论文部分内容阅读
受成像系统的自身条件及外界环境因素的限制和影响,数字成像系统获得的图像分辨率低,细节信息少,难以满足人们的需要。而单帧图像超分辨率重建技术,可以从一幅低分辨率图像中重建出高分辨率图像,从而有效克服这一限制。该技术已经广泛应用于消费电子产品、医学成像、监控系统、遥感成像等领域。现有的超分辨率重建算法可以分为基于插值、基于重建和基于学习的方法。其中,基于学习的方法相比于其它两种算法具有较好的重建效果,因此受到研究人员的广泛关注。本文主要针对基于学习的方法做了深入研究和探索,主要的研究内容概括如下。基于邻域嵌入的方法在选择邻域时使用欧式距离查找近邻,这并不能保证邻域与输入图像的相似度最大,进而会导致获得的重构权值不是最优,使得重建图像的纹理区域会产生模糊现象。为改善这种不足,本文提出了一种基于感知哈希的邻域嵌入单帧图像超分辨率重建算法。该算法采用感知哈希算法选择与输入的低分辨率图像块最相似的近邻,采用k/K最近邻选择算法对邻域选择的个数进行约束,通过最小化重构误差合成高分辨率图像。通过实验分析和验证对比,表明本文提出的算法具有较高的重建图像质量。现有的基于深度学习的方法使用链式结构建立网络模型,当网络层数较深时,提取到的低级特征并没有用于最终的图像重建过程中,从而会引起重建图像质量的下降。针对这一不足,本文提出了一种基于跳连接的深度学习单帧图像超分辨率重建算法。该方法是一种端到端的方式,以插值后的低分辨率图像作为网络输入,使用跳连接将学习到的低级图像特征引入到最后的重建过程中,将学习到的低级图像特征和网络最后层输出的高级图像特征进行基于像素级的求和操作,最后采用残差学习直接重建出高分辨率图像。实验表明,本文提出的算法能够有效恢复图像中丢失的纹理信息,具有较高的重建图像质量。基于学习的图像超分辨率重建技术由于算法复杂度高、硬件资源开销大,在应用于工业领域时存在诸多限制。本文对图像超分辨率重建技术在消费电子产品中的应用做了深入研究,详细叙述图像超分辨率重建技术在4K电视机和智能手机的应用现状,阐述工业界评价重建图像质量的方法。在此基础上,将本文提出的基于深度学习的单帧图像超分辨率重建算法在电视机测试图像和智能手机上进行测试,验证了提出的算法的有效性,最后分析提出的算法在硬件上应用的可行性。