论文部分内容阅读
图像超分辨率的目的是从低分辨率图像重建高分辨率图像。经过40多年发展,图像超分辨率技术研究取得较大进步,广泛用于医学影像、遥感影像和安防监控等领域。现有的图像超分辨率方法中,基于插值的方法通常利用低分辨率图像栅格上已知像素值来估计高分辨率图像栅格上的未知像素值,常见的插值方法有:多项式插值和基于边缘驱动的插值。虽然这些方法计算复杂度小,但易造成重建的高分辨率图像出现边缘平滑、模糊和混叠等失真现象。为了突破传统图像插值的缺陷,基于重建的方法结合图像退化过程,利用图像先验建立超分辨率模型来估计高分辨率图像,但描述图像先验的手工刻画特征限制了这种方法的应用范围。基于学习的方法是在样本图像数据上利用机器学习来学习高低分辨率图像之间的映射关系,并把这种学习的映射关系用于高分辨率图像重建。在现实中,图像超分辨率应用场景很多,对算法计算复杂度、重建图像质量和硬件成本等性能指标要求不同。本文针对小规模样本数据和大规模样本数据两种情况,分别研究面向低耗时、低成本应用场景的基于稀疏表示的快速超分辨率重建方法和面向高性能计算场景的基于深度学习的超分辨率重建方法,主要研究工作及研究成果概括如下:(1)提出了基于聚类和稀疏表示的分层回归模型,从样本数据中学习高低分辨率图像间的映射关系,实现图像超分辨率重建。该模型首先通过聚类将样本图像块分类;然后对每个聚类应用稀疏字典学习算法学习一对高低分辨率稀疏字典;最后,通过线性回归方法对字典中每对原子学习相应的线性映射矩阵。本文提出的分层回归模型解决了传统基于图像块样本学习的快速超分辨率重建模型,如多线性映射模型、锚定邻域回归模型等,通过单一的聚类或稀疏字典原子构造映射函数导致的映射函数过于简单,难以恢复图像的高频细节信息等问题。实验结果表明,通过分层回归扩大映射函数规模可以提高映射关系建模的准确性,从而改进图像超分辨率重建质量。(2)提出了基于L2,1范数约束的协作稀疏字典学习模型,将聚类图像块的结构一致性作为先验信息约束字典原子的选择,利用字典原子取代原始图像块作为回归样本用于构建映射模型,提高了图像超分辨率建模的准确性和鲁棒性。针对协作稀疏字典学习模型的求解,提出了两步迭代求解算法,使用随机抽选的样本图像块作为初始字典,然后采用交替迭代的方式更新字典和稀疏表示矩阵直至满足收敛条件。仿真实验结果表明,通过改进稀疏字典的选择,本文方法改进了超分辨率图像重建质量。(3)提出了用于实现图像超分辨率重建的多通道密集连接网络。该网络将经验模态分解与深度学习结合,利用经验模态分解对输入图像分离出不同的频率成分,然后利用多通道密集连接的卷积神经网络从这些分离频率成分中学习不同的频率特征,最后融合这些特征来构建目标高分辨率图像。通过多通道网络可以解决当网络深度变得更大时,单通道网络难以有效表达复杂的超宽频谱图像不同频率特征的问题。仿真实验结果表明,利用经验模态分解分离图像的不同频率成分,简化了图像表达的复杂度,提高了神经网络对图像特征学习的准确性和效率。(4)提出了面向图像超分辨率重建任务的双路混合网络。该网络在深度残差网络的基础上增加密集连接通路,通过混合结构将残差网络可以以较低的冗余进行特征信息复用的优势与密集连接网络可以从复用的特征信息中学习新特征信息的优势相结合,从而提高了图像特征学习的效率和准确性,改进了超分辨率图像重建的质量。