基于學習的圖像分辨率重建算法研究.pdf

1、圖像超分辨率重建是指在不增加成像設備等硬件成本的前提下，對輸入的一幅或多幅低分辨圖像，利用已有的數(shù)字信號處理方法來提高其分辨率，從而重建出分辨率比較高的圖像的一種圖像處理技術。它不僅能改善圖像視覺效果，而且有利于圖像的進一步識別和處理。目前，隨著機器學習與模式識別等領域內理論的不斷發(fā)展，而基于學習的方法是解決該問題的一種有效的方法。其中支持向量回歸和稀疏表示作為兩種較好的學習方法，受到研究人員越來越多的關注。
　　本文主要以基于學

2、習的方法的思想框架為研究主線，重點研究了支持向量回歸和稀疏表示這兩種學習方法的相關理論，詳細介紹了算法原理，并提出了一種稀疏域下基于支持向量回歸圖像超分辨率重建的改進算法以及結合調整核回歸約束的進一步優(yōu)化算法。
　　現(xiàn)有的使用支持向量回歸進行圖像超分辨率重建的算法，一定程度上能改善重建質量，但由于利用的是圖像自身冗余信息來進行重建，因此重建效果還有待提高。本文提出一種基于聚類稀疏和支持向量回歸的算法來進行改進。首先，利用訓練圖像的

3、數(shù)據(jù)進行聚類，并得到相應的稀疏子字典，然后根據(jù)訓練圖像的低分辨率圖像塊和高頻圖像塊的稀疏表示系數(shù)建立相對應的支持向量回歸模型，最后將測試圖像利用訓練模型進行高分辨率圖像重建。實驗仿真驗證了該算法在圖像重建的質量上有一定的改進。
　　在核回歸理論中，調整核回歸函數(shù)能動態(tài)的調整核函數(shù)的形狀，從而更好在抑制噪聲同時盡量保持圖像的邊緣信息。把調整核回歸作為圖像超分辨重建的正則化約束條件將會對重建質量有所提高，尤其是對有噪聲污染的圖像，改善