练集，进一步改进算法的性能．实验表明，与现有的一些算法相比，文中 算法无论在视觉效果还是客观评价上都获得了更好的结果． 关键词：图像处理；超分辨率重建；近邻嵌入；逐级放大；迭代反向投影；联合训练集 中图分类号：TP391 超分辨率(sR)重建技术利用单帧或多帧低分地降低了训练样本的数目，取得了较好的重建性能． 辨率(LR)的图像，重建出具有高像素密度、包含更然而，由于LR到HR是一对多映射，HR／LR图像块 多细节的高分辨率(HR)图像．sR重建在高清晰度 对的近邻关系并不能很好地保持．此外，若近邻数目 数字电视、视频监控、遥感图像、医学成像等领域具 选择不合适，容易由于过拟合或欠拟合而产生模糊 有广泛的应用前景． 效应．Zhang等’5 基于学习的方法从HR／LR训练图像对“幻想” 块聚类，实现部分监督的NE算法，从而改进了传统 高频细节，打破了基于重构的方法放大倍数的限 算法对近邻数目敏感的问题．Yang等M1通过稀疏编 制¨J，是目前图像sR重建技术的研究热点．Free— 码(SC)算法自适应地选择近邻数目．Zeyde等。7。提 man等怛1利用Markov网络建模HR图像块与其对 出的基于稀疏表示的SR使用K．奇异值分解(K． 应的LR图像块之间的关系，并使用Bayesian置信 SVD)算法进行字典学习，从而提高效率．Gao等旧’ 算法寻找后验概率的局部最大值进行求解．由于需 提出稀疏近邻选择方案，使得近邻搜索和权值计算 要构建由大量HR／LR图像块对生成的Markov网 同步进行，解决了二者分步进行时不能达到最优的 络，该方法计算量大，并且对训练集敏感．Chang 等口。将流形学习中的局部线性嵌人(LLE)’4o引入到 问题．Tang等po提出局部学习方法，通过局部回归过 程增强近邻方法的泛化能力．wu等¨训用核偏最小二 图像SR重建中．该算法假设HR／LR图像块对(或 其特征表示)具有相似的局部几何特性，通过线性 乘(KPLS)方法表征HR／LR图像之间的非线性关系． 联合训练集中的候选HR图像块得到估计的HR图 在基于NE的SR重建中，一个重要的问题是尽 像块．这种基于近邻嵌入(NE)的SR重建方法极大可能地提高LR图像块和对应的HR图像块之间的 收稿日期：2012—09—24 (10452840301004638)；广州市