基于回歸學習的圖像超分辨算法研究.pdf

1、圖像超分辨是當前數(shù)字圖像處理研究中的熱點問題,其目的就是在不改變現(xiàn)有成像系統(tǒng)的前提下,以低成本從低分辨率圖像中得到高分辨率圖像。對于這一病態(tài)問題,主要有三類解決方法:基于插值的圖像超分辨算法、基于多幀重建的圖像超分辨算法和基于學習的圖像超分辨算法。前兩種算法已經(jīng)相對成熟,基于學習的圖像超分辨是當前超分辨重建研究的熱點,由于使用了訓練數(shù)據(jù),所以在主觀視覺評價和客觀評價上都有較好的效果。本文主要研究基于回歸分析的超分辨重建,通過在訓練集上的

2、學習,建立高分辨率圖像與低分辨率圖像之間的映射關(guān)系,進一步設(shè)計并優(yōu)化基于回歸學習的超分辨算法。主要的研究內(nèi)容及貢獻如下:
　　 1)提出基于正交基匹配追趕(Orthogonal Matching Pursuit,簡稱OMP)的線性核回歸圖像超分辨算法。本文將圖像超分辨重建問題轉(zhuǎn)化為線性核回歸問題,求解圖像的低分辨圖像和高分辨圖像之間的線性映射關(guān)系。由于回歸過程中涉及到大規(guī)模樣本的學習,計算復雜度高,為此,采用正交基匹配追趕的方法

3、求解回歸學習中的相應(yīng)參數(shù),所提算法在標準的圖像庫上測試,實驗結(jié)果證明了算法在執(zhí)行時間及效果上的有效性。
　　 2)提出基于局部線性回歸的圖像超分辨算法。將超分辨圖像僅僅看成對應(yīng)的低分辨圖像的函數(shù),而不依賴于訓練庫中其它的低分辨圖像。對該問題的建模,充分考慮了低分辨率圖像空間與高分辨率圖像空間之間的結(jié)構(gòu)相似性。本文采用近鄰訓練數(shù)據(jù)對進行超分辨映射訓練,首先在訓練圖像庫中尋找與詢問圖像塊最相似的低分辨圖像塊,并找到對應(yīng)的高分辨圖像塊

4、,建立線性回歸模型,從而建立低分辨圖像與高分辨圖像之間的函數(shù)映射關(guān)系,即高分辨圖像的每個像素值僅僅依賴于當前的低分辨圖像的像素值。實驗結(jié)果驗證了算法在超分辨效果的有效性。
　　 3)提出基于高斯過程回歸(Gaussian Process Regression,簡稱GPR)的圖像超分辨算法。進一步將圖像超分辨重建問題轉(zhuǎn)化為高斯核回歸問題,求解高分辨率圖像和低分辨率圖像之間的非線性映射關(guān)系,并利用該映射關(guān)系對詢問的低分辨圖像進行高分