【摘要】：隨著科技的發(fā)展,人們獲取信息的途徑日益豐富,圖像成為了傳遞信息的最重要方式之一。然而,受限于成像設(shè)備的硬件條件和受到外界環(huán)境的干擾,通常人們獲取到的是分辨率低,甚至是含有噪聲的圖像。為了解決上述問題,在不改變成像設(shè)備及外部環(huán)境的前提下,從信號處理角度來研究提高圖像分辨率的方法,人們稱之為圖像超分辨率重建技術(shù)。眾所周知,圖像超分辨率重建是一個典型的病態(tài)逆問題。對于此類問題,有效的策略是利用合適的先驗知識來對構(gòu)建的數(shù)學模型求解進行正則化操作,從而使得病態(tài)問題變成良態(tài)可解。最近幾年,基于學習的策略通過從大量數(shù)據(jù)中學習出低分辨率圖像到高分辨圖像映射函數(shù)的方式來獲得先驗信息,并成為了主流方法。該方法能夠避免人為定義圖像先驗的不足,從而引起學者的廣泛關(guān)注。本文在國家自然科學基金(61771379),國家自然科學基金創(chuàng)新研究群體科學基金(61621005),國家自然科學基金(61472306)和教育部“長江學者和創(chuàng)新團隊發(fā)展計劃”(IRT_15R53)的資助下,針對基于學習的圖像超分辨率重建做出了探索性和創(chuàng)新性的研究,論文的主要工作包括:(1)提出了一種基于l_1范數(shù)系數(shù)轉(zhuǎn)換約束的雙字典學習方法,并用于有噪圖像超分辨率重建。傳統(tǒng)基于稀疏表示的雙字典學習方法可以在無噪圖像上實現(xiàn)較好的重建效果,可是對噪聲十分敏感。通過對該問題進行理論分析,發(fā)現(xiàn)原因在于_F范數(shù)系數(shù)轉(zhuǎn)換約束使得LR圖像塊的表示不再稀疏,從而導致噪聲隨著高頻細節(jié)一并被重建。針對該問題,首先提出使用l_1范數(shù)系數(shù)轉(zhuǎn)換約束來代替l_F范數(shù)約束的策略,從而保證LR圖像塊解的稀疏性;然后,為了更有效地提高稀疏分解的穩(wěn)定性和準確性,將HR圖像稀疏系數(shù)的非局部約束納入到雙字典學習的框架中;最后,采用迭代收斂算法來求解模型。(2)提出了一種基于聯(lián)合先驗學習的有噪視覺傳感器圖像超分辨率重建方法。視覺傳感器獲取的圖像往往分辨率低且包含大量噪聲,同時沒有可利用的外部數(shù)據(jù)進行先驗學習。為了解決上述問題,首先提出一個基于EM算法的策略,將有噪圖像超分辨過程拆解成兩個子過程:圖像上采樣(E-步)和圖像去噪過程(M-步);然后,在M-步過程中,使用前一次迭代的結(jié)果圖來構(gòu)造非局部群稀疏和幾何對偶先驗,并分別將它們作為去噪估計的似然項和先驗項;最后,使用貝葉斯均方誤差最小化的方法來求解HR圖像的最大后驗值。(3)提出了一種基于低秩矩陣分解的內(nèi)外融合方法,并用于圖像超分辨重建。為了有效地融合基于內(nèi)部和外部學習的超分辨率重建方法,首先對兩個方法重建結(jié)果圖的差異性進行分析,發(fā)現(xiàn):1)兩者恢復(fù)的細節(jié)存在互補特性;2)兩者產(chǎn)生的估計誤差圖是稀疏的,這啟發(fā)了使用低秩分解的策略來對兩者進行整合;然后,為了滿足低秩分解的條件,分別對內(nèi)外方法設(shè)置不同的參數(shù)和使用不同的訓練數(shù)據(jù),從而生成多張有差異的結(jié)果圖,使得互補細節(jié)在各自方法產(chǎn)生的多張結(jié)果圖中呈現(xiàn)相關(guān)性而被低秩算法保留,而瑕疵和噪聲被剔除;最后,通過低秩理論分析發(fā)現(xiàn),不需要很多的低秩數(shù)量輸入就可以實現(xiàn)最佳融合效果。(4)提出了一種基于外部學習輔助的自樣例學習方法,并用于圖像超分辨率重建。傳統(tǒng)自樣例學習方法存在兩個主要缺陷:1)不能自適應(yīng)地利用LR輸入圖像塊中對HR中心像素預(yù)測有用的信息;2)通過遞歸地下采樣LR圖像來生成回歸函數(shù)學習的訓練數(shù)據(jù),使得圖像中可利用的信息變少,導致學習到的函數(shù)不夠準確。為了解決上述問題,提出一個基于混合神經(jīng)網(wǎng)絡(luò)的外部學習來輔助自樣例學習。首先,將LR圖像塊輸入到混合神經(jīng)網(wǎng)絡(luò),輸出LR圖像塊的表示特征,同時估計得到一個最初的HR圖像;然后,使用最初的HR圖像來構(gòu)建雙層金字塔,并將LR圖像塊的特征作為雙層金字塔中回歸函數(shù)的輸入;最后,分析了幾種不同的回歸函數(shù)模型,發(fā)現(xiàn)高斯過程回歸函數(shù)更適合用于超分辨率重建。(5)提出了一種基于深度卷積自編碼網(wǎng)絡(luò)的無監(jiān)督圖像分解方法,并用于圖像超分辨率重建、去雨及去噪任務(wù)。在傳統(tǒng)復(fù)原方法映射函數(shù)學習的過程中,需要大量配對的降質(zhì)和清晰圖像來作為訓練數(shù)據(jù),但在實踐中獲取配對數(shù)據(jù)是十分困難的。為了解決上述問題,提出一種基于圖像分解網(wǎng)絡(luò)的策略用于映射函數(shù)學習,該方法無需要求訓練數(shù)據(jù)一一配對。首先,構(gòu)建一個特征分解的卷積自編碼網(wǎng)絡(luò),分別對降質(zhì)和清晰圖像采取不同編碼策略來重構(gòu)自身:使用全部特征圖來重構(gòu)降質(zhì)圖像而使用部分特征圖來對清晰圖像進行重構(gòu)。上述操作保證了在復(fù)原過程中,降質(zhì)圖像的特征圖可以分解成兩部分,而僅使用清晰圖像對應(yīng)的特征圖就可以重建出復(fù)原圖像;然后,在重構(gòu)誤差約束上添加判別分類器正則用于加速分解網(wǎng)絡(luò)的收斂,同時進一步提高圖像復(fù)原質(zhì)量。
【圖文】：

圖4.14低秩融合性能隨輸入圖像數(shù)量的變化曲線.4.3融合性能與低秩輸入圖像數(shù)量的關(guān)系4.3.2小節(jié)的低秩融合輸入結(jié)果圖數(shù)量的上下限分析中，指出低秩算法不能隨重建圖像的數(shù)量增加而單調(diào)遞增，即：當輸入圖像數(shù)量比較少它，融合性能得到明顯增強。但是當數(shù)量超過某一值時，數(shù)量的增加輸入帶來更多有用的細節(jié)信息，反而因為增大 D( L)F的值而造成，這里對上述分析給出實驗驗證。通過設(shè)置外部學習中訓練數(shù)據(jù)子集, ..., 8}，從而得到 8 個外部學習映射函數(shù)（雙字典）。同樣地，設(shè)置內(nèi)塊的數(shù)目為 k ∈ {1,...,8}，，得到 8 個內(nèi)部學習重建方案。接著對 LR 輸轉(zhuǎn)角度（0 , 90 , 180 , 270 ），得到4個角度不同的LR圖像，將這些圖外部學習方法中，分別可以得到32個結(jié)果圖。圖4.14給出了本章內(nèi)外在27張測試圖上隨圖像數(shù)量的重建性能變化曲線圖，其中內(nèi)，外方法相等的�？梢园l(fā)現(xiàn)，隨著數(shù)量的增加，重建性能起先迅速增加，但是6時，曲線達到峰值，最后隨輸入的增加而略有下降。這說明了當輸入
【學位授予單位】：西安電子科技大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TP391.41;TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 孫旭;李曉光;李嘉鋒;卓力;;基于深度學習的圖像超分辨率復(fù)原研究進展[J];自動化學報;2017年05期

2 曾凱;丁世飛;;圖像超分辨率重建的研究進展[J];計算機工程與應(yīng)用;2017年16期

3 沈煥鋒;李平湘;張良培;王毅;;圖像超分辨率重建技術(shù)與方法綜述[J];光學技術(shù);2009年02期

4 丁海勇;卞正富;;數(shù)字圖像超分辨率重構(gòu)技術(shù)研究[J];計算機與數(shù)字工程;2007年10期

5 孔玲莉,黃華,齊春,劉美娟;圖像超分辨率研究的最新進展[J];光學技術(shù);2004年03期

6 張清勇;陳智勇;駱瀟原;;基于生成網(wǎng)絡(luò)的遙感圖像超分辨率的研究[J];實驗室研究與探索;2019年03期

7 胡長勝;詹曙;吳從中;;基于深度特征學習的圖像超分辨率重建[J];自動化學報;2017年05期

8 鐘雪燕;夏前亮;陳智軍;;基于FPGA的圖像超分辨率的硬件化實現(xiàn)[J];現(xiàn)代電子技術(shù);2017年17期

9 胡傳平;鐘雪霞;梅林;邵杰;王建;何瑩;;基于深度學習的圖像超分辨率算法研究[J];鐵道警察學院學報;2016年01期

10 王相海;畢曉昀;傅博;陶兢U

本文編號：2651709