论文PPT 基于稀疏表示图像分辨率增强处理.pptVIP

华东理工大学 East China University of Science And Technology 基于稀疏表示的图像分辨率增强处理 前言 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。 然而受到诸多因素的影响，实际获得的图像质量往往达不到预期。 在传统成像设备条件受到限制的情况下，利用其它思路来提高图像分辨率的方法有了实际应用需求——图像超分辨率重建技术。 前言 超分辨率重建技术是指利用信号处理技术，从单帧或多帧低分辨率图像中重建出高分辨率图像的技术。该技术可以有效地提高图像的空间分辨率。 图像超分辨率重建技术的算法有许多种，我们根据其基本原理的不同，主要将其分为三个大类：基于插值的算法；基于重建的算法；基于学习的算法。 前言 其中，基于插值的算法相对来说最为简单，但是由于这类方法没有加入额外有用的高频信息，即先验信息，所以很难恢复高分辨率图像中的细节信息。 基于重建的算法可以加入先验信息，但是由于低分辨率图像提供的先验信息有限，所以其重构的放大倍数受到限制。 前言 基于学习的方法对上述两种方法的缺陷都做了改进，是值得进一步研究的方向。 其基本思想是通过训练数据集寻找低分辨率图像与对应的高分辨率图像之间的映射关系，对输入的低分辨率图像寻找最优解。 其大致可以分为：基于近邻的方法，基于稀疏表示的方法，基于样本的方法等等。 前言 超分辨率重建的实际应用有卫星成像、医学成像、视频监控成像、高清视频成像几个方面。 稀疏表示与字典学习理论 稀疏域模型见下图，该模型即信号的稀疏表示 = 稀疏表示与字典学习理论 该模型可以对应成下述公式： 其中 为信号， 为一个过完备字典， 为稀疏信号，其只有有限个非零元素，而其他元素均为零。 稀疏表示的反问题的目标就是找到 的最稀疏的表示，即： 公式经过优化，得到： 稀疏表示与字典学习理论 算法的第一步是利用图像训练库来获得过完备的稀疏表示字典。 该过程所用的技术包括训练样本的提取方法和进行字典训练的字典对方法。 使用梯度提取法来提取低分辨率图像的特征： 上式为图像的四个滤波器算子。 稀疏表示与字典学习理论 字典训练过程如下图： 稀疏表示与字典学习理论 算法的第二步就是计算获得低分辨率图像的稀疏系数。 和 分别为低和高分辨率字典，问题描述为寻找提取的低分辨率块 在字典 下的最稀疏表示： 引用elastic net方法优化得到的式子为： 使用该方法求得最优稀疏系数后，高分辨率图像块 基于稀疏表示的单幅图像超分辨率重建 基于稀疏表示的单幅图像超分辨率重建流程大致如下： 基于稀疏表示的单幅图像超分辨率重建 图像质量评价方法：主观评价和客观评价方法。主观评价通常通过一定数量的观测者的认知直接对图像质量进行评价；而客观评价通常是通过一些既定的算法对图像数据进行计算来评判。 本课题采用的客观评价标准：峰值信噪比，可由下式表示： 实验结果及分析 下面列出五组实验结果供参考： 实验结果及分析 实验结果及分析 实验结果及分析 其中第二幅图为低分辨图像B，第一幅图为高分辨率图像A，最后一幅为重建图像C。 B图有明显锯齿现象，C图与A图相比，视觉效果上相当接近，相比B图，可知重建效果良好。 实验组别 B图放大后 C图 第一组 30.045915dB 35.575717dB 第二组 27.013893dB 31.750855dB 第三组 30.375525dB 35.989984dB 第四组 23.739351dB 28.765664dB 第五组 30.686331dB 36.564203dB 讨论与展望 对于这一课题的研究并不深入，更多的是在前人的基础上做出的实践性研究，而且研究内容并不全面。所以待改进之处颇多： 字典训练时间较长，字典训练方法有待改进 图像特征提取方面，梯度提取只是其中方法的一种，它只能表示图像的部分高频信息，适用范围不够大。 讨论与展望 当缩小倍数增大，即图像的锯齿现象更严重，更模糊时，再进行重建实验，发现重建效果相当不明显。因此本文算法的适用性也有限。（左图为低分辨率图像，右图为重建图像） 谢谢！ 华东理工大学 East China University of Science And Technology