采用交替K-奇异值分解字典训练的图像超分辨率算法
发布时间：2019-09-28 23:55
【摘要】：采用稀疏表示的图像超分辨率算法中,双字典训练算法与字典的细节恢复能力相关,针对已有双字典训练算法使字典缺乏高频细节信息的特点,提出了一种交替K-奇异值分解字典训练算法。该算法分为训练和测试部分。在训练部分每次字典更新都采用奇异值分解所得到的向量对低高频样本块进行最佳低秩逼近,使得低高频样本块随着迭代次数的增加逐渐取得相同或者相似的稀疏表示系数。在测试过程中,测试低频样本块可以利用低频字典取得的稀疏表示系数与高频字典相乘得到高频细节信息。实验表明,与目前已有算法相比,该算法能够得到高频细节较丰富的图像,平均峰值信噪提高0.3dB以上,结构相似度提高0.01左右。
【图文】：
更新。训练样本在产生的时候，低频图像块主要包括阶梯型边缘信息，而高频块主要包含高频细节信息。利用交替更新的方法进行字典训练，高低频图像块都同时参与了训练，这样就不会使字典只含有阶梯型边缘的信息。因此，该方法产生的字典比传统的算法更有利于高频细节的恢复。实验结果证明，本文提出的字典训练算法具有较强的细节恢复能力。１采用交替ＫＳＶＤ字典训练的超分辨率算法采用交替ＫＳＶＤ字典训练图像超分辨率算法的主要思想是将低频块和高频块映射到统一特征子空间上。该算法的原理框图如图１所示。该算法主要包括一个训练过程和一个测试过程。图１算法流程图Ｆｉｇ．１ＦｒａｍｅｗｏｒｋｏｆｔｈｅＰｒｏｐｏｓｅｄＡｌｇｏｒｉｔｈｍ１．１算法模型假设Ｌ是低分辨率图像，使用双三次插值方法将Ｌ放大为边缘较为模糊并且缺乏高频细节的高分辨率图像s妫龋颐浅浦推低枷瘛＜偕瑁仁悄勘旮叻直媛释枷瘢傻玫侥勘旮咂迪附谕枷裎海蓿龋剑龋璼妫龋ǎ保┤绻芄换袢妫扔耄蓿戎涞墓叵担涂梢砸谰莸推低枷駍妫壤椿指锤叻直媛氏附冢蓿取＜偕瑁龋螅椋停椋剑笔歉叻直媛恃盗费荆渲校臀枷褡苁＝龋螅椋停椋剑苯兴尾逯迪虏裳梢缘玫降头直媛恃盗费荆蹋螅椋停椋剑薄Ｈ缓螅蹋螅椋停椋剑苯兴尾逯瞪喜裳玫降推笛盗费緎妫龋螅椋停椋剑薄＝龋螅椋停椋剑庇雜妫龋螅椋停椋剑毕嗉蹩梢缘玫礁咂笛盗费炯希蓿龋螅椋停椋剑保庋偷玫窖盗吠枷穸詓妫龋
本文编号：2543552
【图文】：
更新。训练样本在产生的时候，低频图像块主要包括阶梯型边缘信息，而高频块主要包含高频细节信息。利用交替更新的方法进行字典训练，高低频图像块都同时参与了训练，这样就不会使字典只含有阶梯型边缘的信息。因此，该方法产生的字典比传统的算法更有利于高频细节的恢复。实验结果证明，本文提出的字典训练算法具有较强的细节恢复能力。１采用交替ＫＳＶＤ字典训练的超分辨率算法采用交替ＫＳＶＤ字典训练图像超分辨率算法的主要思想是将低频块和高频块映射到统一特征子空间上。该算法的原理框图如图１所示。该算法主要包括一个训练过程和一个测试过程。图１算法流程图Ｆｉｇ．１ＦｒａｍｅｗｏｒｋｏｆｔｈｅＰｒｏｐｏｓｅｄＡｌｇｏｒｉｔｈｍ１．１算法模型假设Ｌ是低分辨率图像，使用双三次插值方法将Ｌ放大为边缘较为模糊并且缺乏高频细节的高分辨率图像s妫龋颐浅浦推低枷瘛＜偕瑁仁悄勘旮叻直媛释枷瘢傻玫侥勘旮咂迪附谕枷裎海蓿龋剑龋璼妫龋ǎ保┤绻芄换袢妫扔耄蓿戎涞墓叵担涂梢砸谰莸推低枷駍妫壤椿指锤叻直媛氏附冢蓿取＜偕瑁龋螅椋停椋剑笔歉叻直媛恃盗费荆渲校臀枷褡苁＝龋螅椋停椋剑苯兴尾逯迪虏裳梢缘玫降头直媛恃盗费荆蹋螅椋停椋剑薄Ｈ缓螅蹋螅椋停椋剑苯兴尾逯瞪喜裳玫降推笛盗费緎妫龋螅椋停椋剑薄＝龋螅椋停椋剑庇雜妫龋螅椋停椋剑毕嗉蹩梢缘玫礁咂笛盗费炯希蓿龋螅椋停椋剑保庋偷玫窖盗吠枷穸詓妫龋
本文编号：2543552
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2543552.html
