基于识别的图像超分辨率技术研究

论文摘要

图像超分辨率技术,就是在现有成像设备和成像条件的基础上,利用质量较差、分辨率较低的单帧或多帧离散图像,或多组视频序列来重构质量更好、分辨率更高的离散图像或视频数据。研究图像超分辨率技术,重点是要解决如何利用多帧(或单帧)低分辨率图像生成高分辨率图像的问题。本文从放大图像锐化处理技术、基于重建的图像超分辨率处理技术以及基于识别的图像超分辨率处理技术三个方向对图像超分辨率技术进行了分析,并重点对后两种进行了深入研究。主要工作如下:(1)从放大图像锐化处理、基于重建的超分辨率处理和基于识别的超分辨率处理三种方法入手,研究和分析了图像超分辨率技术的发展历程和现状,分析了放大图像锐化处理技术的局限,建立了基于重建的超分辨率技术的约束条件,确定了本课题通过研究基于识别的超分辨率技术来解决分辨率增强问题。(2)设计了基于识别的有限循环神经网络算法,给出了算法思想和详细实现过程,通过实验证实了设计的算法能够有效增强图像分辨率,并且可以通过学习进行自身调整以适应于不同场合下的多种重建问题。该算法对多帧离散低分辨率图像进行处理效果最为显著。(3)设计了基于识别的单向多样学习图像超分辨率算法,给出了算法详细实现过程,通过实验证实了设计的算法同样有效地增强了图像分辨率,并且只需要很少的训练样本,具有广泛的实用性。该算法能够对单帧低分辨率图像进行有效处理,效果显著。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景与意义
• 1.2 超分辨率技术国内外发展历程和研究现状
• 1.3 本文研究的内容
• 1.4 本文的组织结构
• 第二章 图像超分辨率技术基本方法
• 2.1 技术基础
• 2.1.1 基于重建的图像超分辨率技术介绍
• 2.1.2 基于识别的图像超分辨率技术介绍
• 2.2 基于重建的图像超分辨率约束条件
• 2.2.1 点扩散函数建模
• 2.2.2 基于重建的超分辨率本质
• 2.2.3 建立基于重建的超分辨率约束条件
• 2.2.4 关于正方形点扩散函数的重建方程可逆性分析
• 2.2.5 关于任意点扩散函数的重建方程条件数分析
• 2.2.6 关于任意点扩散函数的重建方程解的任意性分析
• 2.3 小结
• 第三章 基于识别的有限循环神经网络算法
• 3.1 技术基础
• 3.1.1 人工神经网络的基础介绍
• 3.1.2 多层前馈网络的计算能力
• 3.1.3 Hopfield反馈网络的基础知识
• 3.2 LRNN算法设计与实现
• 3.2.1 LRNN的结构设计
• 3.2.2 LRNN的比较子网络
• 3.2.3 LRNN的初步分辨率增强子网络
• 3.2.4 LRNN的约束子网络
• 3.2.5 LRNN的输出子网络
• 3.3 LRNN的反向传播学习过程
• 3.3.1 反向传播算法的基础概念
• 3.3.2 LRNN采用改进反向传播算法的训练过程
• 3.4 实验结果与分析
• 3.5 小结
• 第四章 基于识别的单向多样学习算法
• 4.1 训练集生成
• 4.2 算法设计与实现
• 4.2.1 数据分块和正则化处理
• 4.2.2 预测原则
• 4.2.3 搜索向量的设计
• 4.2.4 搜索算法
• 4.2.5 OPML算法的实现过程
• 4.3 实验结果与分析
• 4.4 小结
• 第五章 总结和展望
• 5.1 论文工作总结
• 5.2 研究工作展望
• 参考文献
• 作者简历 攻读硕士学位期间完成的主要工作
• 致谢