基于稀疏表示的图像超分辨率重建算法研究

发布时间：2017-04-30 16:16

  本文关键词：基于稀疏表示的图像超分辨率重建算法研究，由笔耕文化传播整理发布。

【摘要】：二十一世纪是信息化的时代,多媒体技术的广泛应用和数码设备的大范围普及是这个时代的特点之一,数字图像的获取、存储和转发是这个特点中不可或缺的一部分。但在实际应用中,由于受到图像采集设备等硬件设备、环境干扰和运动模糊等条件的限制,获取图像的清晰度达不到预期的效果。因此,有必要开发图像重建算法对实际中获取的低分辨率图像进行分辨率加强,这将对多媒体技术的发展具有重要意义。在众多的重建算法中,稀疏表示的超分辨率重建算法因为其独特的优势而备受关注,该算法是以信号稀疏表示理论作为指导思想,对于输入的单幅低分辨率图像,图像上的任何一个图像块都能利用事先训练好的低分辨率字典计算得到稀疏表示系数,然后利用高、低分辨率字典计算得到的稀疏表示系数的一致性原则,利用高分辨率字典得到高分辨率重建图像。本文以此为基础进行研究,对算法中存在的问题进行改进。首先,提出对图像特征提取过程的改进策略:改进一阶、二阶滤波算子,图像经过特征提取后计算出的稀疏表示系数的适用性增强,能够有效剔除无用信息,本文改进特征提取算子后得到图像的高频细节更加细腻,通过Matlab仿真验证,改进特征提取算子得到的复原图像的PSNR值较原始稀疏表示算法的复原结果提高0.1025 dB。其次,提出对重建算法初始估计的改进策略,本文考虑到图像边缘的方向性,采用边缘方向插值对图像进行初始插值放大,边缘方向插值充分利用高、低分辨率图像的几何对偶性,通过比较PSNR值,较原始算法提高0.2825 dB。再次,提出对原始算法重建过程中搜索窗口的改进策略,原始算法对图像四周像素并未进行稀疏复原算法处理,而采用的是双三次插值,本文算法对图像四周边缘分别使用图像块为4×6、3×8、2×12、1×24的四个字典依次遍历一遍,保证所有像素点进行稀疏复原时像素点遍历的均衡性,实验结果表明,PSNR值较原始算法能够提高0.1830 dB。然后,对迭代反投影算法迭代结束标志的改进,为了有效控制其收敛性,本文采用相对误差作为迭代结束的标志,此改进策略较原始算法能够得到较好的收敛结果。最后,将本文改进算法应用到实际拍摄到的模糊车牌的复原上,重建结果表明能够复原出模糊车牌的号码。
【关键词】：稀疏表示 过完备字典 特征提取 边缘方向插值 迭代反投影
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-5
• ABSTRACT5-14
• 第一章 绪论14-20
• 1.1 研究背景及意义14-15
• 1.2 图像重建算法的演进及发展趋势15-17
• 1.3 论文的研究内容及组织结构17-20
• 第二章 超分辨率技术基本理论及常用方法20-44
• 2.1 图像退化模型20-21
• 2.2 基于重建的超分辨率算法21-25
• 2.2.1 频域方法21-22
• 2.2.2 空域方法22-25
• 2.3 基于学习的超分辨率重建算法25-27
• 2.4 稀疏表示的图像超分辨率重建基本理论27-31
• 2.4.1 信号的稀疏表示27-29
• 2.4.2 图像降质的稀疏表示的可行性分析29-31
• 2.5 特征提取算法31-37
• 2.5.1 索贝尔算法32-33
• 2.5.2 普利维特算法33-34
• 2.5.3 罗伯茨算法34
• 2.5.4 拉普拉斯滤波算法34-36
• 2.5.5 高斯拉普拉斯联合滤波算法36-37
• 2.6 过完备字典训练算法37-40
• 2.6.1 K-SVD字典训练算法38
• 2.6.2 MOD字典训练算法38-39
• 2.6.3 在线字典学习算法39-40
• 2.7 图像质量的评价标准40-42
• 2.8 本章小结42-44
• 第三章 稀疏表示的图像超分辨率重建44-54
• 3.1 样本训练过程44-45
• 3.2 稀疏表示的图像超分辨率重建算法整体流程45-47
• 3.3 实验结果及分析47-52
• 3.4 本章小结52-54
• 第四章 稀疏表示的图像超分辨率重建算法的改进54-70
• 4.1 特征提取方法的改进及仿真结果54-56
• 4.2 重建算法初始估计的改进及仿真结果56-58
• 4.3 搜索窗的改进及仿真结果58-60
• 4.4 迭代反投影算法的改进及仿真结果60-62
• 4.5 整体仿真结果及评价62-68
• 4.5.1 图像重建结果62-65
• 4.5.2 特征提取过程对改进算法重建结果的影响65-66
• 4.5.3 目标放大倍数对改进算法重建结果的影响66-67
• 4.5.4 超完备字典尺寸对改进算法重建结果的影响67-68
• 4.6 本章小结68-70
• 第五章 超分辨率重建技术在车牌图像重建中的应用研究70-74
• 5.1 算法处理流程70-71
• 5.2 图像重建结果及分析71-72
• 5.3 本章小结72-74
• 第六章 总结与展望74-76
• 6.1 本文总结74-75
• 6.2 工作展望75-76
• 参考文献76-82
• 附录82-86
• 附录 1 15幅标准测试图像82-86
• 致谢86-88
• 攻读硕士学位期间已发表和录用的学术论文88

【相似文献】

中国期刊全文数据库 前10条

1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

7 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年

8 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

9 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

10 孙乐;空谱联合先验的高光谱图像解混与分类方法[D];南京理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

  本文关键词：基于稀疏表示的图像超分辨率重建算法研究，由笔耕文化传播整理发布。

，

本文编号：337196