基于字典學習和稀疏表示的超分辨率重建算法研究.pdf

1、在無需改善現有硬件設備條件下，超分辨率重建技術只需采用信號處理技術即能獲得滿足所需的高分辨率圖像，技術可行且成本低廉，越來越多地應用于醫(yī)學成像、公共安全、交通、軍事遙感等重要領域?；谙∈璞硎镜某直媛手亟夹g通過構造一過完備字典對，以及圖像塊相對于該字典的稀疏表示系數，取得了較好的重建結果，為了進一步提高圖像重建質量和改善字典學習方法，本文基于圖像稀疏表示理論，重點研究了基于字典學習方法的超分辨率重建，主要研究工作如下：
　?。?/p>

2、1）研究并修改了圖像稀疏表示的優(yōu)化模型、求解方法、字典構造方法等關鍵技術問題，并用于稀疏表示的圖像超分辨重建。
　　（2）針對Yang和Zeyde提出的兩種經典的基于稀疏表示的超分辨率重建算法中存在的計算量過大、字典訓練效率低、及字典訓練方法不能確保高低分辨率圖像的對應塊具有相同稀疏編碼系數等問題。本文做了以下幾點改進：一是利用迭代反投影（IBP）預處理方法處理高分辨率圖像獲得差值圖像（只含圖像高頻信息），并提取差值圖像塊用于字典

3、訓練和稀疏求解，有效地降低了計算量；二是利用奇異值分解（K-SVD）和聯合字典生成訓練方法，訓練差值圖像塊和低分辨率圖像塊生成高低分辨率字典對用于超分辨率重建，提高了字典訓練效率的同時保證了高低分辨率圖像的對應塊具有相同的稀疏編碼系數；三是在圖像重建中引入非局部相似的正則項約束以進一步提高重建圖像的質量。實驗仿真表明，本文算法獲得的重建圖像與上述兩種經典算法相比較，在主觀視覺效果和峰值信噪比方面都有顯著提高。
　　（3）針對上述兩

4、種經典的超分辨率重建算法中，采用過完備字典對圖像進行稀疏表示存在誤差和缺乏自適應性的問題，以及Dong提出的自適應的稀疏域選擇算法中，采用兩個正則項約束的重建模型計算復雜度較高的問題。本文提出了一種基于結構聚類和主成分分析（PCA）子字典學習的超分辨率重建算法。一是利用基于結構聚類和 PCA變換的子字典訓練方法獲得稀疏表示能力更強的子字典用于超分辨率重建。二是在圖像重建階段優(yōu)化了Dong提出的基于降質恢復的模型，去除兩個復雜度較高的正則