【摘要】：圖像數(shù)據(jù)作為數(shù)字化信息時代重要的信息載體,是人類了解和認(rèn)識世界的最重要途徑。圖像分辨率是評價圖像質(zhì)量的重要指標(biāo),圖像分辨率代表了圖像包含信息的豐富程度,高分辨率圖像提供更多物體的細(xì)節(jié)信息。但在對物體成像過程中,受到成像儀器、拍攝環(huán)境等因素的影響,成像過程中往往丟失了許多細(xì)節(jié)信息,難以滿足實際的生活生產(chǎn)應(yīng)用的需求。超分辨率重建技術(shù)作為一種基于軟件的圖像后處理技術(shù),能夠在不更新硬件設(shè)備的前提下提高圖像的分辨率。因此,超分辨率重建技術(shù)在日常生活、視頻監(jiān)控、遙感測繪和醫(yī)學(xué)診斷等領(lǐng)域都有著重要的研究價值與意義。目前超分辨率重建算法的研究對象主要為二維圖像。從算法原理上講,可以分為基于插值、基于重建和基于學(xué)習(xí)三大類超分辨率算法�；诓逯档某直媛仕惴ㄍㄟ^已知像素在高分辨率柵格的空間關(guān)系估計出缺失像素的灰度(或色彩)。基于重建的算法將超分辨率看作一個優(yōu)化重建誤差的問題,通過引入了先驗知識來得到局部最優(yōu)解。相對于前兩類算法,基于學(xué)習(xí)的超分辨率算法通過建立學(xué)習(xí)模型隱式地學(xué)習(xí)圖像的先驗知識,從而得到更好的超分辨率效果。但基于學(xué)習(xí)的算法需要大量的高分辨率的樣本來訓(xùn)練學(xué)習(xí)模型。本文主要研究不同維度圖像數(shù)據(jù)如二維流形和三維醫(yī)學(xué)影像的情況,二維流形數(shù)據(jù)反映的是實際三維物體的表面信息,若將二維流形投影到二維空間,表面的高度便看成圖像的灰度值,但這類數(shù)據(jù)高度動態(tài)范圍非常大;而三維醫(yī)學(xué)影像含有三個維度,數(shù)據(jù)復(fù)雜度明顯要比二維圖像高得多。對于這兩類圖像數(shù)據(jù),都難以收集到足夠多的樣本來訓(xùn)練一個魯棒的學(xué)習(xí)模型。針對上述問題,在二維圖像的超分辨率研究算法的基礎(chǔ)上,本文重點研究在稀缺樣本情況下基于學(xué)習(xí)的超分辨率算法,對不同維度的圖像數(shù)據(jù),提出了三種不同的超分辨率算法來重建高分辨率圖像數(shù)據(jù)。首先,提出了基于鄰域嵌入(Neighbor Embedding,NE)和自相似性(Self-similarity)的二維圖像超分辨率算法。該算法通過充分挖掘圖像內(nèi)部存在的多尺度和多角度的相似性,建立高低分辨率的圖像塊之間的映射關(guān)系,同時設(shè)計了一種基于局部先驗知識的增強策略來進一步提高超分辨率精度。實驗采用了自然圖像和核磁共振(Magnetic Resonance,MR)圖像來驗證算法的可行性和先進性。其次,提出了基于梯度先驗網(wǎng)絡(luò)和遷移學(xué)習(xí)的二維流形超分辨率算法,并用于數(shù)字高程模型(Digital Elevation Model,DEM)。該算法提出了梯度域上的超分辨率和遷移學(xué)習(xí)兩個措施來將圖像知識遷移到DEM超分辨率問題中。首先通過遷移學(xué)習(xí)的手段來減少DEM超分辨率用網(wǎng)絡(luò)訓(xùn)練所需要的樣本量;同時,考慮到DEM數(shù)據(jù)連續(xù)性好,該算法通過實現(xiàn)梯度域上的超分辨率來縮小自然圖像和DEM數(shù)據(jù)的差異。最后,基于梯度域和高度域上的約束來重建DEM數(shù)據(jù)。實驗表明上述框架能夠在有限的樣本下保證DEM的超分辨率精度。最后,提出了基于多通道二維卷積神經(jīng)網(wǎng)絡(luò)的三維超分辨率重建算法。對于三維超分辨率重建問題,其目的是為了減小三維數(shù)據(jù)的層厚,提高層間分辨率。作者通過設(shè)計了一種多通道的網(wǎng)絡(luò)結(jié)構(gòu),將鄰域的序列圖像同時引入到二維圖像的超分辨率重建過程中,從而保證了局部連續(xù)性;同時為了保證全局一致性,該算法將不同層面的超分辨率結(jié)果融合來重建最終的各向同性數(shù)據(jù)。實驗表明了該算法能夠取得更好的重建質(zhì)量,為解決稀疏樣本下高分辨率圖像重建問題提供了有效的途徑。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP18
【圖文】：

圖２．１邋ＬＬＥ算法的主要流程逡逑Ｆｉｇ邋２．１邋Ｍａｉｎ邋ｐｒｏｃｅｄｕｒｅ邋ｏｆ邋ＬＬＥ邋ａｌｇｏｒｉｔｈｍ逡逑ＬＬＥ算法流程如圖２．１所示，算法主要包括步，第一步是尋找七近鄰，即高維逡逑數(shù)據(jù)點的鄰近點，ＫＮＮ（Ｋ－ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒ）算法是一種優(yōu)化的最近鄰搜索算法，常被逡逑采��；第二步是計算每個相似結(jié)構(gòu)線性表示關(guān)系，＃到重建權(quán)童系數(shù)；最后一＃是利逡逑用上述權(quán)重系數(shù)在低位空間里重構(gòu)樣本數(shù)據(jù)。具體地，對于高}占渲惺淙朧蒎義霞膩澹藉澹ィ�，ｘ霏，为琳f玫狡湮技虻慕峁�。该算法可译s靡韻鋁鞒湯幢沓噱義希保

本文編號：2770012