基于自学习的稀疏正则化图像超分辨率方法.pptxVIP

基于自学习的稀疏正则化图像超分辨率方法李文文基于自学习的稀疏正则化图像超分辨率方法在贝叶斯统计框架下建立了一种新的基于稀疏正则化的图像超分辨模型。模型中的保真项度量理想图像在退化模型下与观测图像的一致性，稀疏正则项刻画理想图像在词典下的稀疏表示。该模型还引入了图像的非局部自相似性和超拉普拉斯先验作为正则化约束。基于自学习的稀疏正则化图像超分辨率方法为使稀疏域更好地表征高分辨率图像，选取高分辨率图像块的高频特征进行稀疏表示，由此增强了稀疏模型的有效性。将词典学习融入到超分辨率重建过程中，即直接从当前估计的高分辨率图像特征块学习词典，与从训练样本库中学习词典相比，这种自学习的方法对不同图像的自适应性更强，并且减少了运算量。基于自学习的稀疏正则化图像超分辨率方法由于噪声和降质过程的不可逆性，超分辨率重建是一个病态求逆问题。解决这种问题的有效方法是正则化方法。文本建立了结合稀疏先验!非局部自相似和超拉普拉斯先验的正则化模型。基于自学习的稀疏正则化图像超分辨率方法稀疏正则化约束自然图像的统计特性表明图像块可以近似地由一个过完备词典的少数原子的线性组合表示。每个图像块的稀疏表示可以转化为如下目标函数的优化问题:基于自学习的稀疏正则化图像超分辨率方法本文不直接利用高分辨率图像块的像素值，而是提取其高频特征进行稀疏表示，该策略可以更好地表征图像块的边缘和结构。将高分辨率图像与上采样图像的差图像作为高分辨率图像的高频信息，U表示一个基本的上采样方法( 比如双三次插值) 。考虑到稀疏表示中L1范数最小化的收缩效应，所有的高分辨率图像特征块需要归一化为单位长度。基于自学习的稀疏正则化图像超分辨率方法在最大后验概率理论框架下，将图像超分辨率重建问题建模为稀疏性正则化优化问题进行求解，第 1项保证了基于退化模型的重建图像与观测图像的一致性约束，第 2项和第3项保证了在重建图像中，每一个特征块都可以由一个合适的过完备词典稀疏表示，是一个平衡一致性约束和稀疏先验的参数，Pi是图像块的提取矩阵。基于自学习的稀疏正则化图像超分辨率方法然而，单一的稀疏性正则化函数对图像的重建能力有限，本文在此基础上引入了非局部自相似性，该性质对于增强重建图像的质量是很有益处的。非局部自相似正则化约束在自然图像的不同区域中，常出现重复的结构模式，且具有相同结构模式的图像块在空间上可能相距较远，这种性质称为图像的非局部自相似性。该性质有助于保持重建图像的纹理和结构。基于自学习的稀疏正则化图像超分辨率方法对于局部图像块Xi，可以在整个图像区域中搜索其非局部相似图像块 Xj,加入Xic和Xjc是中心像素点，所以Xic可由Xjc加权平均表示。基于自学习的稀疏正则化图像超分辨率方法将非局部相似性二次约束项加入：