基于边缘增强的图像超分辨率重建方法研究.pdfVIP

摘 要 图像超分辨率 （Super-resolution ，SR）重建是指从观测到的低分辨率 （Low Resolution ，LR ）图像恢复出边缘纹理清晰具有丰富细节的高分辨率 （High Resolution ，HR ）图像。现实中由于受硬件条件限制，提高图像质量，会导致成 本的增加，因此图像 SR 重建技术的研究显得尤为重要。SR 重建技术在安全监 控系统、医学成像、军事遥感、卫星成像等领域有重要的应用价值。 目前基于传统方法的图像SR 重建已取得了较好的结果，但仍然存在纹理细 节重建不够而导致图像边缘模糊的问题。因此，本文主要针对当前传统方法图像 边缘重建不够清晰的问题，提出两种基于边缘增强的图像SR 方法，主要创新点 如下： 1.提出一种基于梯度正则化边缘增强的图像SR 重建方法。提出的方法首先 对输入的图像块学习主成分字典，自适应地选择稀疏域来表示图像块；然后为了 重建出更多的图像细节信息，利用邻域回归的方法从外部样例中学习图像的梯度 先验信息，构建一种图像梯度正则化项来引导图像的边缘细节重建，以弥补图像 自身先验不足的缺点，达到提高重建图像质量的目的。实验结果表明，本文提出 的梯度正则化边缘增强的图像SR 重建算法获得了更好的重建结果，对噪声更加 鲁棒，能有效重建出图像丢失的细节信息，在主观和客观上重建结果都优于大多 数的方法。 2.提出一种基于随机森林边缘增强的图像SR 重建方法。为了提高重建图像 质量，首先本文对输入的LR 图像直接利用双三次插值方法将其放大到与待重建 图像相同的尺寸，来实现图像的低频重构；然后对输入的 LR 图像提取梯度块， 利用随机森林进行分类，在决策树叶子节点学习LR 图像高频块和HR 图像高频 块建立的映射关系，来实现图像高频成分的重建；最后通过最小化包含低频一致 性和高频适应性的能量函数来得到估计的HR 图像，所获得的HR 图像由于注入 了重建的高频成分，因此其边缘得到了增强。实验结果表明，本文提出的基于随 机森林边缘增强的图像SR 重建方法获得了较好的重建结果，能恢复出更清晰的 纹理和边缘信息，在主观和客观上重建指标都优于大多数的方法。 关键词：超分辨率重建；梯度正则化；稀疏表示；邻域回归；随机森林 I 目 录 第1 章 绪论 1 1.1 选题背景及研究意义 1 1.2 国内外研究现状2 1.2.1 基于插值的方法2 1.2.2 基于重建的方法3 1.2.3 基于学习的方法4 1.3 论文研究内容与结构安排6 第2 章 图像超分辨率重建理论基础8 2.1 图像观测模型8 2.2 稀疏表示相关理论8 2.2.1 信号稀疏表示8 2.2.2 稀疏表示字典学习9 2.3 随机森林相关理论 11 2.3.1 决策树概述 11 2.3.2 随机森林的构建 13 2.4 图像超分辨率评价指标 15 2.5 本章小结 15 第3 章基于梯度正则化边缘增强的图像超分辨率重建方法 16 3.1 基于稀疏表示的图像超分辨率重建 16 3.2 提出的图像超分辨率重建方法 16 3.2.1 重建模型 16 3.2.2 字典学习 17 3.2.3 自适应稀疏域选择 18 3.2.4 邻域回归的梯度正则项构建 18 3.2.5 超分辨率模型的求解20 3.3 实验及结果分析21 3.3.1 梯度正则化有效性验证22 3.3.2 对比实验22 3.4 本章小结26