基于近邻嵌入逐级放大的图像超分辨率重建.PDFVIP

华 南 理 工 大 学 学 报 （自然科 学版） 第４１卷 第５期 ＪｏｕｒｎａｌｏｆＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ Ｖｏｌ．４１　Ｎｏ．５ ２０１３年５月 （ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ） Ｍａｙ　２０１３ 文章编号：１０００５６５Ｘ（２０１３）０５００５５０６ 　 基于近邻嵌入逐级放大的图像超分辨率重建 １ １ １ ２ 廖秀秀　韩国强　沃焱　陈湘骥 （１．华南理工大学 计算机科学与工程学院，广东 广州５１０００６；２．华南农业大学 信息学院，广东 广州５１０６４２） 摘　要：针对基于近邻嵌入的图像超分辨率重建，提出带约束的逐级放大策略来提高近 邻保持率，改进重建效果，并对各级放大的图像用迭代反向投影约束进行修正，减少学习 过程中可能出现的误差，保证每一级的解向着正确的方向演化．此外，为充分利用测试图 像本身的信息，将由测试图像得到的在线训练集与由训练图像数据库得到的离线训练集 串联，构成联合训练集，进一步改进算法的性能．实验表明，与现有的一些算法相比，文中 算法无论在视觉效果还是客观评价上都获得了更好的结果． 关键词：图像处理；超分辨率重建；近邻嵌入；逐级放大；迭代反向投影；联合训练集 中图分类号：ＴＰ３９１　　 ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０００５６５Ｘ．２０１３．０５．００９ 　　超分辨率（ＳＲ）重建技术利用单帧或多帧低分 地降低了训练样本的数目，取得了较好的重建性能． 辨率（ＬＲ）的图像，重建出具有高像素密度、包含更 然而，由于ＬＲ到ＨＲ是一对多映射，ＨＲ／ＬＲ图像块 多细节的高分辨率（ＨＲ）图像．ＳＲ重建在高清晰度 对的近邻关系并不能很好地保持．此外，若近邻数目 数字电视、视频监控、遥感图像、医学成像等领域具 选择不合适，容易由于过拟合或欠拟合而产生模糊 有广泛的应用前景． 效应 ［５］ ．Ｚｈａｎｇ等 使用Ｇａｕｓｓｉａｎ混合模型对ＬＲ图像 基于学习的方法从ＨＲ／ＬＲ训练图像对“幻想” 块聚类，实现部分监督的ＮＥ算法，从而改进了传统 高频细节，打破了基于重构的方法放大倍数的限 ［６］ 算法对近邻数目敏感的问题．Ｙａｎｇ等 通过稀疏编 ［１］ 制 ，是目前图像 ＳＲ重建技术的研究热点．Ｆｒｅｅ ［７］ 码（ＳＣ）算法自适应地选择近邻数目．Ｚｅｙｄｅ等 提 ［２］ ｍａｎ等 利用 Ｍａｒｋｏｖ网络建模 ＨＲ图像块与其对 出的基于稀疏表示的ＳＲ使用 Ｋ奇异值分解（Ｋ 应的ＬＲ图像块之间的关系，并使用 Ｂａｙｅｓｉａｎ置信 ［８］ ＳＶＤ）算法进行字典学习，从而提高效率．Ｇａｏ等 算法寻找后验概率的局部最大值进行求解．由于需 提出稀疏近邻选择方案，使得