● 摘要
摘要图像超分辨率重建（Surper-resolution Reconstruction,SR）是在现有成像系统的基础上，结合一定的先验知识，利用单幅或一系列低分辨率图像有效提高图像分辨率的技术。在很多领域有着广泛的应用，已成为目前图像处理领域的研究热点之一。近十几年来随着机器学习和模式识别技术的发展，基于学习的图像超分辨率重建算法得到越来越多的研究，取得了比传统方法更好的效果，基于稀疏表示的超分辨率重建属于其中一类最新发展起来的方法，是目前重建效果最好的算法之一。本文首先介绍了图像超分辨率重建的相关理论，并实现了几种图像超分辨率重建经典算法，然后重点研究和改进了基于稀疏表示的超分辨率重建算法。具体工作和创新包括如下四个方面：1. 阐述了超分辨率重建的关键环节——亚像素图像配准的基本原理，实现了一种光流场配准方法和一种基于傅里叶变换的频域配准方法。实验结果表明这两种方法均能取得亚像素配准精度。2. 分析了传统超分辨率重建方法的原理，实现了总变分正则化、Papoulis-Gerchberg、变量联合投影三种基于重建的超分辨率重建经典算法。通过实验验证分析了这些方法的优缺点，指出这些方法的性能存在受放大倍数、配准精度等限制较大的问题。3. 研究了基于稀疏约束的图像超分辨率重建算法，针对其计算复杂度高的问题，提出了一种基于局部约束线性编码的快速重建方法。实验结果表明，该方法在降低编码误差的同时，可以在较大程度上降低重建时间。4. 针对基于稀疏表示的超分辨率重建算法中局部模型不足的问题，加入序列图像信息作为全局约束以完善算法，实验表明，该方法取得更好的重建效果。关键词：图像超分辨率重建，稀疏表示，局部约束线性编码，序列图像
相关内容
相关标签