学位论文 > 优秀研究生学位论文题录展示

基于稀疏表示和自适应字典的单帧图像的超分辨率算法研究

作　者: 陈红莉
导　师: 伏长虹
学　校: 南京理工大学
专　业: 通信与信息系统
关键词: 超分辨率稀疏表示自适应字典学习
分类号: TP391.41
类　型: 硕士论文
年　份: 2014年
下　载: 40次
引　用: 0次
阅　读: 论文下载

内容摘要

图像的超分辨率重建算法突破了现有的图像成像器件固有的限制,实现了高分辨率技术更好的应用。高分辨率图像在医疗和卫星领域有着非常重要的应用,因为低分辨率图像会给诊断和分析带来很多困难。目前传统方法是基于相同场景中多帧图像的超分辨率重建,这些图像存在亚像素的移位。该类方法就是利用多帧低分辨率图像的信息融合进行超分辨率重建。由于缺少高频细节,这些方法会随着放大倍数的增加而下降。本文主要研究了基于单帧图像的超分辨率重建算法。该算法基于压缩感知理论：图像块基于过完备字典可以很好的线性表示出来,我们称之为稀疏表示。训练代表高低分辨率图像的两个图像字典,利用稀疏表示算法为每一块低分辨率图像在低分辨率字典中搜索稀疏系数,然后利用得到的系数和高分辨率字典进行图像的高分辨率重建。为了满足高低分辨率图像特征的相似性,我们联合训练高低分辨率图像字典。同时为了提高重建算法的有效性,我们提出了基于自适应字典的重建方法。与以往基于学习方法不同的是,我们的算法不要求训练图像必须是同一类别,也克服了现实中缺少多帧可以利用的低分辨率图像而无法重建的缺陷。实验证明我们的方法在视觉和峰值信噪比两方面都有较大的提高。

全文目录

摘要  5-6
Abstract  6-9
1 绪论  9-13
  1.1 研究背景  9-10
  1.2 研究现状  10-12
  1.3 本文主要研究内容和章节安排  12-13
2 超分辨率重建技术概述  13-21
  2.1 超分辨率技术含义  13-14
  2.2 图像观测模型  14-15
  2.3 图像超分辨率方法分类  15-20
    2.3.1 插值方法  15-16
    2.3.2 凸集投影法(POCS)  16-17
    2.3.3 迭代反投影法(IBP)  17
    2.3.4 最大后验概率方法(MAP)  17-19
    2.3.5 Exampled-based方法  19-20
  2.4 本章小结  20-21
3 基于稀疏表示的重建算法  21-35
  3.1 稀疏表示理论  21
  3.2 稀疏表示的应用  21-25
    3.2.1 图像去噪方面的应用  22
    3.2.2 图像修复和填充方面的应用  22-23
    3.2.3 图像融合方面的应用  23
    3.2.4 图像压缩方面的应用  23-24
    3.2.5 人脸识别方面的应用  24-25
    3.2.6 超分辨率方面应用  25
  3.3 基于稀疏表示的图像重建算法流程  25-26
  3.4 训练字典算法  26-30
    3.4.1 MOD算法  27-28
    3.4.2 K-SVD算法  28-30
  3.5 稀疏编码算法  30-34
    3.5.1 基追踪算法  31-32
    3.5.2 匹配追踪算法  32-33
    3.5.3 正交匹配追踪算法  33-34
  3.6 本章小结  34-35
4 训练两个字典实现图像的超分辨率重建  35-45
  4.1 同时训练两个字典  35-38
    4.1.1 样本采集  36-37
    4.1.2 K-SVD训练两个字典  37-38
  4.2 单帧图像的超分辨率实现  38-41
    4.2.1 局部模型重建  39-40
    4.2.2 全局模型重建  40-41
  4.3 自适应选择重建字典  41-44
    4.3.1 必要性  41-42
    4.3.2 可行性  42-44
  4.4 本章小结  44-45
5 实验分析  45-53
  5.1 与其它方法质量对比  45-47
  5.2 选择不同的图像块尺寸效果分析  47-48
  5.3 字典大小的影响  48
  5.4 重建图像重叠像素的影响  48-50
  5.5 实现的放大倍数  50-51
  5.6 自适应选择字典的实现  51
  5.7 本章小结  51-53
6 总结和展望  53-56
  6.1 本文总结  53-54
  6.2 展望  54-56
致谢  56-57
参考文献  57-59

基于稀疏表示和自适应字典的单帧图像的超分辨率算法研究

内容摘要

全文目录

相似论文