版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
1、圖像超分辨率重建作為圖像處理和計算機視覺的一個重要組成部分,在實際生活中,如高清影像,圖像壓縮以及圖像恢復等具有廣泛的應用。圖像超分辨率重建的目標是從單幅(或者多幅)低分辨率圖像中恢復高分辨率圖像。本文研究的重點是從單幅圖像中恢復高分辨率圖像。相對于多幅圖像,該問題更加不定,因此需要引入很強的先驗信息。圖像的邊緣先驗以及多尺度圖像的相似先驗被普遍認為是較好的先驗。近年來很多學者在這個方面進行了深入的研究,也提出了很多先進的超分辨重建方法
2、。為此,本文在以上兩方面作了如下研究:
現(xiàn)有的基于邊緣銳化先驗的超分辨率重建方法主要存在如下問題。首先,基于邊緣定位的方法需要高精度的邊緣定位才能達到較好的效果。其次,這些方法通常忽略了圖像的多尺度相似性。針對該問題,我們提出了基于跨尺度(多尺度的一個特例)學習的邊緣指導的單幅圖像的超分辨率學習方法。該方法的核心是提出了一種跨尺度的邊緣銳化函數(shù)學習框架。首先,提出的方法利用圖像本身不同尺度的相似性信息,從低分辨率以及更低分辨率
3、圖像配對中學習銳化函數(shù)。而后,將該銳化函數(shù)應用于高分辨率和低分辨率圖像配對,從而估計高分辨率圖像的銳化邊緣先驗。最后,利用基于邊緣指導的超分辨率框架,結合估計的銳化邊緣圖像,恢復出高分辨率圖像。
現(xiàn)有的一些基于學習的方法主要是在已有的訓練樣本中去學習圖像之間的關系,如果訓練庫中沒有需要重建的圖片類型,那么利用訓練出來的模型會產(chǎn)生一定的誤差。例如,利用自然圖像訓練模型難以應用于其它圖像,如醫(yī)學或遙感等圖像。針對該問題,提出了基于
4、自相似回歸的超分辨率算法。首先,本文提出多尺度自相似樣本獲取。具體地,對樣本進行連續(xù)下采樣,即:原圖像和下采樣過后的圖像形成了高低分辨率的配對。由此,可以獲得高低分辨率圖像對應塊,從而用于訓練回歸模型(學習模型的一種)。同時,本文在傳統(tǒng)線性回歸思想的啟發(fā)下,提出了新的雙線性回歸模型用于學習變換矩陣,即:從低分辨率圖像塊到高分辨率圖像塊的變換矩陣。
通過對大量的對比實驗(包括視覺和數(shù)值兩個方面),驗證本文提出的兩種超分辨率重建方
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于回歸與圖像自相似的單幅圖像超分辨率.pdf
- 基于自相似性的單幅圖像超分辨率重建算法研究.pdf
- 基于自相似的單圖像超分辨率方法研究.pdf
- 基于自相似性的單幅圖像超分辨率算法研究.pdf
- 單幅圖像超分辨率重建算法研究.pdf
- 基于多尺度相似結構學習的單幅圖像超分辨率重建.pdf
- 基于稀疏表示的單幅圖像超分辨率重建研究.pdf
- 單幅圖像超分辨率重建技術研究.pdf
- 基于機器學習的單幅圖像超分辨率重建的研究.pdf
- 基于壓縮感知的單幅圖像超分辨率重建算法研究.pdf
- 基于稀疏表示的單幅圖像超分辨率重建算法研究.pdf
- 基于單幅圖像超分辨率復原算法研究.pdf
- 基于局部結構相似的視頻超分辨率算法.pdf
- 圖像超分辨率重建研究.pdf
- 基于MAP的單幅圖像非盲超分辨率重建算法研究.pdf
- 基于稀疏表示的單幅彩色圖像超分辨率重建方法研究.pdf
- 基于幾何正則性和自相似的超分辯率圖像重建算法研究.pdf
- 基于圖像類推的單幅圖像超分辨率算法.pdf
- 超分辨率圖像重建研究.pdf
- 基于稀疏表示的單幅圖像超分辨率.pdf
評論
0/150
提交評論