基于学习-重构框架的单帧图像超分辨率重建算法分析-analysis of super-resolution reconstruction algorithm for single-frame images based on learning-reconstruction framework.docx

摘要摘要单帧图像超分辨率重建是以一幅低分辨率图像作为输入，使用信号处理技术重建一幅高分辨率图像的过程。基于学习与基于重构的方法是两类十分有效的单帧图像超分辨率重建方法，本文对这两类方法进行了深入的研究，提出了三种超分辨率重建算法。针对可控核回归中固定阶数的多项式基不能有效拟合自然图像中所有局部块，提出了基于局部学习字典的单帧图像超分辨率重建算法。该算法为不同局部结构的图像块自适应地选择拟合基。实验表明提出的算法可以更精确地估计高分辨率图像像素。针对低分辨图像块到高分辨率像素的映射是高度非线性的，而高斯过程回归特别适合处理非线性回归问题，提出了一种基于高斯过程回归的单帧图像超分辨率重建算法。实验表明与一般的线性回归方法相比，高斯过程回归算法可以产生更高质量的高分辨率图像。针对基于学习的方法可以合成丰富的细节却容易在边缘区域引入明显的人工痕迹；基于重构的方法可以产生光滑、清晰的边缘却会使纹理区域过于平滑导致重建的超分辨率图像视觉上不够自然。我们还提出了一种基于自适应稀疏表示与非局部正则化的单帧图像超分辨率重建算法。该算法有机结合了基于学习和基于重构的方法。实验表明所提出的方法既可以合成丰富的纹理也可以生成清晰的边缘。关键字：单帧图像超分辨率重建局部学习字典高斯过程回归稀疏表示摘要AbstractAbstractSingleimagesuper-resolution(SR)istheprocessthatproducesahigh-resolution(HR)imagefromasinglelow-resolution(LR)imageasinputviasignalprocesstechnology.Asweknown,learning-basedandreconstruction-basedmethodsareeffectiveforsingleimagesuper-resolution.Thisthesisgivesanin-depthresearchonbothkindsofmethodsandproposesthreedifferentsuper-resolutionalgorithms.AsfortheproblemthatSteeringkernelregressionfailedtoexactlyfitvarietynaturalimagepatchforitusesfixpolynomialbasis,thelocallearningdictionarybasedsingleimagesuper-resolutionalgorithmisproposed.Theproposedalgorithmadaptivelyselectbasisfordifferentlocalimagepatch,asaresultitcanestimateHRpixelmoreprecisely.ConsideringthecorrespondencebetweenLRpatchandHRpixelisseriouslynonlinearandGaussianprocessregression(GPR)issuitablefordealingwithnonlinearproblems.WeproposedaGPR-basedsingleimagesuper-resolutionmethod.ExperimentalresultsdemonstrateourmethodcanobtainshigherqualityHRimagethanthatoflinearregressionbasedmethods.Learning-basedmethodsarepronetointroduceunexpecteddetailsintoresultantHRimages,whilereconstruction-basedmethodstendtoblurfinedetailsandendupwithunnaturalresults.Tosolvethisproblem,wealsoproposeanadaptivesparserepresentation-andnon-localregularization-basedsingleimagesuper-resolutionmethod.Inthismethod,learning-andreconstruction-basedmethodareseamlesslyintegrated.Wealsodemonstratebothrichtextureandsmoothedgescangeneratedbyproposedmethodfromtheliterature.Keywords:Singleimag