基于特征學習的圖像超分辨率研究.pdf

1、隨著計算機以及互聯(lián)網(wǎng)技術的日新月異的發(fā)展，網(wǎng)絡上出現(xiàn)了大量的多媒體信息（如視頻、圖像、聲音等），這些復雜多樣的數(shù)據(jù)將人類帶入到了計算機網(wǎng)絡大數(shù)據(jù)時代。而這些信息數(shù)量龐大并且占用內存空間多又不便于存儲和傳輸，如何從互聯(lián)網(wǎng)上將這些繁冗的信息進行有效的檢索、保存、挖掘其中蘊含的科技、商業(yè)和生活價值，成為如今需要人類急切處理的問題。人類是通過五官的感覺去獲取信息的，而人類接收、感知周圍環(huán)境事物的主要手段是視覺和語音信息。據(jù)最新研究統(tǒng)計，人類視覺

2、所獲得的信息占人類所有獲取信息的接近百分之八十。俗話說：眼睛是人類心靈的窗戶，人眼看到的信息容量大、范圍廣。對于信息的采樣及恢復，傳統(tǒng)的Nyquist采樣定理給出了傳統(tǒng)的框架，并確定了能夠準確恢復原始信息的條件，即采樣的頻率應大于信號帶寬的兩倍以上。由于原理條件的限制及信息本身的特點，給信息的存儲、傳輸?shù)确矫鎺淼睦щy在迅速增加。近年來，稀疏表示（Sparse representation）理論的出現(xiàn)引起了研究人員和學者的特殊關注。稀疏

3、表示原理避免了傳統(tǒng)的Nyquist采樣原理的限制，將信號投影到特定的變換域，并根據(jù)信號在該域內的特有的稀疏特點及優(yōu)化方法，達到恢復出原有的信號的目的。
　　本研究在稀疏表示原理的基礎之上，融合機器學習、人工智能等相關領域的知識，給出了一種基于特征學習的圖像超分辨率重建算法。針對典型的特征提取算法提取的特征長度大，算法運行時所占用的空間多，導致算法運行時間長計算復雜度高的限制。在字典訓練過程的特征提取階段，本文通過提取圖像的中頻特征