基于混合專家模型的快速圖像超分辨率方法研究與實現(xiàn).pdf

1、圖像超分辨率(Image Super-resolution,SR)是對輸入的低分辨率的圖像或圖像序列，通過軟件方法，輸出高質(zhì)量高分辨率圖像，從而使得圖像的細節(jié)更加完整，視覺效果更好。有效的軟件圖像超分辨率算法能緩解硬件采像的限制，廣泛應用于在醫(yī)療圖像、移動設備、航天成像、監(jiān)控等領域。另外，SR算法作為圖像預處理的環(huán)節(jié)，對于人臉識別、視覺追蹤、圖像壓縮、圖像配準、特征提取等任務有著重要的研究和應用價值。
　　對于單幀圖像超分辨率問題

2、(Single Image Super-resolution,SISR)，單一統(tǒng)計學或機器學習方法計算消耗大、視覺效果差；近幾年提出的多模型融合算法將輸入的大規(guī)模訓練集混分為許多獨立子區(qū)域，在每個子區(qū)域中學習一個簡單模型，降低了模型訓練消耗。然而，該類算法中訓練集劃分和子模型學習兩個階段分離開來，雖然對于確定的劃分，子模型學習在理論上可達到局部最優(yōu)，但兩階段作為一個整體并不能全局優(yōu)化。這種情況下，若子模型數(shù)量少，會導致學習錯誤率較高，若

3、子模型數(shù)量較多，雖然一定程度上緩解了模型整體的錯誤率，但會嚴重降低模型的測試性能。
　　為了解決這個問題，本課題提出了一種基于混合專家模型(Mixture of Ex-perts Model,MoE)的方法聯(lián)合學習劃分階段和子模型學習階段，保持較低的錯誤率的同時降低子模型的數(shù)量。本課題中的MoE模型采用單層子模型的結(jié)構(gòu)，主要有兩個部分，一個Gating門函數(shù)以及多個回歸子模型，分別負責劃分階段和子模型學習階段，并給出了模型概率解釋

4、，針對500萬對圖像塊訓練集用期望最大化算法迭代學習參數(shù)最優(yōu)解。最后本課題完成了三個領域常用測試集的不同速率需求、多放大倍數(shù)的超分辨率實驗，經(jīng)過與當前領先算法定性、定量的分析對比，本課題方法能夠得到更銳利的邊緣，能夠保持低分辨率圖像豐富的結(jié)構(gòu)紋理特征，而且引入人工痕跡較少。另外，本課題用C++語言基于QT和OpenCV開源庫實現(xiàn)了該算法原型系統(tǒng)，主要分為用戶控制模塊、超分辨算法模塊、圖像基本處理模塊，該系統(tǒng)提供了針對低分辨率圖片的多種需