基于非線性樣例學習的圖像超分辨重建研究.pdf

1、圖像超分辨重建技術是指利用一幅或者多幅低分辨率圖像恢復出高分辨率圖像。近年來基于樣例學習的方法已經(jīng)逐漸成為圖像超分辨領域的一個研究熱點，主要包括基于稀疏編碼的方法和基于鄰域嵌入的方法。但是這些方法都是線性的處理模式，只能得到圖像的淺層表示而很難挖掘到圖像深層的幾何結構特征，尤其是基于鄰域嵌入的方法中特征空間的構造和鄰域選取對最終結果有著很大的影響，并且其單流形結構假設也不準確。而基于非線性樣例學習的圖像超分辨重建方法通過非線性的方法對圖

2、像進行嵌入和編碼，很好的克服了傳統(tǒng)線性樣例學習方法的不足。
　　本文主要針對圖像超分辨率重建過程中圖像鄰域的選取，特征的提取，多流形學習以及非線性框架下大倍數(shù)圖像重建的問題做了深刻的研究與分析，考慮到現(xiàn)有方法中存在的不足，提出了改進的方法和思想。具體工作包括：
　　1.設計了基于表征約束嵌入的圖像超分辨重建方法。針對鄰域嵌入方法中的特征提取和近鄰選取問題，改善特征提取的過程以及固定鄰域大小的限制，首先引入了棧式稀疏自編碼網(wǎng)絡

3、學習圖像塊的非線性深層特征，更準確的描述圖像本身的方向及紋理性質(zhì)，使得通過特征找到的近鄰更加準確；然后構造了一個自適應的鄰域約束函數(shù)，自適應的選取鄰域的大小，避免了在嵌入過程中引入錯誤的信息；最后通過表征約束嵌入的方法重建輸入的低分辨率圖像，恢復出更為準確的高頻細節(jié)信息。本方法在特征表示和鄰域選取兩部分上做了改進，實驗結果表明，本方法在視覺效果和數(shù)值指標上均取得了較好的結果，整體上優(yōu)于其他幾種特征對比方法。
　　2.設計了基于多流

4、形鄰域嵌入的圖像超分辨重建方法?？紤]到現(xiàn)實情況中大量的圖像塊往往包含多樣的幾何結構和信息，不同的圖像塊有著不同的流形結構，在圖像超分辨重建領域，傳統(tǒng)的LLE算法中的單一的流形結構假設并不準確，我們引入多流形假設應用于圖像重建問題中，從而克服了之前單流形假設的不足。我們首先在多流形學習的基礎上通過聚類方法構造訓練集，學習一個數(shù)據(jù)集的多個類別對應的多個流形。同時將核方法的思想引入到 LLE算法中，利用核空間距離來計算樣本點的近鄰，并在核空間

5、中完成鄰域的選取及圖像的重建，既能保持數(shù)據(jù)的非線性性質(zhì)又能較好地繼承數(shù)據(jù)的流形結構。最后實驗結果表明，本方法在視覺效果和數(shù)值指標上均取得了較好的結果，恢復出了較為清晰且豐富的高頻細節(jié)。
　　3.設計了基于非線性壓縮感知的圖像超分辨重建方法。壓縮感知理論表明，稀疏或可壓縮的信號可以準確地通過一個很小的觀測值來恢復。本方法將一個線性的稀疏編碼模型擴展為一個非線性模型，得到一個非線性的壓縮感知框架，并將這個理論框架應用到了超分辨重建的問