论文部分内容阅读
在日常生活和生产实践中,图像是人类感知环境的重要信息载体。高质量的图像有助于对图像内容的理解和决议计划。然而,在实际成像过程中,受运动模糊、光学模糊、欠采样和噪声等退化因素的影响,很难获得分辨率很高的图像或者图像序列,这给后续图像处理、分析与理解带来了很多困难,从而影响了人们正确认识和感知环境。如何改善图像质量,提高所获得图像的空间分辨率是图像处理领域极具挑战性的课题。图像超分辨重建技术能有效解决上述问题。该技术在军事、医学与民用监控、遥感成像、计算机视觉、模式识别等方面都有广泛的应用前景。针对超分辨重建面临的挑战性问题,本文利用流形学习、邻域嵌入、低秩矩阵分解、联合学习等思想对现有的方法进行了改进,主要工作为:1、提出一种基于低秩邻域嵌入的超分辨算法。为了降低低分辨图像与高分辨图像邻域关系的不一致性,首先改进低分辨图像的特征提取方法;然后,引入低秩矩阵分解算法增强低分辨与高分辨图像之间映射关系的一致性。最后用其低秩分量进行邻域的选择和低分辨与高分辨图像块之间的映射关系的估计,并引入了一种新的计算权值的方法,能很好提高超分辨重建图像的质量。2、提出一种基于NormLV特征的稀疏邻域嵌入的超分辨方法。考虑到传统邻域嵌入(Neighbor Embedding,NE)算法中由于特征表示不合理导致近邻选取不准确的缺陷,首先构造了NormLV新特征将邻域嵌入算法进行特征增强,通过该特征来选取近邻;其次针对已有邻域超分辨算法在选择邻域和权值求解方面存在的不足,将稀疏表示与邻域嵌入算法相结合,提出一种基于稀疏表示的稀疏邻域嵌入算法,能有效实现重构权值的计算;最后,结合一致性先验和全局约束,进一步提高图像超分辨重建的质量。3、针对传统邻域嵌入超分辨算法中低分辨图像块与高分辨图像块在邻域关系不能完全保持一致性,即映射对应关系为一对多的关系问题,提出了一种基于联合学习的稀疏邻域嵌入超分辨方法。首先利用联合学习的思想构建对偶约束,并学习低分辨图像和高分辨图像的投影矩阵来构造统一特征空间;之后利用低秩矩阵分解算法提取低秩分量;最后低秩分量在联合统一特征空间中进行稀疏邻域嵌入超分辨重建。