论文部分内容阅读
在现实生活中,由于受成像设备自身物理特性的限制,人们通常无法获得理想的清晰图像。由于通过提高成像系统的硬件配置来提高图像的分辨率需付出很高的代价,而且在短时间内很难克服某些核心技术难题,因此通过软件和算法等工具来提高图像的分辨率具有巨大价值。该类方法往往运用数字图像处理的方法,从单幅或序列多幅低分辨率图像中重建出一幅对应的高分辨率图像。本文着重解决如何利用当前场景中一幅低分辨率图像的先验信息,预测出该图像所丢失的细节信息,从而重构出对应的清晰图像。目前,传统的基于重构的与基于学习的图像超分辨率重建方法大多以图像块为基本单位,对图像进行超分辨率重建。然而,这些方法忽略了图像中像素的相关性,使重建图像出现了明显的块效应,降低了重建图像的质量。基于卷积稀疏编码模型的图像重建技术不受图像尺寸的影响,直接对图像进行处理,克服了传统的基于图像块模型的缺陷,同时学习得到的卷积滤波器具有平移不变性,能更好的表示图像特征。为此本文在卷积稀疏编码模型的基础上,结合基于学习的与基于重建的方法,提出了两种不同的图像超分辨率重建方法,本论文的主要研究内容与贡献如下:第一,基于学习的卷积稀疏编码图像超分辨率重建模型。该模型利用卷积稀疏编码技术,对整幅图像进行特征提取与重建,避免了图像重构中块效应的影响;同时该模型能在已知一幅低分辨率图像的情况下,实现图像的超分辨率重建,大大降低了模型训练时的时间复杂度。在训练过程中,考虑到高低分辨率图像的主要区别在于图像的高频信息,于是将待重建图像与其对应降质图像(利用同一降质模型所获得的图像)的差值作为训练时的高分辨率图像,将对应降质图像的高频信息作为训练时的低分辨率图像,然后利用迭代收缩阀值算法训练得到高低分辨率滤波器对及卷积稀疏表示系数,最后利用最小二乘法对高低分辨率卷积稀疏系数间的映射关系进行训练学习。在重构过程中,利用训练得到的低分辨率滤波器对及卷积稀疏系数间的映射关系得到高分辨率图像的卷积稀疏表示系数,然后利用高分辨率滤波器及稀疏表示系数重构出原始高低分辨率图像差值,从而重构出原始高分辨率图像。该模型充分利用了图像自身的信息,为重构图像提供了更多的有效信息,从而提高了重建图像的质量。第二,基于非局部自相似卷积稀疏编码的图像超分辨率重建模型。该模型利用图像的非局部自相似性及卷积稀疏编码技术,将待重建图像看作是一幅噪声图像,于是对应的卷积稀疏表示系数同样具有噪声,将图像重建问题转换成最小化卷积稀疏编码噪声,以此获得更接近原始清晰图像的卷积稀疏表示系数。在重构过程中,首先利用非局部平均去噪方法,对当前高分辨率图像进行修正,然后利用卷积稀疏编码技术,得到修正图像的卷积稀疏表示系数,最后利用一种迭代阀值算法最小化卷积稀疏编码噪声,从而得到当前高分辨率卷积稀疏表示系数。不断进行迭代更新,获得最终的高分辨率卷积稀疏表示系数,利用卷积稀疏编码理论,重构出高分辨率图像。