论文部分内容阅读
视频具有生动形象和直观表达的特点,是信息社会人们获取有效信息资讯或视觉享受的主要载体。随着技术的发展,高分辨率或超高清的视频图像是业界追求目标。视频超分辨率技术是一种将低分辨率视频图像升采样为高分辨率视频图像,并尽量恢复视频帧已损失高频细节信息的技术。改善图像之间的配准精度是提高传统的基于空域重建效果的关键;同时,超分辨率问题是一个病态问题,正则化约束项也是影响最优解的关键因素;另外,通过机器学习来寻找低分辨率图像块和高分辨率图像块之间关系的方法存在训练难度大、超参数难以调整的问题。针对以上问题,结合图像超分辨率技术,本文开展了以下研究工作:1)提出一种AKAZE-ILDB(AKAZE-ImprovedLDB)图像配准算法,估计出更为精准的帧间运动信息,为视频图像的重建打下了基础。该算法基于AKAZE特征提取算法,提取两幅图像的特征,采用改进的局部差异二值描述子(LDB)来构建特征向量,使用汉明距离度量图像特征相似度,估算图像帧之间的运动矩阵,完成图像配准。2)对增量式的视频超分辨率重建方法进行改进。在完成配准之后,对低分辨率图像帧进行重建融合,采用双边全变分正则化作为约束项求得最优解;基于L1范式衡量降质后的高分辨率图像和输入低分辨率图像之间的相似程度,即保真项;最小化保真项以及约束项来使得降质模型更加准确;最后使用滑动窗增量迭代的方法重建整个视频。3)提出一种改进卷积神经网络的视频超分辨率模型。它是机器学习方法在超分辨率领域的一个应用,本文通过改进网络结构和调整模型超参数,以大量高低分辨率图像对数据为基础,训练出网络权重参数,与原始算法相比得到了更好的重建效果。最后,以空域重建的方法构建了一个视频超分辨率原型系统,并通过一系列的对比实验,验证了本文所提算法的有效性和先进性。