单幅图像超分辨率重建方法及其视觉位移测量应用研究
发布时间：2021-09-02 20:51
随着时代的发展和科技的进步,人们在生活和工作中不断产生和依赖着大量的信息,因而对信息质量的需求也在不断提高,尤其是对视觉方面上感官信息的要求更为强烈。而在科技日新月异的今天,随着微电子学、材料学和制造业的发展,图像处理技术也随着发展迅速。在这个信息社会中,图像作为人们传递信息的重要载体之一,人们对图像的分辨率要求越来越高。高分辨率的图像能提供目标对象更多的细节信息,对图像的分析和处理有着重要的作用。然而,在实际应用中,由于成像设备自身的物理局限性,比如光学器件、处理器性能、存储容量等的限制,还有实际环境的干扰影响,导致人们获得的图像都有一定的退化。如何通过现有设备条件对已获得的图像进行增强,提高图像的空间分辨率,满足人们对图像的感官需求已成为图像应用中的研究重点。图像的超分辨率技术（SR,Super Resolution）研究可以分为时域超分辨率技术和空域超分辨率技术,针对更常使用的空域超分辨率技术,它是指从一幅或多幅低分辨率图像中重建出具有更高空间分辨率的图像,因此又可分为单幅图像的超分辨率重建技术和序列图像的超分辨率重建技术。在单幅图像的超分辨率重建技术中,稀疏表达作为一种新的图像...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：112 页
【学位级别】：博士
【部分图文】：
图１．?３华为Ｐ３０手机使用超分辨率算法实现视场融合变焦（ＤｘＯＭａｒｋ）??
除了上述的四种主要退化因素，成像器件的内部噪声和实际环境噪声也会对??成像质量造成较大的影响。从上述分析可知，图像成像的退化过程可以概括为下??采样、模糊和噪声影响。图２．１给出了典型的图像退化模型，其过程可以式（２．１）??描述：??ｙ?－?ＳＨｘ?＋?ｖ?（２．１）??其中，ｙ表示所获取的低分辨率图像，ｘ表示原始的高分辨率图像，ｖ代表噪声??影响，这里使用加性的高斯噪声表示，Ｓ表示下采样算子，Ｈ表示模糊算子。??噪声ｖ??￣￣？（光成像一?１祥图像＞，??丨瞧ｘ?器件的点扩散函数）丨５?Ｗ????图２．１光学采集系统中图像的退化模型??对于连续图像获取过程中的图像退化研宄，其退化因素与上述过程基本一致，??但对序列图像中不同帧的图像要考虑帧间相对运动的因素，因此相比于单幅图像??的退化模型，对于同一场景多次图像采集所得的图像帧间存在运动变换导致的退??化，即序列图像的退化模型为：??ｙｋ?＝?ＳＨｋＭｋｘ?＋?ｖｋ?＼＜ｋ＜?ｐ?（２．２）??其中
（Ｗａｖｅｌｅｔ）字典、曲波（Ｃｕｒｖｅｌｅｔ）字典等。变换域方法虽然能够快速简单地实??现字典的构建，但是其构建的字典对信号没有自适应性，不能随着信号的变化做??出相应的变化，而且单一方法的字典原子所代表的特征也不够丰富，如图２．１所??示，ＤＣＴ字典中的原子以图像块的形式展示出来的是简单而规律的特征，它不??能充分表达复杂信号的结构特征，因而常常只用来表示简单的信号或作为字典学??习的初始值。与之不同，基于学习的字典是通过迭代学习优化的方式建立最终的??字典，它具备更强的稀疏表示能力和自适应性，能更有效地刻画信号的特征，但??同时也带来更高的算法复杂度，而且需要训练集和一定的学习成本。??孩讓ｌ｜ｉ?議?ｆ?義義?ＩＳＳｉｉ??ｌｌｉｉ議蜃?＿ｉｉｌｉ?穷?ｉｉ?義?ｉ?ｎＭＭＭｅｅｉｉｌｉｉｉｉｉｉｉＳ??Ｉｆ?霖君ｉｌ?鏊?ｉｌｌ?譲義?ｉ?露??１Ｉ１１１１１Ｉ１ＩＩ１１１１Ｉ?ｌＩＢＳｆｆｉｌｌｌｌｌｌｌｌ??議ＩＳ１Ｉ餞；１ＳＩ?！１！＝？證蠢１雲蠢雲雲謹??运ｉ?■?■■漏＝１＝｜丨丨丨＝妄｜！丨＝＿丨丨?ｍｍｍ／ｍｍｍｍｍｍｍｍ職ａ??图２．?２?ＤＣＴ字典的图像块（６４ｘ５１２）无序和有序显示??本节主要介绍常用的基于学习的字典建立方法，包括最优方向方法（ＭＯＤ）??字典学习算法［１３４］、Ｋ－ＳＶＤ字典学习算法［ｉ３５］和基于结构的字典学习算法等。我们??将分别介绍它们的学习思想和算法流程以及各自的优劣。??２．３．３．１字典学习的优化模型??字典学习的框架可以通用地表示为一个优化问题：即给定样本集Ｘ?＝??求解字典Ｄ
【参考文献】：
期刊论文
[1]基于2D-PCA特征描述的非负权重邻域嵌入人脸超分辨率重建算法[J]. 曹明明,干宗良,崔子冠,李然,朱秀昌. 电子与信息学报. 2015(04)
[2]改进的基于邻域嵌入的图像超分辨率重构[J]. 李强,刘哲,南炳炳,顾淑音. 激光技术. 2015(01)
[3]自适应邻域选取的邻域嵌入超分辨率重建算法[J]. 曹明明,干宗良,陈杰,崔子冠,朱秀昌. 信号处理. 2015(01)
[4]改进的混合MAP-POCS超分辨率图像复原算法研究[J]. 绍乐图,陈晨,张红刚,张国华. 电光与控制. 2015(02)
[5]基于Gabor变换的图像邻域嵌入超分辨率放大[J]. 武晓敏,徐健,范九伦,王彦梓. 西安邮电大学学报. 2014(06)
[6]基于广义高斯分布的最大后验概率图像复原算法[J]. 张红民,成于思,梁琛颖. 重庆理工大学学报(自然科学). 2011(05)
[7]一种基于MAP的超分辨率图像重建的快速算法[J]. 肖创柏,禹晶,薛毅. 计算机研究与发展. 2009(05)
[8]基于小波的方向自适应图像插值[J]. 程光权,成礼智. 电子与信息学报. 2009(02)
[9]基于支撑向量机的盲超分辨率图像复原算法[J]. 乔建苹,刘琚. 电子学报. 2007(10)
[10]基于正则化处理的超分辨率重建[J]. 韩玉兵,吴乐南,张冬青. 电子与信息学报. 2007(07)
本文编号：3379714
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：112 页
【学位级别】：博士
【部分图文】：
图１．?３华为Ｐ３０手机使用超分辨率算法实现视场融合变焦（ＤｘＯＭａｒｋ）??
除了上述的四种主要退化因素，成像器件的内部噪声和实际环境噪声也会对??成像质量造成较大的影响。从上述分析可知，图像成像的退化过程可以概括为下??采样、模糊和噪声影响。图２．１给出了典型的图像退化模型，其过程可以式（２．１）??描述：??ｙ?－?ＳＨｘ?＋?ｖ?（２．１）??其中，ｙ表示所获取的低分辨率图像，ｘ表示原始的高分辨率图像，ｖ代表噪声??影响，这里使用加性的高斯噪声表示，Ｓ表示下采样算子，Ｈ表示模糊算子。??噪声ｖ??￣￣？（光成像一?１祥图像＞，??丨瞧ｘ?器件的点扩散函数）丨５?Ｗ????图２．１光学采集系统中图像的退化模型??对于连续图像获取过程中的图像退化研宄，其退化因素与上述过程基本一致，??但对序列图像中不同帧的图像要考虑帧间相对运动的因素，因此相比于单幅图像??的退化模型，对于同一场景多次图像采集所得的图像帧间存在运动变换导致的退??化，即序列图像的退化模型为：??ｙｋ?＝?ＳＨｋＭｋｘ?＋?ｖｋ?＼＜ｋ＜?ｐ?（２．２）??其中
（Ｗａｖｅｌｅｔ）字典、曲波（Ｃｕｒｖｅｌｅｔ）字典等。变换域方法虽然能够快速简单地实??现字典的构建，但是其构建的字典对信号没有自适应性，不能随着信号的变化做??出相应的变化，而且单一方法的字典原子所代表的特征也不够丰富，如图２．１所??示，ＤＣＴ字典中的原子以图像块的形式展示出来的是简单而规律的特征，它不??能充分表达复杂信号的结构特征，因而常常只用来表示简单的信号或作为字典学??习的初始值。与之不同，基于学习的字典是通过迭代学习优化的方式建立最终的??字典，它具备更强的稀疏表示能力和自适应性，能更有效地刻画信号的特征，但??同时也带来更高的算法复杂度，而且需要训练集和一定的学习成本。??孩讓ｌ｜ｉ?議?ｆ?義義?ＩＳＳｉｉ??ｌｌｉｉ議蜃?＿ｉｉｌｉ?穷?ｉｉ?義?ｉ?ｎＭＭＭｅｅｉｉｌｉｉｉｉｉｉｉＳ??Ｉｆ?霖君ｉｌ?鏊?ｉｌｌ?譲義?ｉ?露??１Ｉ１１１１１Ｉ１ＩＩ１１１１Ｉ?ｌＩＢＳｆｆｉｌｌｌｌｌｌｌｌ??議ＩＳ１Ｉ餞；１ＳＩ?！１！＝？證蠢１雲蠢雲雲謹??运ｉ?■?■■漏＝１＝｜丨丨丨＝妄｜！丨＝＿丨丨?ｍｍｍ／ｍｍｍｍｍｍｍｍ職ａ??图２．?２?ＤＣＴ字典的图像块（６４ｘ５１２）无序和有序显示??本节主要介绍常用的基于学习的字典建立方法，包括最优方向方法（ＭＯＤ）??字典学习算法［１３４］、Ｋ－ＳＶＤ字典学习算法［ｉ３５］和基于结构的字典学习算法等。我们??将分别介绍它们的学习思想和算法流程以及各自的优劣。??２．３．３．１字典学习的优化模型??字典学习的框架可以通用地表示为一个优化问题：即给定样本集Ｘ?＝??求解字典Ｄ
【参考文献】：
期刊论文
[1]基于2D-PCA特征描述的非负权重邻域嵌入人脸超分辨率重建算法[J]. 曹明明,干宗良,崔子冠,李然,朱秀昌. 电子与信息学报. 2015(04)
[2]改进的基于邻域嵌入的图像超分辨率重构[J]. 李强,刘哲,南炳炳,顾淑音. 激光技术. 2015(01)
[3]自适应邻域选取的邻域嵌入超分辨率重建算法[J]. 曹明明,干宗良,陈杰,崔子冠,朱秀昌. 信号处理. 2015(01)
[4]改进的混合MAP-POCS超分辨率图像复原算法研究[J]. 绍乐图,陈晨,张红刚,张国华. 电光与控制. 2015(02)
[5]基于Gabor变换的图像邻域嵌入超分辨率放大[J]. 武晓敏,徐健,范九伦,王彦梓. 西安邮电大学学报. 2014(06)
[6]基于广义高斯分布的最大后验概率图像复原算法[J]. 张红民,成于思,梁琛颖. 重庆理工大学学报(自然科学). 2011(05)
[7]一种基于MAP的超分辨率图像重建的快速算法[J]. 肖创柏,禹晶,薛毅. 计算机研究与发展. 2009(05)
[8]基于小波的方向自适应图像插值[J]. 程光权,成礼智. 电子与信息学报. 2009(02)
[9]基于支撑向量机的盲超分辨率图像复原算法[J]. 乔建苹,刘琚. 电子学报. 2007(10)
[10]基于正则化处理的超分辨率重建[J]. 韩玉兵,吴乐南,张冬青. 电子与信息学报. 2007(07)
本文编号：3379714
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3379714.html
最近更新
教材专著
