基于稀疏字典学习的图像超分辨率研究

发布时间：2022-02-24 00:54

　　二十一世纪是信息化的时代,计算机和互联网技术获得了恒古未有的飞速发展,人们已步入大数据时期,伴随着大数据时期的到临,互联网多媒体上呈现了非常多的多媒体信息,如高清图片、高清视频等,然而这些信息因为占用内存空间多且数量巨大不便于存储和传输。人们对高分辨率图像的需求愈来愈强烈,然而因为硬件物理设备成本高和各类客观成像因素的限制,人们本来得到的图像分辨率达不到预期结果,因此经由过程低廉的软件改良图像分辨率的方式取得了巨大的发展空间。图像超分辨重建技术就是采用信号处理技术,从一幅或多幅相同场景下的降质低分辨图像重新构建出一幅质量较好的高分辨率图像。图像信号与语音信号一样,是人类感知、获取周围环境的首要媒介。最新研究统计表明,人类通过图像信号获取的信息占人类所获得的信息总量的约百分之八十^[1]。传统的Nyquist采样定律^[2]要求,信号的采样频率要大于信号最高频率的两倍才能够精确恢复出原始信号。由于这一采样原理限制,给信号的采集、传输和存储等方面带来了越来越多困难。近些年来,在众多的重建算法中,稀疏表示^[3]（Sparse re... 

【文章来源】：山东师范大学山东省

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 论文的研究背景及意义
    1.2 国内外超分辨率重建研究现状
    1.3 超分辨率重建算法的应用及发展趋势
    1.4 超分辨率重建算法主要评价标准
        1.4.1 主观方面评价标准
        1.4.2 客观方面评价标准
    1.5 本文的组织框架
第二章 图像的超分辨率重建算法
    2.1 图像超分辨率
    2.2 基于插值的超分辨率重建算法
    2.3 基于重建的超分辨率算法
    2.4 基于学习的超分辨率重建算法
    2.5 本章小结
第三章 基于稀疏字典学习的图像超分辨率研究
    3.1 改进正则化参数约束对稀疏表示的影响
    3.2 训练样本的处理
        3.2.1 训练样本的特征提取
        3.2.2 高维数据PCA方法降维
    3.3 字典训练阶段
    3.4 图像重建阶段
    3.5 非局部自相似性后处理
        3.5.1 非局部自相似性原理
        3.5.2 非局部自相似性后处理
    3.6 本章小结
第四章 实验结果及分析
    4.1 图像块的影响
        4.1.1 图像块大小的影响
        4.1.2 图像块数目的影响
        4.1.3 图像块重叠像素个数的影响
    4.2 改进特征提取方法的影响
    4.3 字典大小的影响
    4.4 噪声的影响
    4.5 不同算法之间对比实验
    4.6 本章小结
第五章 总结与展望
参考文献
攻读研究生学位期间发表的论文
致谢



本文编号：3641638