Tetrolet稀疏正則化與樣本學習的圖像超分辨率算法研究.pdf

1、利用信號處理技術來進行圖像超分辨率重建成為目前圖像處理領域的研究熱點。本文系統(tǒng)綜述了目前圖像超分辨率技術的研究現(xiàn)狀以及應用前景,并對常用的基于樣本學習的學習模型進行簡要概括,在介紹Tetrolet基本變換過程的基礎上,著重從理論和實驗上分析了Tetrolet變換系數(shù)的條件概率分布、聯(lián)合概率分布和隱馬爾科夫樹的統(tǒng)計模型。進而結合相關理論知識以及大量的實驗分析,探索了Tetrolet變換在圖像去噪,基于Tetrolet稀疏正則化和樣本學習的

2、超分辨率重建算法中的應用。
　　 本文的主要工作如下:
　　 第一、介紹了Tetrolet理論與構造方法的基礎上,建立了Tetrolet系數(shù)的廣義高斯分布的擬合模型,邊緣概率分布和聯(lián)合概率分布模型。數(shù)值試驗結果表明Tetrolet變換具有較好的稀疏性。
　　 第二、依據(jù)Tetrolet變換的稀疏表示特性,以及信號和噪聲在Tetrolet變換域的不同分布特性,進行閾值收縮圖像去噪,然后結合各向異性全變差(ATV)的

3、特性,設計了一個聯(lián)合Tetrolet變換和ATV的圖像去噪算法。實驗結果表明該算法能有效地抑制閾值收縮過程產(chǎn)生的pseudo-Gibbs現(xiàn)象。
　　 第三、重點研究了基于全變差(TV)正則化的圖像超分辨率重建模型,然后根據(jù)Tetrolet變換的稀疏表示特性,給出了聯(lián)合Tetrolet稀疏性和全變差的復合正則化圖像超分辨率重建模型,設計了針對該復合正則化重建模型最優(yōu)化問題求解的前向后向分裂算法。實驗結果表明該復合正則化模型能夠有效