基于稀疏表示的图像分辨率增强处理_毕业论文.docVIP

摘要 图像超分辨率重建技术是从单幅或者多幅低分辨率图像重建得到高分辨率图像的技术，其基本的思想是采用信号处理的方法，恢复成像的重建过程中丢失的高频率信息。目前，图像超分辨率重建算法主要分为三大类：基于插值的图像超分辨率算法，基于多帧重建的图像超分辨率算法以及基于学习的图像超分辨率算法。本文首先对基于学习的图像超分辨率重建算法和稀疏表示理论进行了介绍，其次对本文中将要使用的重建算法以及弹性网约束进行了研究。最后使用该方法进行了多组仿真实验，并给出了结果以及总结。 关键词：超分辨率重建，基于学习的方法，稀疏表示，弹性网约束  Abstract Image super-resolution technique is to get high-resolution images from a single low-resolution image or multiple low-resolution image, the basic idea is to use the signal processing method, to recovery the high frequency information which is lost in the imaging reconstruction process. Currently, the super-resolution image reconstruction algorithm is mainly divided into three categories: Image super-resolution algorithms based on interpolation, image super-resolution algorithms based on multi-frame and image super-resolution reconstruction algorithms based on learning. In this thesis, firstly, image super-resolution reconstruction algorithms based on learning and sparse representation theories were introduced, then the reconstruction algorithm used herein as well as elastic net were studied. Finally, multiple sets of simulation experiments were performed, and the results and summary were given. Keywords: Super-resolution reconstruction, Learning-based approach, Sparse representation, Elastic net 目录 1前言 1 1.1课题背景 1 1.2 超分辨率重建技术及其实际应用领域 2 1.3本文的主要工作及内容安排 8 2 稀疏表示与字典学习理论 10 2.1 稀疏表示理论 10 2.2稀疏表示的字典构建方法 12 2.3弹性网约束概述 16 2.4本章小结 18 3 基于稀疏表示的单幅图像超分辨率重建 19 3.1算法流程概述 19 3.2重建流程概述 20 3.3图像质量评价 21 3.4本章小结 24 4 实验结果及分析 25 4.1图像超分辨率重建实验及分析 25 4.2实验小结 31 5 结束语 32 5.1工作小结 32 5.2讨论与展望 32 参考文献 34 致谢 37 1前言 1.1课题背景 图像是人类获取信息的几大来源之一，是人类社会活动中最为常用的信息载体。人眼观察到的图像，其细节信息越丰富，图像的整体效果越好，图像质量越高。图像分辨率[1]是图像细节分辨能力的衡量指标，它表示图像中目标物体的细致程度和图像信息的详实程度，反映了图像中存储的信息总量。因此，对于人类来说，高分辨率的图像对于人类的社会活动有相当大的帮助。然而由于受到图像成像装置的技术条件的限制以及诸多相关环境因素的影响，实际中获得的图像的质量往往达不到预期，这对于图像的后续处理产生了十分不利的影响[2]。 为了解决这一问题，研究人员与学者主要提出了两种可能的方法：（1）改善图像成像设备的条件，以获得更高质量的图像；（2）利用信号处理技术，提高图像的分辨率。 目前，成像设备主要有互补金属氧化物半导体（Complementary Metal Oxide Semiconductor, CMOS）和电荷耦合器件（Charge