基于邊界優(yōu)先的圖像超分辨率重建.pdf

1、圖像超分辨率重建是一種由低分辨率（LR）圖像獲得高分辨率（HR）圖像的技術，其目的是恢復圖像在降質過程中損失的高頻信息和細節(jié)信息。其主要方法包括基于插值、基于重建、基于學習、基于邊界模型，本文主要關注于基于邊界模型的超分辨率重建方法。
　　本文重點研究了基于邊界模型的超分辨率重建算法，然后提出兩種基于邊界優(yōu)先的超分辨率重建算法，主要研究成果如下：
　　1．提出基于線性樣本回歸的超分辨率重建方法，其中包含兩種梯度估計方法：基于

2、脊回歸的方法和基于線性映射函數(shù)的方法。首先對圖像塊去均值后進行聚類，使得分類后的同一個子集的圖像塊具有相似的幾何結構。在基于脊回歸的方法中，使用脊回歸函數(shù)模型求解圖像塊的稀疏濾波特征對同一子集中HR樣本特征的表示系數(shù)，然后將HR樣本的梯度和特征表示系數(shù)的線性組合作為估計的HR梯度塊；同時，通過將投影矩陣預先保存，降低了算法的時間復雜度。在基于線性映射函數(shù)的方法中，對分類后的每一個子集，建立插值圖像塊的梯度與HR圖像塊的梯度的線性映射關系

3、；在測試階段，對插值圖像塊，根據(jù)已得到的線性映射系數(shù)的先驗，估計對應的HR梯度塊。實驗表明，將估計出的梯度作為重建模型的梯度域約束，可以使得重建圖像的邊緣信息更加真實。
　　2.提出基于極限學習機（ELM）回歸的雙域聯(lián)合約束超分辨率重建算法，主要包括兩部分：1）梯度域和高頻域的估計；2）雙域聯(lián)合約束的重建模型。對分類后的每個子集，將插值圖像塊的去均值向量作為ELM的輸入，對應的高頻成分作為輸出，訓練網(wǎng)絡參數(shù)，用于高頻圖像的初步估計

4、；然后將去均值向量和初步估計的高頻成分聯(lián)合作為輸入，對應的高頻成分估計誤差作為輸出，用于高頻圖像的精細估計，同時將水平垂直梯度以及方向梯度作為輸出。在重建階段，首先將估計得到的水平垂直梯度以及方向梯度作為第一個重建模型的兩個正則化約束，得到邊界銳化的初始重建圖像；然后將精細估計的高頻圖像作為第二個重建模型的第一個正則化約束，將初始重建圖像作為第二個正則化約束，同時對每次的迭代圖像的高頻部分進行非局部均值濾波，使得高頻信息更加豐富。實驗結