基于支持向量機的圖像插值及應用研究.pdf

1、圖像插值是圖像放縮、旋轉(zhuǎn)、幾何矯正等圖像操作的基礎(chǔ)，是數(shù)字圖像和視頻處理中的一項關(guān)鍵技術(shù)，已經(jīng)成為圖像處理的研究熱點。
　　本文研究了基于支持向量機的圖像插值，并將其應用到了彩色濾波陣列（CFA）插值及灰度圖像插值。
　　首先研究了彩色濾波陣列（CFA）插值方法。對常用插值方法的分析和比較表明，傳統(tǒng)插值方法的結(jié)果圖像都不同程度存在圖像邊緣模糊、偽彩色等問題。為此把支持向量機（SVM）引入到了 CFA圖像插值中，給出了基于支持

2、向量機的彩色濾波陣列插值方案。該方法有效利用圖像空間和色彩相關(guān)性及支持向量機的全局最優(yōu)、高泛化能力等優(yōu)勢，獲得了高質(zhì)量的彩色結(jié)果圖像。
　　支持向量機作為一種機器學習技術(shù)，訓練樣本越多，預測精度就越高。對一幅圖像進行插值，只有選擇足夠的樣本，才能有效地提高預測精度，若圖像較大，支持向量機的訓練時間會很長。在圖像的平滑區(qū)域用簡單的插值方法就可以獲得較好的插值結(jié)果。因此可以考慮只把支持向量機插值用于圖像邊緣區(qū)域插值。首先給出了一種基于

3、支持向量機插值的邊緣矯正方案，即先用簡單、快速的插值方法完成 CFA圖像插值，然后對結(jié)果圖像的邊緣區(qū)域用支持向量機進行插值修正。然后又對該方案作進一步的改進，對圖像的平滑區(qū)域和邊緣區(qū)域分別采用不同的插值方法得到了一種基于支持向量機的邊緣自適應CFA插值方法。
　　在實際應用中支持向量回歸機模型的擬合精度、泛化能力等性能與核函數(shù)的類型、核函數(shù)的參數(shù)、懲罰系數(shù)及不敏感參數(shù)有很大的關(guān)系。論文最后探討了兩種基于迭代的優(yōu)化工具——遺傳算法，