隨著時代的發(fā)展和科技的進步,人們在生活和工作中不斷產(chǎn)生和依賴著大量的信息,因而對信息質(zhì)量的需求也在不斷提高,尤其是對視覺方面上感官信息的要求更為強烈。而在科技日新月異的今天,隨著微電子學、材料學和制造業(yè)的發(fā)展,圖像處理技術也隨著發(fā)展迅速。在這個信息社會中,圖像作為人們傳遞信息的重要載體之一,人們對圖像的分辨率要求越來越高。高分辨率的圖像能提供目標對象更多的細節(jié)信息,對圖像的分析和處理有著重要的作用。然而,在實際應用中,由于成像設備自身的物理局限性,比如光學器件、處理器性能、存儲容量等的限制,還有實際環(huán)境的干擾影響,導致人們獲得的圖像都有一定的退化。如何通過現(xiàn)有設備條件對已獲得的圖像進行增強,提高圖像的空間分辨率,滿足人們對圖像的感官需求已成為圖像應用中的研究重點。圖像的超分辨率技術（SR,Super Resolution）研究可以分為時域超分辨率技術和空域超分辨率技術,針對更常使用的空域超分辨率技術,它是指從一幅或多幅低分辨率圖像中重建出具有更高空間分辨率的圖像,因此又可分為單幅圖像的超分辨率重建技術和序列圖像的超分辨率重建技術。在單幅圖像的超分辨率重建技術中,稀疏表達作為一種新的圖像... 

【文章來源】：中國科學技術大學安徽省 211工程院校 985工程院校

【文章頁數(shù)】：112 頁

【學位級別】：博士

【部分圖文】：

圖１．?３華為Ｐ３０手機使用超分辨率算法實現(xiàn)視場融合變焦（ＤｘＯＭａｒｋ）??

除了上述的四種主要退化因素，成像器件的內(nèi)部噪聲和實際環(huán)境噪聲也會對??成像質(zhì)量造成較大的影響。從上述分析可知，圖像成像的退化過程可以概括為下??采樣、模糊和噪聲影響。圖２．１給出了典型的圖像退化模型，其過程可以式（２．１）??描述：??ｙ?－?ＳＨｘ?＋?ｖ?（２．１）??其中，ｙ表示所獲取的低分辨率圖像，ｘ表示原始的高分辨率圖像，ｖ代表噪聲??影響，這里使用加性的高斯噪聲表示，Ｓ表示下采樣算子，Ｈ表示模糊算子。??噪聲ｖ??￣￣？（光成像一?１祥圖像＞，??丨瞧ｘ?器件的點擴散函數(shù)）丨５?Ｗ????圖２．１光學采集系統(tǒng)中圖像的退化模型??對于連續(xù)圖像獲取過程中的圖像退化研宄，其退化因素與上述過程基本一致，??但對序列圖像中不同幀的圖像要考慮幀間相對運動的因素，因此相比于單幅圖像??的退化模型，對于同一場景多次圖像采集所得的圖像幀間存在運動變換導致的退??化，即序列圖像的退化模型為：??ｙｋ?＝?ＳＨｋＭｋｘ?＋?ｖｋ?＼＜ｋ＜?ｐ?（２．２）??其中

（Ｗａｖｅｌｅｔ）字典、曲波（Ｃｕｒｖｅｌｅｔ）字典等。變換域方法雖然能夠快速簡單地實??現(xiàn)字典的構(gòu)建，但是其構(gòu)建的字典對信號沒有自適應性，不能隨著信號的變化做??出相應的變化，而且單一方法的字典原子所代表的特征也不夠豐富，如圖２．１所??示，ＤＣＴ字典中的原子以圖像塊的形式展示出來的是簡單而規(guī)律的特征，它不??能充分表達復雜信號的結(jié)構(gòu)特征，因而常常只用來表示簡單的信號或作為字典學??習的初始值。與之不同，基于學習的字典是通過迭代學習優(yōu)化的方式建立最終的??字典，它具備更強的稀疏表示能力和自適應性，能更有效地刻畫信號的特征，但??同時也帶來更高的算法復雜度，而且需要訓練集和一定的學習成本。??孩讓ｌ｜ｉ?議?ｆ?義義?ＩＳＳｉｉ??ｌｌｉｉ議蜃?＿ｉｉｌｉ?窮?ｉｉ?義?ｉ?ｎＭＭＭｅｅｉｉｌｉｉｉｉｉｉｉＳ??Ｉｆ?霖君ｉｌ?鏊?ｉｌｌ?譲義?ｉ?露??１Ｉ１１１１１Ｉ１ＩＩ１１１１Ｉ?ｌＩＢＳｆｆｉｌｌｌｌｌｌｌｌ??議ＩＳ１Ｉ餞；１ＳＩ?�。保。剑孔C蠢１雲(yún)蠢雲(yún)雲(yún)謹??運ｉ?■?■■漏＝１＝｜丨丨丨＝妄｜！丨＝＿丨丨?ｍｍｍ／ｍｍｍｍｍｍｍｍ職ａ??圖２．?２?ＤＣＴ字典的圖像塊（６４ｘ５１２）無序和有序顯示??本節(jié)主要介紹常用的基于學習的字典建立方法，包括最優(yōu)方向方法（ＭＯＤ）??字典學習算法［１３４］、Ｋ－ＳＶＤ字典學習算法［ｉ３５］和基于結(jié)構(gòu)的字典學習算法等。我們??將分別介紹它們的學習思想和算法流程以及各自的優(yōu)劣。??２．３．３．１字典學習的優(yōu)化模型??字典學習的框架可以通用地表示為一個優(yōu)化問題：即給定樣本集Ｘ?＝??求解字典Ｄ

【參考文獻】：
期刊論文
[1]基于2D-PCA特征描述的非負權(quán)重鄰域嵌入人臉超分辨率重建算法[J]. 曹明明,干宗良,崔子冠,李然,朱秀昌.  電子與信息學報. 2015(04)
[2]改進的基于鄰域嵌入的圖像超分辨率重構(gòu)[J]. 李強,劉哲,南炳炳,顧淑音.  激光技術. 2015(01)
[3]自適應鄰域選取的鄰域嵌入超分辨率重建算法[J]. 曹明明,干宗良,陳杰,崔子冠,朱秀昌.  信號處理. 2015(01)
[4]改進的混合MAP-POCS超分辨率圖像復原算法研究[J]. 紹樂圖,陳晨,張紅剛,張國華.  電光與控制. 2015(02)
[5]基于Gabor變換的圖像鄰域嵌入超分辨率放大[J]. 武曉敏,徐健,范九倫,王彥梓.  西安郵電大學學報. 2014(06)
[6]基于廣義高斯分布的最大后驗概率圖像復原算法[J]. 張紅民,成于思,梁琛穎.  重慶理工大學學報(自然科學). 2011(05)
[7]一種基于MAP的超分辨率圖像重建的快速算法[J]. 肖創(chuàng)柏,禹晶,薛毅.  計算機研究與發(fā)展. 2009(05)
[8]基于小波的方向自適應圖像插值[J]. 程光權(quán),成禮智.  電子與信息學報. 2009(02)
[9]基于支撐向量機的盲超分辨率圖像復原算法[J]. 喬建蘋,劉琚.  電子學報. 2007(10)
[10]基于正則化處理的超分辨率重建[J]. 韓玉兵,吳樂南,張冬青.  電子與信息學報. 2007(07)



本文編號：3379714