【摘要】：目的為了提高圖像超分辨率算法對數(shù)據(jù)奇異點的魯棒性,提出一種采用K均值聚類和支持向量數(shù)據(jù)描述的圖像超分辨率重建算法(Kmeans-SVDD)。方法訓練過程:首先用K均值聚類算法將訓練圖像的近似子帶劃分為若干類,然后用支持向量數(shù)據(jù)描述去除每類數(shù)據(jù)的奇異點,最后在小波域內用主成分分析訓練近似子帶和細節(jié)子帶字典。測試過程:根據(jù)同一場景高低分辨率圖像近似子帶相似這一現(xiàn)象,首先將待重建低分辨率測試圖像的近似子帶作為相應高分辨率測試圖像的近似子帶,然后由訓練得到的字典恢復出高分辨率測試圖像的細節(jié)子帶,最后通過逆小波變換得到高分辨率測試圖像。結果相比于當前雙三次插值、Zeyde、ANR與Kmeans-PCA算法,Kmeans-SVDD算法重建的高分辨率測試圖像的平均峰值信噪比依次提高了1.82 dB、0.37 dB、0.30 dB、0.15 dB。結論通過大量實驗發(fā)現(xiàn),在字典訓練之前加入SVDD過程可以去除離群點,提高字典質量。在小波域中將各頻帶分開重建,可避免低頻圖像中包含的不可靠高頻信息對超分辨率結果的影響,從而恢復出可靠的高頻信息。
[Abstract]:Aim in order to improve the robustness of image super-resolution algorithm to singular points of data, an image super-resolution reconstruction algorithm (Kmeans-SVDD) based on K-means clustering and support vector data description is proposed. Methods the training process: firstly, the approximate subbands of the training images are divided into several classes by K-means clustering algorithm, and then the singular points of each class are removed by using the support vector data description. Finally, the approximate subband and detail subband dictionary are trained in wavelet domain by principal component analysis (PCA). Testing process: according to the similarity of the approximate sub-bands in the same scene, the approximate sub-bands of the low-resolution test images to be reconstructed are regarded as the approximate sub-bands of the corresponding high-resolution test images. Then the detailed sub-bands of the high-resolution test image are recovered from the dictionary obtained by the training, and the high-resolution test image is obtained by inverse wavelet transform. Results compared with the current bicubic interpolation, Zeyde,ANR and Kmeans-PCA algorithms and Kmeans-SVDD algorithm improved the average PSNR of high resolution test images by 1.82 dB,0.37 dB,0.30 dB,0.15 dB. in turn. Conclusion A large number of experiments show that adding SVDD before dictionary training can remove outliers and improve dictionary quality. The reconstruction of each frequency band in wavelet domain can avoid the influence of the unreliable high-frequency information contained in the low-frequency image on the super-resolution result and thus restore the reliable high-frequency information.
【作者單位】： 西安郵電大學通信與信息工程學院;
【基金】：國家自然科學基金項目(61340040)~~
【分類號】：TP391.41

【參考文獻】

相關期刊論文 前5條

1 曹翔;陳秀宏;潘榮華;;基于稀疏表示的快速圖像超分辨率算法[J];計算機工程;2015年06期

2 劉小明;喻杰;劉俊;梅明;;改進K均值與模糊置信度的腦部MRI分割[J];計算機工程與設計;2015年03期

3 楊波;吳紀桃;謝曉振;;小波域中雙稀疏的單幅圖像超分辨[J];中國圖象圖形學報;2014年11期

4 曾現(xiàn)靈;張立燕;胡榮華;;基于主成分建模的SVDD高光譜圖像異常檢測[J];智能系統(tǒng)學報;2014年03期

5 徐國明;薛模根;崔懷超;;基于過完備字典的魯棒性單幅圖像超分辨率重建模型及算法[J];計算機輔助設計與圖形學學報;2012年12期

【共引文獻】

相關期刊論文 前4條

1 倪浩;阮若林;劉芳華;王建峰;;稀疏系數(shù)獨立可調的單圖超分辨率重建[J];計算機應用;2016年04期

2 張小丹;范九倫;徐健;史香燁;;K均值聚類和支持向量數(shù)據(jù)描述的圖像超分辨率算法[J];中國圖象圖形學報;2016年02期

3 倪浩;阮若林;劉芳華;;基于雙正則化參數(shù)的在線字典學習超分辨率重建[J];計算機應用研究;2016年03期

4 楊亞威;胡雙演;張士杰;張姣;李俊山;;基于字典對聯(lián)合學習的退化圖像復原方法[J];計算機輔助設計與圖形學學報;2015年03期

【二級參考文獻】

相關期刊論文 前10條

1 黃全亮;劉水清;孫金海;陳柯;;融合學習算法的單幀圖像超分辨率復原[J];計算機工程與應用;2013年23期

2 王歡;王永革;;基于L_(1/2)正則化的超分辨率圖像重建算法[J];計算機工程;2012年20期

3 劉明;杜小平;孫潔;;一種改進的基于正交子空間投影的高光譜圖像異常檢測算法[J];裝備學院學報;2012年04期

4 成寶芝;趙春暉;王玉磊;;基于四階累積量的波段子集高光譜圖像異常檢測[J];光電子.激光;2012年08期

5 肖雄斌;厲小潤;趙遼英;;基于最小噪聲分離變換的高光譜異常檢測方法研究[J];計算機應用與軟件;2012年04期

6 史振威;吳俊;楊碩;姜志國;;RX及其變種在高光譜圖像中的異常檢測[J];紅外與激光工程;2012年03期

7 張雪鳳;張桂珍;劉鵬;;基于聚類準則函數(shù)的改進K-means算法[J];計算機工程與應用;2011年11期

8 陳博洋;郭強;陳桂林;陳凡勝;;超分辨率圖像重建引起的噪聲放大與濾波[J];紅外與毫米波學報;2011年01期

9 楊安榮;林財興;李紅強;;一種基于模糊連接度和維諾圖的混合分割方法[J];計算機應用與軟件;2011年01期

10 孫玉寶;韋志輝;肖亮;張錚嶸;;基于稀疏表示的圖像超分辨率重建快速算法[J];系統(tǒng)工程與電子技術;2010年12期

【相似文獻】

相關期刊論文 前10條

1 張健;宋剛;;基于分裂式K均值聚類的圖像分割方法[J];計算機應用;2011年02期

2 姜月秋;牛碩;高宏偉;;一種新的基于K均值聚類的色彩量化算法研究[J];計算機科學;2012年S3期

3 邢冀鵬;鄒雪城;劉政林;陳毅成;;K均值聚類和模擬退火融合的軟硬件劃分[J];計算機工程與應用;2006年16期

4 賴玉霞;劉建平;楊國興;;基于遺傳算法的K均值聚類分析[J];計算機工程;2008年20期

5 蔡慧;劉洪波;韓國棟;;基于K均值聚類的隨機網(wǎng)絡拓撲模型[J];計算機工程與設計;2009年05期

6 常甜甜;劉紅衛(wèi);馮筠;;基于K均值聚類和多核SVM的微鈣化簇檢測[J];計算機科學;2009年08期

7 胡艷維;秦拯;張忠志;;基于模擬退火與K均值聚類的入侵檢測算法[J];計算機科學;2010年06期

8 吳永芳;楊鑫;徐敏;張星;;基于K均值聚類的圖割醫(yī)學圖像分割算法[J];計算機工程;2011年05期

9 溫超;耿國華;李展;;基于K均值聚類和多示例學習的圖像檢索方法[J];計算機應用;2011年06期

10 黃月;吳成東;張云洲;程龍;孫堯;;基于K均值聚類的二進制傳感器網(wǎng)絡多目標定位方法[J];控制與決策;2013年10期

相關會議論文 前2條

1 吳波;王勇;王偉;王景翰;;K均值聚類分析法在綠色搖頭丸分類中的應用[A];公共安全中的化學問題研究進展（第二卷）[C];2011年

2 季鐸;蔡東風;鄭偉;于水;;基于相似序列的增量式K均值聚類算法[A];第四屆全國信息檢索與內容安全學術會議論文集（上）[C];2008年

相關碩士學位論文 前6條

1 戴少穎;基于K均值聚類算法的科技館展使用情況分析[D];云南大學;2015年

2 朱曦;基于改進K均值聚類的證券時間序列奇異點研究[D];昆明理工大學;2013年

3 張f ;K均值聚類在高新技術企業(yè)信用評級中的應用[D];電子科技大學;2010年

4 廖宗明;基于K均值聚類與支持向量機的電力系統(tǒng)短期負荷預測[D];華南理工大學;2012年

5 李希;基于K均值聚類和BP神經(jīng)網(wǎng)絡的耐火材料損傷模式識別[D];武漢科技大學;2012年

6 都興朔;結合人工蜂群算法的調和K均值聚類算法的研究[D];東北師范大學;2012年

，

本文編號：2418454