基于学习的图像超分辨率技术及其应用研究

论文摘要

超分辨率图像技术的主要目的是由提供的一幅或多幅同一场景（信息相似但细节不同）的低分辨率（Low-Resolution,LR）图像中重建高分辨率（High-Resolution,HR）图像,它克服了图像获取过程中的限制病态条件,并能获得更好的图像内容,提高场景识别的准确性。该技术广泛应用于遥感识别、图像压缩、高清电视、安全监控、视频通讯、医疗诊断、资源探测等诸多领域,是当前图像处理和计算机视觉领域中的热门研究方向之一,具有很重要的理论研究价值。本文通过研究基于学习的图像超分辨率算法和基于梯度的图像超分辨率算法,以及图像细节增强相关方面的知识,提出了在能量优化框架下,结合边缘和细节的基于学习的单帧图像超分辨率算法。在本文中,首先简要介绍了图像超分辨率的概念、选题背景、研究意义及近十年的国内外发展情况。其次介绍了超分辨率技术的理论基础和超分辨率在空域上的各种算法,并简要分析了各种算法的优缺点。同时用Matlab工具实现了相关算法,得到放大后的图像。接着研究了利用马尔可夫网络来学习高分辨率图像和低分辨率图像之间的关系,并通过这种关系来进行超分辨率的基于实例的图像超分辨率算法和利用图像的梯度锐化度先验知识来指导超分辨率的基于梯度的图像超分辨率,进而通过实际编程实现上述两种算法,获得了相应实验结果。通过对实验结果的理论分析,认为可以结合边缘和细节两方面来提高经过超分辨率后的图像质量,最终提出了一种新的单帧图像超分辨率算法。本文重点介绍了能量优化框架下的基于学习的单帧图像超分辨率算法,章节3.3.1给出了超分辨率模型,并定义了能量方程和求解方法,章节3.3.2介绍了图像自身训练集的获得,章节3.3.3介绍了搜索方法,章节3.3.4给出了超分辨率算法的流程图及伪代码。从实验结果可以看出,本文提出的算法所得到的高分辨率图像在边缘和细节上都有所提高,具有更好的视觉效果。最后,对本文的研究内容进行了总结,超分辨率所面临的一些亟待解决的问题和下一步的研究重点,并对其未来的发展方向进行了展望。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 图像超分辨率
• 1.2 选题背景及研究意义
• 1.3 国内外近十年研究现状及发展趋势
• 1.4 论文的主要内容及行文结构
• 1.4.1 论文的主要内容
• 1.4.2 论文的行文结构
• 第2章 图像超分辨率算法
• 2.1 超分辨率算法的理论基础
• 2.2 基于插值的图像超分辨率算法
• 2.2.1 最近邻插值
• 2.2.2 双线性插值
• 2.2.3 双三次样条插值
• 2.3 基于重建的图像超分辨率算法
• 2.3.1 迭代反投影
• 2.3.2 最大后验概率
• 2.3.3 凸集投影
• 2.4 基于学习的图像超分辨率算法
• 2.4.1 Example-based 算法（One-pass 算法）
• 2.4.2 基于邻域嵌入算法
• 2.4.3 支持向量机的方法
• 2.5 本章小结
• 第3章 能量优化框架下基于学习的图像超分辨率算法
• 3.1 细节获取
• 3.2 边缘光滑
• 3.3 超分辨率重建模型
• 3.3.1 能量方程定义及求解方法
• 3.3.2 训练集产生
• 3.3.3 搜索匹配算法
• 3.3.4 超分辨率过程
• 3.4 图像质量评估和实验结果对比分析
• 3.4.1 图像质量评估方法
• 3.4.2 实验结果的数据分析和对比
• 3.5 本章讨论
• 结论
• 4.1 工作总结
• 4.2 未来研究方向
• 参考文献
• 致谢