本文關(guān)鍵詞：基于稀疏表示的圖像超分辨率重建算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：二十一世紀(jì)是信息化的時(shí)代,多媒體技術(shù)的廣泛應(yīng)用和數(shù)碼設(shè)備的大范圍普及是這個時(shí)代的特點(diǎn)之一,數(shù)字圖像的獲取、存儲和轉(zhuǎn)發(fā)是這個特點(diǎn)中不可或缺的一部分。但在實(shí)際應(yīng)用中,由于受到圖像采集設(shè)備等硬件設(shè)備、環(huán)境干擾和運(yùn)動模糊等條件的限制,獲取圖像的清晰度達(dá)不到預(yù)期的效果。因此,有必要開發(fā)圖像重建算法對實(shí)際中獲取的低分辨率圖像進(jìn)行分辨率加強(qiáng),這將對多媒體技術(shù)的發(fā)展具有重要意義。在眾多的重建算法中,稀疏表示的超分辨率重建算法因?yàn)槠洫?dú)特的優(yōu)勢而備受關(guān)注,該算法是以信號稀疏表示理論作為指導(dǎo)思想,對于輸入的單幅低分辨率圖像,圖像上的任何一個圖像塊都能利用事先訓(xùn)練好的低分辨率字典計(jì)算得到稀疏表示系數(shù),然后利用高、低分辨率字典計(jì)算得到的稀疏表示系數(shù)的一致性原則,利用高分辨率字典得到高分辨率重建圖像。本文以此為基礎(chǔ)進(jìn)行研究,對算法中存在的問題進(jìn)行改進(jìn)。首先,提出對圖像特征提取過程的改進(jìn)策略:改進(jìn)一階、二階濾波算子,圖像經(jīng)過特征提取后計(jì)算出的稀疏表示系數(shù)的適用性增強(qiáng),能夠有效剔除無用信息,本文改進(jìn)特征提取算子后得到圖像的高頻細(xì)節(jié)更加細(xì)膩,通過Matlab仿真驗(yàn)證,改進(jìn)特征提取算子得到的復(fù)原圖像的PSNR值較原始稀疏表示算法的復(fù)原結(jié)果提高0.1025 dB。其次,提出對重建算法初始估計(jì)的改進(jìn)策略,本文考慮到圖像邊緣的方向性,采用邊緣方向插值對圖像進(jìn)行初始插值放大,邊緣方向插值充分利用高、低分辨率圖像的幾何對偶性,通過比較PSNR值,較原始算法提高0.2825 dB。再次,提出對原始算法重建過程中搜索窗口的改進(jìn)策略,原始算法對圖像四周像素并未進(jìn)行稀疏復(fù)原算法處理,而采用的是雙三次插值,本文算法對圖像四周邊緣分別使用圖像塊為4×6、3×8、2×12、1×24的四個字典依次遍歷一遍,保證所有像素點(diǎn)進(jìn)行稀疏復(fù)原時(shí)像素點(diǎn)遍歷的均衡性,實(shí)驗(yàn)結(jié)果表明,PSNR值較原始算法能夠提高0.1830 dB。然后,對迭代反投影算法迭代結(jié)束標(biāo)志的改進(jìn),為了有效控制其收斂性,本文采用相對誤差作為迭代結(jié)束的標(biāo)志,此改進(jìn)策略較原始算法能夠得到較好的收斂結(jié)果。最后,將本文改進(jìn)算法應(yīng)用到實(shí)際拍攝到的模糊車牌的復(fù)原上,重建結(jié)果表明能夠復(fù)原出模糊車牌的號碼。
【關(guān)鍵詞】：稀疏表示 過完備字典 特征提取 邊緣方向插值 迭代反投影
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要3-5
• ABSTRACT5-14
• 第一章 緒論14-20
• 1.1 研究背景及意義14-15
• 1.2 圖像重建算法的演進(jìn)及發(fā)展趨勢15-17
• 1.3 論文的研究內(nèi)容及組織結(jié)構(gòu)17-20
• 第二章 超分辨率技術(shù)基本理論及常用方法20-44
• 2.1 圖像退化模型20-21
• 2.2 基于重建的超分辨率算法21-25
• 2.2.1 頻域方法21-22
• 2.2.2 空域方法22-25
• 2.3 基于學(xué)習(xí)的超分辨率重建算法25-27
• 2.4 稀疏表示的圖像超分辨率重建基本理論27-31
• 2.4.1 信號的稀疏表示27-29
• 2.4.2 圖像降質(zhì)的稀疏表示的可行性分析29-31
• 2.5 特征提取算法31-37
• 2.5.1 索貝爾算法32-33
• 2.5.2 普利維特算法33-34
• 2.5.3 羅伯茨算法34
• 2.5.4 拉普拉斯濾波算法34-36
• 2.5.5 高斯拉普拉斯聯(lián)合濾波算法36-37
• 2.6 過完備字典訓(xùn)練算法37-40
• 2.6.1 K-SVD字典訓(xùn)練算法38
• 2.6.2 MOD字典訓(xùn)練算法38-39
• 2.6.3 在線字典學(xué)習(xí)算法39-40
• 2.7 圖像質(zhì)量的評價(jià)標(biāo)準(zhǔn)40-42
• 2.8 本章小結(jié)42-44
• 第三章 稀疏表示的圖像超分辨率重建44-54
• 3.1 樣本訓(xùn)練過程44-45
• 3.2 稀疏表示的圖像超分辨率重建算法整體流程45-47
• 3.3 實(shí)驗(yàn)結(jié)果及分析47-52
• 3.4 本章小結(jié)52-54
• 第四章 稀疏表示的圖像超分辨率重建算法的改進(jìn)54-70
• 4.1 特征提取方法的改進(jìn)及仿真結(jié)果54-56
• 4.2 重建算法初始估計(jì)的改進(jìn)及仿真結(jié)果56-58
• 4.3 搜索窗的改進(jìn)及仿真結(jié)果58-60
• 4.4 迭代反投影算法的改進(jìn)及仿真結(jié)果60-62
• 4.5 整體仿真結(jié)果及評價(jià)62-68
• 4.5.1 圖像重建結(jié)果62-65
• 4.5.2 特征提取過程對改進(jìn)算法重建結(jié)果的影響65-66
• 4.5.3 目標(biāo)放大倍數(shù)對改進(jìn)算法重建結(jié)果的影響66-67
• 4.5.4 超完備字典尺寸對改進(jìn)算法重建結(jié)果的影響67-68
• 4.6 本章小結(jié)68-70
• 第五章 超分辨率重建技術(shù)在車牌圖像重建中的應(yīng)用研究70-74
• 5.1 算法處理流程70-71
• 5.2 圖像重建結(jié)果及分析71-72
• 5.3 本章小結(jié)72-74
• 第六章 總結(jié)與展望74-76
• 6.1 本文總結(jié)74-75
• 6.2 工作展望75-76
• 參考文獻(xiàn)76-82
• 附錄82-86
• 附錄 1 15幅標(biāo)準(zhǔn)測試圖像82-86
• 致謝86-88
• 攻讀碩士學(xué)位期間已發(fā)表和錄用的學(xué)術(shù)論文88

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識別方法[J];模式識別與人工智能;2012年05期

7 耿耀君;張軍英;袁細(xì)國;;一種基于稀疏表示系數(shù)的特征相關(guān)性測度[J];模式識別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識別算法研究[J];模式識別與人工智能;2014年01期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運(yùn)營與云計(jì)算——第十八屆全國青年通信學(xué)術(shù)年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識別[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進(jìn)展[A];中國聲學(xué)學(xué)會水聲學(xué)分會2013年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2013年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂;空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類方法[D];南京理工大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號分類[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動信號的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

  本文關(guān)鍵詞：基于稀疏表示的圖像超分辨率重建算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：337196