图像超分辨率技术.pdf

目 录 前言 基于稀疏表示的图像超分辨率 《Image Super-Resolution Via Sparse Representation》 图像超分辨技术 （Image Super Resolution ） LBP纹理特征 Python实现K-means聚类 压缩感知——沃尔什-哈达玛(WHT)变换与逆变换的Matlab代码实现 OpenCV的imshow无法正常显示图片 稀疏表示字典的显示 （MATLAB实现代码 ） 机器学习——深度学习(Deep Learning) 本文档使用 看云 构建 - 2 - 前言 前言 原文出处 ：图像超分辨率技术 作者 ：geekmanong 本系列文章经作者授权在看云整理发布 ，未经作者允许 ，请勿转载 ！ 图像超分辨率技术 图像超分辨率(Image Super Resolution)是指由一幅低分辨率图像或图像序列恢复出高分 辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建。目前 ， 图像超分辨率 研究可分为 3个主要范畴 ： 基于插值、 基于重建和基于学习的方法 ． 本文档使用 看云 构建 - 3 - 基于稀疏表示的图像超分辨率 《Image Super-Resolution Via Sparse Representation》 基于稀疏表示的图像超分辨率 《Image Super- Resolution Via Sparse Representation》 由于最近正在做图像超分辨重建方面的研究 ，有幸看到了杨建超老师和马毅老师等大牛于 2010年发表的一篇关于图像超分辨率的经典论文 《ImageSuper-Resolution Via Sparse Representation》 ，于是对该论文进行大概的翻译 ，如有不当之处 ，还请大家帮忙多多指 正 ！！！ 英文原文 ：Jianchao Yang, John Wright, Thomas Huang, and Yi Ma. Image super- resolution via sparse representation. IEEE Transactions on Image Processing (TIP), vol. 19, issue 11, 2010. 下载地址 ：http///xpls/abs_all.jsp?arnumber=5466111 译文 ： 基于稀疏表示的图像超分辨率 摘要 ：本文提出了一种基于稀疏信号表示来实现单幅图像超分辨率重建的新方法。研究图像 的统计数据表明 ，图像块可以表示为选择适当超完备字典的稀疏线性组合形式 ，通过这种观 测报告的启发 ，我们寻求一种对低分辨率输入图像块的稀疏表示 ，然后用此稀疏表示的系数 来生成高分辨率输出。压缩感知理论 （Compressive Sensing ，CS ）指出 ，一幅图像能够在 非常苛刻的条件下由它的一组稀疏表示系数在超完备字典上得到精确重建。通过对低分辨率 图像块字典和高分辨率图像块字典的联合训练 ，我们可以强化低分辨率和高分辨率图像块与 之对应真实字典稀疏表示的相似性 ，从而低分辨率图像块的稀疏表示和高分辨率超完备字典 一起作用可以重建出高分辨率图像块 ，然后由高分辨率图像块连接得到最终完整的高分辨率 图像。学习字典对是块对更紧凑的表示 ，它只需对大量图像块对进行采样 ，相比传统方法 ， 该方法的计算成本得到显著地降低。稀疏表示的有效性在图像超分辨率重建和人脸幻构 （face hallucination ）的特殊情况下均得到了证明。在这两种情况下 ，我们的算法生成的高 分辨率图像具有极大的竞争性 ，甚至在生成图像的质量上比其他类似的图像超分辨率 （SR ） 方法更有优势。此外 ，我们这种方法的局部稀疏模型对噪声具有自适应鲁棒性 ，因此 ，该算 法可以在一个更统一的框架下对有噪声输入的图像进行图像超分辨率处理。 关键词 ：人脸幻构 ，图像超分辨率 ，非负矩阵分解 ，稀疏编码 ，稀疏表示 一、前言 超分辨率图像重建是当前非常活跃的一个研究领域 ，它克服一些低成本成像传感器 （例如 ， 手机或监控摄像机 ）固有分辨率的限制