收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于稀疏表示的图像超分辨率重建方法研究

李进明  
【摘要】:随着科技和工业的发展,人类设计了大量的图像成像设备(如i Phone、i Pad和数码相机等)。伴随着,图像也成为人类传递信息的最重要的载体之一。然而,在图像的成像、传输、转换、存储、复制和显示等过程中,由于成像设备自身固有的物理局限性和不可预知的外部环境等不利因素的影响,人类所获取的图像经常是降质图像。降质意味着图像中有用信息的污染和丢失,为了重建出这些信息,一类方法是试图改良成像设备的硬件。目前来看,由于制造工艺水平的限制,这个方面的成效甚微;另一类方法是考虑传感器制造之外的软件方法,即目前的基于数字信号处理理论的图像超分辨率重建方法。近几年,学术上开发了很多优秀的重建理论,这些理论也促进了其它图像领域理论的发展;实际应用中,国家级重点工程和攻关项目也已将图像超分辨率重建方法作为了重点研究课题进行立项。由此可见,研究图像超分辨率重建方法有着重要的理论意义和实际应用价值。本文的研究是在国家级科技惠民计划项目和重庆市科技攻关警务云项目的支持下展开的,以解决图像超分辨率重建这一病态问题为主要研究内容。首先综述了国内外针对这一方法的研究状况;然后指出了目前广泛研究的依托稀疏表示模型的单幅图像超分辨率重建所面临的三个缺陷;为了对应解决这三个缺陷,本论文分别开发三种重建方法。主要创新性工作如下:①开发双稀疏正则化稀疏表示的图像超分辨率重建方法。对于稀疏表示模型来讲,精确的稀疏表示系数对于图像重建至关重要,为了有效的正则化稀疏表示系数,现有稀疏表示模型引入了局部稀疏性先验和非局部自相似性先验。然而,利用这两种先验的稀疏表示模型忽视了稀疏表示系数中每个元素之间的关系,限制了稀疏表示模型的能力。为了克服这个缺陷,首先开发稀疏表示系数的行非局部自相似性先验(即:稀疏表示系数中每个元素之间的关系);然后利用这个先验设计稀疏表示系数的基于l1-范数的行非局部正则项,并把此正则项引进基于局部稀疏性先验和列非局部自相似性先验的稀疏表示模型中;最后采用迭代收敛算法求解该模型。②开发低秩约束和非局部自相似性稀疏表示的图像超分辨率重建方法。研究工作①通过引入行非局部自相似性先验有效提升了稀疏表示模型的重建性能。然而对于稀疏表示模型来讲:由于图像块的独立稀疏编码,将使得图像中所有相似的图像块之间的全局相似性遗失。结果,相似的图像块可能被编码成完全不同的稀疏表示系数,这将损害稀疏表示模型的稳定性。因此,进一步考虑图像中所有相似块之间的全局相似性是提升稀疏表示模型稳定性的一个途径。对于非局部自相似性稀疏表示模型来讲,通过进一步引入稀疏表示系数的低秩约束来捕捉要重建的相似图像块的全局相似性,将使得相似的图像块能被编码成完全相同的稀疏表示系数。为此开发低秩约束和非局部自相似性的稀疏表示模型。采用经典的线性交替方向乘子法求解该模型。大量的实验结果表明,开发出的模型在保护相似图像块之间的全局相似性方面具有卓越的能力。③开发全局非零梯度惩罚和非局部Laplacian稀疏编码的图像超分辨率重建方法。研究工作②从稀疏表示系数角度出发解决了稀疏表示模型的重建性能和稳定性问题。但是,由于字典学习图像结构的局限性,限制了稀疏表示模型在重建正确的边缘结构上的能力。为了解决这个问题,提出的方法首先假设要重建的图像是由边缘成分图像与纹理细节成分图像组成。其中,边缘成分图像仅由边缘成分和平滑成分组成;纹理细节成分图像仅由平滑成分、纹理成分和细节成分组成。然后,为了重建边缘成分图像,设计一种全局梯度惩罚模型,该模型通过控制图像中梯度不为零的数目来达到保护边缘成分的结构和锐化边缘的目的;为了重建纹理细节成分图像,设计一种非局部Laplacian稀疏编码模型,该模型能有效引入有用信息和排斥不需要的信息;为了压抑叠加操作所带来的瑕疵,设计一种全局和局部优化模型。大量的实验结果表明,本章的三种模型无论是在客观的评价指标方面,即峰值信号噪声比(Peak Signal to Noise Ratio,PSNR)和结构相似性(Structural Similarity,SSIM),还是在主观的视觉效果方面,都明显优于近几年的一些具有代表性的重建方法。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期
2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期
3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期
4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期
5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期
6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期
7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期
8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期
9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期
10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期
11 陈思宝;赵令;罗斌;;局部保持的稀疏表示字典学习[J];华南理工大学学报(自然科学版);2014年01期
12 王铿;张重阳;齐朗晔;;基于核距离的稀疏表示的交通标识识别[J];计算机应用与软件;2014年03期
13 单建华;张晓飞;;稀疏表示人脸识别的关键问题分析[J];安徽工业大学学报(自然科学版);2014年02期
14 栾悉道;王卫威;谢毓湘;张芯;李琛;;非线性稀疏表示理论及其应用[J];计算机科学;2014年08期
15 杨荣根;任明武;杨静宇;;基于稀疏表示的人脸识别方法[J];计算机科学;2010年09期
16 郑轶;蔡体健;;稀疏表示的人脸识别及其优化算法[J];华东交通大学学报;2012年01期
17 段菲;章毓晋;;一种面向稀疏表示的最大间隔字典学习算法[J];清华大学学报(自然科学版);2012年04期
18 李仲生;李仁发;蔡则苏;赵乘麟;;稀疏表示下的非监督显著对象提取[J];电子学报;2012年06期
19 段菲;章毓晋;;基于多尺度稀疏表示的场景分类[J];计算机应用研究;2012年10期
20 胡正平;李静;白洋;;基于样本-扩展差分模板的联合双稀疏表示人脸识别[J];信号处理;2012年12期
中国重要会议论文全文数据库 前3条
1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集(上册)[C];2013年
2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集(第五分册)[C];2013年
3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年
中国博士学位论文全文数据库 前10条
1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年
2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年
3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年
4 李小薪;稀疏表示的分段匹配寻踪方法[D];华南理工大学;2009年
5 何艳敏;稀疏表示在图像压缩和去噪中的应用研究[D];电子科技大学;2011年
6 宋相法;基于稀疏表示和集成学习的若干分类问题研究[D];西安电子科技大学;2013年
7 匡金骏;基于稀疏表示的图像分类与目标跟踪研究[D];重庆大学;2013年
8 李海山;基于稀疏表示理论的地震信号处理方法研究[D];中国石油大学(华东);2013年
9 邓承志;图像稀疏表示理论及其应用研究[D];华中科技大学;2008年
10 路锦正;基于稀疏表示的图像超分辨率重构技术研究[D];电子科技大学;2013年
中国硕士学位论文全文数据库 前10条
1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年
2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年
3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年
4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年
5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年
6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年
7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年
8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年
9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年
10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978