基于高斯過程回歸的圖像超分辨重建技術研究.pdf

1、圖像已經成為人們日常生活和生產活動中最廣泛的信息載體之一。然而在實際應用中，由于成像設備硬件條件的限制和成像環(huán)境等因素的影響，人們很難獲得高分辨率的圖像，這對后續(xù)圖像的使用和處理帶來很多困難。如何提高所獲取圖像的分辨率、改善圖像質量，成為圖像處理領域極具挑戰(zhàn)性的課題。由于通過改善硬件設備來提高圖像分辨率的代價很高，因此學者們紛紛從軟件方面入手來提高圖像的分辨率。圖像超分辨率技術就是利用現(xiàn)有的低分辨率圖像資源，設計模型、算法重建出高分辨率

2、、高質量的圖像，是解決超分辯重建問題經濟且有效的方法。該技術在計算機視覺、視頻監(jiān)控、醫(yī)療圖像、遙感成像以及生活娛樂等方面有廣泛的應用前景，是視頻圖像處理領域的一個研究熱點。
　　基于學習的超分辨率重建是一個非常活躍的研究主題。該領域的研究已經取得了長足的進展，繼稀疏表示這一流行的工具解決超分重建之后，深度學習這一新興的工具也被引入到超分重建研究中，其初步結果表明深度神經網絡能較大幅度的提升超分重建圖像的質量，而理論研究證明某種收斂

3、的神經網絡等價于高斯過程。本文試圖通過高斯過程回歸這一數(shù)學工具對超分重建進行求解。高斯過程回歸的優(yōu)勢在于:有著嚴格的統(tǒng)計學習理論基礎，不需要指定回歸函數(shù)的具體形式，模型由數(shù)據(jù)來驅動，而且?guī)в徐`活的概率輸出。通過高斯過程回歸直接對超分問題進行數(shù)學建模，能夠簡化神經網絡設計、訓練等方面的繁雜操作，直接明確地探討數(shù)據(jù)與數(shù)學模型之間的關系。然而，現(xiàn)有的超分重建研究還鮮少有對基于高斯過程回歸的超分重建研究的討論。主要原因在于，高斯過程回歸計算復雜

4、度高，現(xiàn)有的算法只能處理中等規(guī)模的問題?；诟咚惯^程回歸的超分研究有很大的發(fā)展空間。本文主要研究如何利用高斯過程回歸對超分重建問題進行數(shù)學建模，針對高斯過程回歸時間復雜度高的不足以及圖像的先驗信息，設計超分重建算法。本文取得的主要創(chuàng)新成果如下:
　　1.提出一種基于數(shù)據(jù)驅動的高斯過程回歸的圖像超分辨率重建方法。針對傳統(tǒng)參數(shù)回歸需要假設具體回歸函數(shù)，并且當假設和真實數(shù)據(jù)模型不一致時會出現(xiàn)較大誤差的問題，提出使用高斯過程回歸這一非參數(shù)

5、回歸模型建立高低分辨率圖像間的映射關系，能夠從數(shù)據(jù)自身確定回歸函數(shù)模型，達到提高重建圖像質量的目的。另一方面，針對每個待重建的低分辨率圖像塊，使用訓練集中的Ⅳ近鄰作為訓練樣本，由這些相似數(shù)據(jù)集確定高斯過程回歸模型。最后，結合全局約束和一致性先驗，進一步提高超分辨率重建圖像的質量。實驗結果說明該方法能夠獲得優(yōu)秀的重建結果。
　　2.提出基于錨點的高斯過程回歸圖像超分辨率重建方法。針對基于數(shù)據(jù)驅動高斯過程回歸方法時間復雜度高的問題，提

6、出了基于錨點的高斯過程回歸方法，離線訓練高斯過程模型，極大地提高重建效率。在訓練階段，將訓練樣本聚類，每個聚類中心的Ⅳ近鄰構成訓練集，離線訓練高斯過程模型。在重建階段，直接使用離線訓練的模型，能夠顯著降低時間復雜度。雖然重建效果有所下降，不過還是保持了具有可比性的結果。
　　3.提出基于稀疏高斯過程回歸的圖像超分辨率重建方法。針對基于錨點的高斯過程回歸方法重建效果下降的問題，提出了稀疏高斯過程回歸方法。該方法將訓練集分成各個子空間

7、，在子空間內部，選擇一個子集作為訓練樣本，然后利用稀疏偽輸入高斯過程回歸近似算法離線訓練高斯過程回歸模型。實驗結果說明，該方法在顯著降低時間復雜度的同時，能夠提高圖像重建質量。
　　4.提出基于多核高斯過程回歸的圖像超分辨重建方法。高斯過程回歸的結果與核函數(shù)的形式以及參數(shù)相關，選擇合適的核函數(shù)能夠提高算法的重建精度。針對這個性質，結合多核學習理論，在稀疏高斯過程回歸方法的基礎上，提出將核函數(shù)擴展成多核函數(shù)的多核高斯過程回歸方法。實