基于稀疏表示的图像超分辨率算法研究

发布时间：2021-12-23 07:01

　　随着科技的发展人们对于图像质量的要求也越来越高,单纯从硬件方面进行提高,技术上已经达到瓶颈,且成本较高。研究者们想到从软件方面进行突破,有望克服硬件成像设备（如手机或摄像机等）的一些固有分辨率的限制,另一方面还可降低成本。因此,近年来图像超分辨率（SR,Super Resolution）算法研究成为了一个非常活跃的研究领域。现今SR算法可大体分为:基于插值的、基于重建的和基于学习的三类。基于插值的方法计算复杂度低,重建速度快,但易出现锯齿效应,重建质量差,无法满足人们对于图像的需求。基于重建的方法在一定程度上解决了插值算法的不足,使重建质量有所提高,但易出现振铃效应,视觉体验仍旧不太理想。基于学习的算法则是首先对训练集进行学习再进行重建,重建质量大大提升。基于学习的SR算法显著的成果再加上学习算法的蓬勃发展,广大研究者热衷于该类算法的研究。本研究也是基于学习的基础上提出的单图像超分辨率改进算法。本文是在基于稀疏表示的图像SR重建的算法上进行改进的,主要通过学习传统SR算法以及稀疏表示方法,在深入理解其基本思想后,结合实际需求对现有算法提出改进方法,做出有效的解决方案,从而提高图像质量。... 

【文章来源】：浙江师范大学浙江省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

超分辨率应用实例

图像 SR 算法是使用软件的方法提升原有图像分辨率的一种技术。我们从自然界中获取的图像有些可能是模糊的，有些当把图像放大到一定程度，就会变得非常模糊，出现类似于马赛克的情况。这些都是由于直接获取的图像很多情况下都是像素较低的，而众所周知给定的图像像素越高，表示图像质量越接近于原始图像，单纯从硬件上提高图像质量成本高且已经达到了瓶颈，因此我们要想得到的图像更为清晰，这时需要的技术就是图像 SR 重建了。为方便理解本文后面几个章节提出的 SR 算法，本章对 SR 算法理论进行简要讲解，适当使用图示做出更清晰的表达，并介绍了重建图像的主观评价指标和客观评价指标。2.1 LR 图像的获取过程在实际生活中，当人眼从某个场景观测到一幅或多幅图像时，整个观测过程可以模型化表示为下面的观测模型[43]

设备处理采样得到数字图像，在获取过程中易出现经历光学模糊、运动模糊，下采样，以及外界噪声 图像。可想而知我们得到的该图像清晰度是不够需要对它进行放大，就有可能出现模糊或马赛克的测模型我们便可以很好的理解研究者提出的图像降Y = S X ￠ 的 HR 图像，S 指下采样算子，B 指模糊算子，n指看出，根据 LR 图像 Y 恢复出原有的 HR 图像 X 出多个互不相同的 HR 图像。因此这里就引出了唯一的 HR 图像。HR 图像与 LR 图像之间的退化关

【参考文献】：
期刊论文
[1]基于小波域隐马尔可夫树模型的SAR图像去噪[J]. 杨燕,黄彦丽,曹金莲.  测绘与空间地理信息. 2014(05)
[2]MAG焊熔池图像的超分辨率分析[J]. 戴光智,陈铁群,薛家祥,姚屏.  焊接学报. 2008(04)



本文编号：3548020