含噪图像的快速超分辨率重建研究
发布时间：2021-04-12 20:22
在5G通信技术快速发展的今天,高宽带和低延迟带来便利的同时,也大大催生了人们对高清图像的需求。在许多数字图像应用领域,如社会治安监控和医学影像分割方面都需要丰富的图像细节来提供更多的有效信息。但在实际的应用中,诸多不确定的因素如成像设备能力的制约和传输过程中频域的混叠,甚至是拍摄过程中物体与相机的相对位移而造成的模糊,都会导致图像采集过程中细节的丢失。为了解决这个问题,决定采用图像超分辨率重建技术,目的是从输入的一个或多个低分辨率图像中去重建高分辨率图像。由于高分辨率图像降质到低分辨率图像的过程中,伴随着大量图像边缘细节和高频信息的丢失,所以重建过程是一个典型的病态问题。而在拍摄和存储过程中的未知噪声会让重建过程变得更加困难。为了得到更加接近于真实图像的唯一准确解,本文对含噪图像的超分辨率重建问题进行研究,提出了一种快速且高效的超分辨率重建算法。主要研究成果包括:（1）现在大多超分辨率重建算法都假设输入图像是不含有噪声的。但在实际的应用环境中,含有噪声的低分辨率图像是很常见的,针对目前算法对含噪图像重建能力有限的问题,提出了一种对含噪图像具有明显抑制作用的快速超分辨率重建算法。（2）与...
【文章来源】：天津工业大学天津市
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
一维空间下，不同范数的几何表示
天津工业大学硕士学位论文18xΨα=N×1K-sparse图2-6输入信号x的稀疏表示由于现实中的信号多为可压缩而不是严格稀疏，即信号的大部分能量集中在少数几个系数上并满足K稀疏。图2-7展示了压缩感知观测过程，用一个与变换基Ψ不相关的观测矩阵Φ=RM×N对输入信号X进行线性变换，得到观测向量y∈RM×1，其中M<<N。目的是为了降低观测向量y∈RM×1相对于与原始信号X∈RN×1，在降维过程中的信息损失，并保证可以从观测向量y∈RM×1中精确或高概率地重构原始信号X∈RN×1。如公式（2-18）所示：y=Φx=ΦΨα=Θα（2-18）压缩感知的关键是非相关测量，即观测矩阵Φ与变换基Ψ不相关，也就是说Φ和Ψ之间的行列不能互相稀疏表示并满足相干度测量[74]。根据相干度测量，当稀疏度为K的情况下，最小测量数M应满足公式（2-19）：M≥KlogN（2-19）由于观测数量M<<N，面对欠定系统，不能直接求解。根据文献[74]，在输入信号可压缩的前提下，若满足测量过程不相干且稀疏度K小于给定值，则求解病态方程组的问题可以转化为最小化0范数的问题，如公式（2-20）所示：minα‖α‖0s.t.y=Θα（2-20）对于0范数问题的求解是一个非确定多项式（Non-DeterministicPolynomial）问题。如果观测矩阵Φ包含较多的非相干列，就会大概率找到观测向量y最匹配的稀疏向量。所以，只要求解系数α足够稀疏，则方程的解就唯一。如公式（2-21）所示：minα‖α‖0s.t.‖y-Θα‖22<（2-21）
第三章含噪图像的快速超分辨率重建31出对应权值ωi。最后，通过计算ωipih可以得到估计的HR图像块xih和去噪后的LR图像块yil。（3）HR图像的重建阶段。对估计图像块的重叠区域进行平均计算并结合输入图像Y，得到估计的HR图像xh和去噪后的LR图像yl。最后，结合迭代反投影,得到最终重建的HR图像X*。含噪图像的快速超分辨率重建算法框架如图3-8所示。示例图像低分辨率图像低分辨率图像高分辨率图像特征块低分辨率图像特征块样本块寻找K个相似图像块并计算相似程度低分辨率图像块权值计算重建图像块估计高分辨率图像块去噪低分辨率图像块去噪低分辨率图像估计高分辨率图像IBP字典训练稀疏字典输入图像插值放大特征提取标准化处理标准化处理重叠分块0LRHR1LR下采样插值放大特征提取输出图像liy()hliip,pididliphipiw分割处理特征向量图3-8含噪图像的快速超分辨率重建框架3.2.2字典的构建和训练在进行高、低稀疏字典训练时，采用了77张标准的自然图像作为训练集。部分训练图像如图3-9所示。图3-9部分训练图像
【参考文献】：
期刊论文
[1]关于生物教学中演示教学法的研究[J]. 翁红阳. 学周刊. 2016(16)
[2]基于张量的单幅图像超分辨算法[J]. 王峰. 计算机应用. 2014(06)
[3]瑞利分布时变水声信道仿真与实验[J]. 邓红超,刘云涛,蔡惠智. 声学技术. 2009(02)
博士论文
[1]基于稀疏表示的图像超分辨率重建研究[D]. 李欣.南京邮电大学 2016
[2]基于压缩感知理论的图像融合及超分辨率重建算法研究[D]. 杨强.成都理工大学 2015
[3]图像超分辨率重建问题研究[D]. 张剑.中南大学 2010
硕士论文
[1]基于稀疏字典学习的遥感图像超分辨率重建研究[D]. 王博琛.西北大学 2019
[2]基于片上细胞检测系统的细胞图像超分辨率技术的研究[D]. 王伍娟.西安理工大学 2018
[3]基于样本与多项式核表示的非线性稀疏信号重构研究[D]. 聂锋.西南大学 2017
[4]基于压缩感知的数字通信信号调制方式识别方法研究[D]. 王瑟瑟.北京邮电大学 2016
[5]单稳态逻辑随机共振机制及其应用研究[D]. 郑永翠.南京邮电大学 2015
[6]水下强噪声图像目标分割方法研究[D]. 张俊.大连海事大学 2013
[7]基于DM642和统计颜色模型的火灾检测研究[D]. 周灵飞.西安电子科技大学 2013
[8]基于机器视觉的TFT-LCD点缺陷检测系统的研究[D]. 冯小波.上海交通大学 2012
[9]基于Contourlet的图像去噪方法研究[D]. 周逸丽.西安电子科技大学 2012
[10]视频监控图像超分辨率重建技术研究[D]. 郑斌.大连海事大学 2011
本文编号：3133924
【文章来源】：天津工业大学天津市
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
一维空间下，不同范数的几何表示
天津工业大学硕士学位论文18xΨα=N×1K-sparse图2-6输入信号x的稀疏表示由于现实中的信号多为可压缩而不是严格稀疏，即信号的大部分能量集中在少数几个系数上并满足K稀疏。图2-7展示了压缩感知观测过程，用一个与变换基Ψ不相关的观测矩阵Φ=RM×N对输入信号X进行线性变换，得到观测向量y∈RM×1，其中M<<N。目的是为了降低观测向量y∈RM×1相对于与原始信号X∈RN×1，在降维过程中的信息损失，并保证可以从观测向量y∈RM×1中精确或高概率地重构原始信号X∈RN×1。如公式（2-18）所示：y=Φx=ΦΨα=Θα（2-18）压缩感知的关键是非相关测量，即观测矩阵Φ与变换基Ψ不相关，也就是说Φ和Ψ之间的行列不能互相稀疏表示并满足相干度测量[74]。根据相干度测量，当稀疏度为K的情况下，最小测量数M应满足公式（2-19）：M≥KlogN（2-19）由于观测数量M<<N，面对欠定系统，不能直接求解。根据文献[74]，在输入信号可压缩的前提下，若满足测量过程不相干且稀疏度K小于给定值，则求解病态方程组的问题可以转化为最小化0范数的问题，如公式（2-20）所示：minα‖α‖0s.t.y=Θα（2-20）对于0范数问题的求解是一个非确定多项式（Non-DeterministicPolynomial）问题。如果观测矩阵Φ包含较多的非相干列，就会大概率找到观测向量y最匹配的稀疏向量。所以，只要求解系数α足够稀疏，则方程的解就唯一。如公式（2-21）所示：minα‖α‖0s.t.‖y-Θα‖22<（2-21）
第三章含噪图像的快速超分辨率重建31出对应权值ωi。最后，通过计算ωipih可以得到估计的HR图像块xih和去噪后的LR图像块yil。（3）HR图像的重建阶段。对估计图像块的重叠区域进行平均计算并结合输入图像Y，得到估计的HR图像xh和去噪后的LR图像yl。最后，结合迭代反投影,得到最终重建的HR图像X*。含噪图像的快速超分辨率重建算法框架如图3-8所示。示例图像低分辨率图像低分辨率图像高分辨率图像特征块低分辨率图像特征块样本块寻找K个相似图像块并计算相似程度低分辨率图像块权值计算重建图像块估计高分辨率图像块去噪低分辨率图像块去噪低分辨率图像估计高分辨率图像IBP字典训练稀疏字典输入图像插值放大特征提取标准化处理标准化处理重叠分块0LRHR1LR下采样插值放大特征提取输出图像liy()hliip,pididliphipiw分割处理特征向量图3-8含噪图像的快速超分辨率重建框架3.2.2字典的构建和训练在进行高、低稀疏字典训练时，采用了77张标准的自然图像作为训练集。部分训练图像如图3-9所示。图3-9部分训练图像
【参考文献】：
期刊论文
[1]关于生物教学中演示教学法的研究[J]. 翁红阳. 学周刊. 2016(16)
[2]基于张量的单幅图像超分辨算法[J]. 王峰. 计算机应用. 2014(06)
[3]瑞利分布时变水声信道仿真与实验[J]. 邓红超,刘云涛,蔡惠智. 声学技术. 2009(02)
博士论文
[1]基于稀疏表示的图像超分辨率重建研究[D]. 李欣.南京邮电大学 2016
[2]基于压缩感知理论的图像融合及超分辨率重建算法研究[D]. 杨强.成都理工大学 2015
[3]图像超分辨率重建问题研究[D]. 张剑.中南大学 2010
硕士论文
[1]基于稀疏字典学习的遥感图像超分辨率重建研究[D]. 王博琛.西北大学 2019
[2]基于片上细胞检测系统的细胞图像超分辨率技术的研究[D]. 王伍娟.西安理工大学 2018
[3]基于样本与多项式核表示的非线性稀疏信号重构研究[D]. 聂锋.西南大学 2017
[4]基于压缩感知的数字通信信号调制方式识别方法研究[D]. 王瑟瑟.北京邮电大学 2016
[5]单稳态逻辑随机共振机制及其应用研究[D]. 郑永翠.南京邮电大学 2015
[6]水下强噪声图像目标分割方法研究[D]. 张俊.大连海事大学 2013
[7]基于DM642和统计颜色模型的火灾检测研究[D]. 周灵飞.西安电子科技大学 2013
[8]基于机器视觉的TFT-LCD点缺陷检测系统的研究[D]. 冯小波.上海交通大学 2012
[9]基于Contourlet的图像去噪方法研究[D]. 周逸丽.西安电子科技大学 2012
[10]视频监控图像超分辨率重建技术研究[D]. 郑斌.大连海事大学 2011
本文编号：3133924
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3133924.html
最近更新
教材专著
