基于稀疏表示的图像超分辨率研究-信息获取与探测技术专业论文.docx

万方数据 万方数据 独 创 性 声 明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。 据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 签名： 日期： 年 月 日 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 签名： 导师签名： 日期： 年 月 日 摘 要 摘 要 图像超分辨率是从单幅或序列低分辨率图像重建得到高分辨率图像的技术， 被广泛应用于图像压缩、高清数字电视、遥感监测、医学诊断等多个领域中。近 年来，信号稀疏表示的新方法被运用到图像超分辨率中，取得较传统方法更好的 效果。本文研究稀疏表示在图像超分辨率中的应用，重点研究了基于学习字典稀 疏表示的图像超分辨率方法。该类方法的字典是通过训练学习得到的，从而能有 效利用图像的先验信息，获得细节丰富的高分辨率图像。 稀疏表示需要解决两个关键问题，即字典训练和稀疏分解。围绕的这两个问 题，本文展开研究工作，对以往的方法进行了改进，主要提出了两种基于学习字 典稀疏表示的图像超分辨率方法：基于改进字典训练和基于改进稀疏分解的图像 超分辨率重建方法。具体的创新性工作表现如下： （1）在字典训练方面，提出一种基于改进 K-SVD 训练方法的图像超分辨率 重建方法。首先分析研究了影响学习字典质量的因素，提出两种改善训练样本质 量的方法：a）将样条插值方法引入到低分辨率训练图像的插值中，替换现有常用 的双三次插值方法；b）在提取训练样本之前，增加一个图像的恢复环节，该环节 采用迭代反向投影方法对插值图像的质量进行改善。其次，将迭代反向投影方法 进行改进，并将其用于对稀疏重建图像进行后处理优化中，进一步提高了超分辨 率重建图像的质量。 （2）在稀疏分解方面，提出一种基于改进迭代收缩阈值稀疏分解方法的图像 超分辨率重建方法。针对原迭代收缩阈值方法稀疏迭代次数多，运算量大，分解 速度慢等问题，研究具有递增迭代步长的快速迭代收缩阈值方法，改进该方法的 软阈值处理步骤中的阈值选取过程，然后将改进的迭代收缩阈值方法用于稀疏分 解和图像超分辨率重建中。该改进方法有效地减少了迭代次数和运算复杂度，在 加快稀疏分解速度的同时提高了超分辨率重建图像的质量。 关键词：稀疏表示，超分辨率，学习字典，迭代反向投影，迭代收缩 I ABSTRACT ABSTRACT Image super-resolution is a technique used to reconstruct high-resolution image from a single or a series of low-resolution images, and is widely used in image compression, high-definition digital TV, remote sensing, medical diagnostics and other fields. In recent years, the method of signal sparse representation is applied to image super-resolution to obtain better results than the traditional methods. This paper researches on the application of sparse representation in super-resolution, focusing on the super-resolution methods of sparse representation based on learning dictionary. The dictionary of such methods is learned through training, so it can make efficient use of the priori information of image, and obtain high-resolution image with rich details. There are two