tetrole稀疏正则化与样本学习的图像超分辨率算法研究.pdfVIP

硕士论文 ‘Te仃olct稀疏正则化与样本学习的图像超分辨率算法研究 摘 要 利用信号处理技术来进行图像超分辨率重建成为目前图像处理领域的研究热点。 本文系统综述了目前图像超分辨率技术的研究现状以及应用前景，并对常用的基于样 本学习的学习模型进行简要概括，在介绍聊olet基本变换过程的基础上，着重从理 论和实验上分析了Te舡olet变换系数的条件概率分布、联合概率分布和隐马尔科夫树 的统计模型。进而结合相关理论知识以及大量的实验分析，探索了Tetr01et变换在图 像去噪，基于Tetrolet稀疏正则化和样本学习的超分辨率重建算法中的应用。 本文的主要工作如下： 分布的拟合模型，边缘概率分布和联合概率分布模型。数值试验结果表明Te仃olet变 换具有较好的稀疏性。 同分布特性，进行阈值收缩图像去噪，然后结合各向异性全变差(ATV)的特性，设 计了一个联合Te们let变换和A1W的图像去噪算法。实验结果表明该算法能有效地抑 制阈值收缩过程产生的pseudo—Gibbs现象。 。 第三、重点研究了基于全变差(Tv)正则化的图像超分辨