基于稀疏表示的图像超分辨率重建-生物医学工程专业论文.docxVIP

摘要 摘要 摘要 图像超分辨率是指由单幅低分辨率图像或一个低分辨图像序列重建出一幅高 分辨率图像。基于插值的图像超分辨率是一类非常经典的超分辨方法。其优点在 于算法简单和易于实现，缺点在高放大因子时容易导致图像模糊、高频信息丢失 以及边缘锯齿化等现象。近年来基于稀疏表示的超分辨方法得到国内外众多学者 的关注，相比于传统方法它具有较强的细节重建能力，但由于此类方法忽视了图 像的非局部空间冗余和结构冗余，重建效果依然有细节模糊和结构丢失的问题。 针对以上问题，本文研究基于字典学习和结构冗余的图像超分辨方法，提出三种 面向自然图像的超分辨方法。具体工作如下： （1）针对经典图像超分辨率方法细节丢失等问题，提出一种基于字典学习和 结构相似的图像超分辨率重建方法。基于结构相似性将 SSIM 引入字典学习和稀疏 表示用于稀疏求解，使用该方法学得字典更加合理，相应稀疏系数更接近真实高 分辨图像的稀疏表示系数。实验结果表明通过该方法得到高分辨图像的图像表面 清晰，细节更丰富。 （2）现有的基于字典学习的超分辨方法主观假设低分辨图像和高分辨图像在 对应的冗余字典下，具有相同的稀疏表示系数，没有考虑图像块之间的结构差异 性。首先本文引入结构聚类，对各类样本通过学习得到一对字典。然后对于任意 的低分辨图像块，得到多个高分辨图像块。最后经过加权得到最终的高分辨图像 块。相对于经典的基于稀疏表示的超分辨率方法，无论是在 PSNR、SSIM 等数值 指标还是视觉效果上本文结果都具有一定的优势。 （3）非局部空间冗余是图像的一类典型的冗余。本文将非局部冗余和先验引 入图像修复的正则函数设计，提出基于非局部全变分的图像超分辨率重建方法。 该方法将图像超分辨重建转化为一个图像修复问题，设计基于非局部全变分的正 则函数，对中间图像进行处理。实验结果表明该方法既保证重建的高分辨率图像 均匀区域的一致性，又保留了图像的细节信息和边缘轮廓的完整性。 关键字：超分辨率重建 字典学习 结构聚类 非局部全变分 Ab Abstract Ab Abstract Abstract Image super-resolution is to reconstruct a high resolution image form its single or multi-low resolution images. Interpolation-based image super resolution is a classical SR method, its advantage is that the algorithm is simple and easy to implement. Yet the blur effect and lost of high frequency information will occur when the magnification factor is very large. Up to now, more and more researchers focus on the sparse representation based image super resolution. It is very effective in reconstruct the image details, yet due to lack of the nonlocal spatial redundancy and structure redundancy, some high frequency lost and reconstructed details blurred. Based on the problems, our thesis contains three contributions in image super resolution based on dictionary learning and structure redundancy. As follows: We proposed an image super resolution algorithm based on dictionary learning and structural similarity, to compensate the problems occurred in the classical method. We utilize the SSIM in dictionary learning and sparse representation, which makes the low resolution s