数字图像处理大作业-基于稀疏表示的非局部自回归图像插值.docVIP

数字图像处理大作业 姓名： 学号： 姓名： 学号： 姓名： 学号： 基于稀疏表示的非局部自回归图像插值 一、摘要： 稀疏表示被证明是一种很有前景的图像超分辨率的方法，在这种情况下，低分辨率(LR)图像通常被建模为在模糊之后的高分辨率(HR)的下采样版本 =arg min x || y ? DHx||22。 然而，这个L2范数最小化问题的解决方案是不唯一的，和重建图像通过IBP是经常吵闹。为了细化解空间，可以用r（x）表示x的正则化项介绍了规范的解决方案： =arg min x {|| y ? DHx||22 +λ R( x)},在λ是标量常数。一种广泛使用的正则化的总变异（TV）模型[ 13 ]，它假定自然图像具有小的第一衍生物。然而，电视模型倾向于分段恒定的图像结构，因此倾向于平滑图像细节。 近年来，稀疏表示模型（SRM）[ 14-29 ]在超分辨率图像显示出可喜的成果。SRM假定图像x是稀疏的一些领域跨越了一个字典Ψ，即X≈Ψα和α大部分系数接近于零。直观地说，SRM正则可设置R（x）= | |α| | 0。然而，10最小化非凸。作为最接近的凸松弛[ 28 ]，L1范正则化矩阵R（x）= | |α| | 1被广泛采用，导致以下基于超分辨率模型:??? =arg min a {|| y ? DHΨα||22 +λ||α||1} 一旦编码向量得到所需的HR图像可以重建为上述L1最小化问题可以通过迭代收缩代理16和近端[ 17 ]算法等技术来解决。除了在公式（1）中的标准稀疏编码模型外，在（44, 33, 26）组/同时稀疏编码模型中提出了利用自然图像中的非局部自相似性和局部稀疏性。在27中，还提出了一种集中式稀疏编码模型，用于图像非局部冗余。μ( A,Ψ ) ? n max1≤ k , j ≤n |? ak ,ψ j ?| [45],其中n是样本大小，ak表示ψj标示jth atom (i.e., column) of Ψ。有μ( A,Ψ ) [1, n] 。为了获得良好的重建，相干小的应该是小的。 稀疏： 原始信号x应该在字典Ψ稀疏在图像插值的情况下，矩阵H是恒等矩阵，因此，采样矩阵a＝d是正则矩阵或尖峰矩阵。它已被证明，[ 45 ]这样的D和Ψ之间的一致性是最小的i.e., μ(D,Ψ) = 1，当Ψ是傅里叶词典。然而，自然图像通常不限带由于许多尖锐的边缘结构，从而Ψ傅里叶词典可能不会导致对自然图像的稀疏表示。其他词典如小波字典，典型的采样矩阵D通常是一致Ψ。例如，典型的采样矩阵D和Haar小波字典之间的平均相干值，Daubechies D4和D8词典5.65，分别为5.72和5.76，当样本大小为n = 64（即，8*8图像块）。考虑到最大的连贯性是sqrt（64）= 8，n = 64，我们可以看到，小波字典是典型的采样矩阵高度相干。除了分析傅里叶和小波字典，利用算法如K-SVD [ 30 ]我们可以学习字从一些高质量的自然图像。规范抽样矩阵D与此类字典的一致性约为4.45～5.97。总的来说，我们可以看到典型的采样矩阵D和字典Ψ高之间的一致性，使得基于图像插值效果较差 Eq. (1)重建HR形象。在[ 6 ]中，一对超完整的字典，由ΨhΨl展示，从一组HR图像补丁和相关的LR图像补丁集中学习。在两对字典中，两组训练块共享相同的稀疏表示系数。然后，对于一个输入LR图像y，它被稀疏地表示为Ψl，并利用所得到的稀疏表示系数α重建HR图x=Ψhα。本文提出了一种改进的基于耦合字典学习的图像超分辨率方法（50）。在（8）中，基于不同先验的图像正则性，计算了x的一系列线性逆估计量。然后将这些估计量混合到具有适当正则性的系数上的一个框架中，提供一个在每一个斑块中按信号规律加权的L1稀疏表示。这些逆估计的稀疏混合提高了每个估计量的稳定性，使最终估计更加准确。 在本文中，我们提出了一种新的基于SRM的图像插值方法，通过建模和自适应地利用图像局部和非局部冗余。自然图像通常显示出大量的重复模式。对于一个给定的图像补丁，我们可能会找到许多类似的补丁，它可以在空间上接近或远离这个补丁。这种非局部相似性是提高恢复图像的输出有很大的帮助，并已成功地在图像去噪中的应用[ 2 ]，[ 12 ]和[模糊分辨率37-38，49 ]。考虑到一个给定的像素可以由外地邻居近似，这是非局部均值滤波[ 2 ]的基本原理，提出了非局部自回归模型的概念（海军），它是指在一个给定的像素建模作为其局部相邻像素的线性组合。NARM可以看作是常用的自回归模型的自然延伸，接近一个像素作为其邻居的线性组合。NARM反映图像的自相似性，它限制了图像的