本文選題：凸集投影 + 超分辨率復(fù)原��； 參考：《吉林大學(xué)》2017年碩士論文

【摘要】：圖像超分辨率復(fù)原技術(shù)是利用一幅低分辨率圖像或者多幅低分辨率圖像之間的信息互補,運用相應(yīng)的復(fù)原算法來獲得一幅比原始圖像細(xì)節(jié)更多、視覺效果更好的高分辨率圖像。目前國內(nèi)外的超分辨率復(fù)原技術(shù),一般使用的都是序列圖像復(fù)原,即去除圖像序列的降質(zhì)因素之后,再將多幅圖像融合為一幅高分辨率、高質(zhì)量圖像。圖像的超分辨率復(fù)原技術(shù)發(fā)展到現(xiàn)在,已經(jīng)廣泛應(yīng)用于計算機視覺、圖像壓縮、醫(yī)學(xué)圖像處理、遙感圖像與軍事圖像捕獲采集、數(shù)字電視轉(zhuǎn)換、生物特征識別等諸多領(lǐng)域�？v觀國內(nèi)外的研究現(xiàn)狀,圖像超分辨率復(fù)原方面的研究已經(jīng)取得了一定的成果,尤其是使用較多的凸集投影法和最大后驗概率算法。但是目前已有的算法還是存在結(jié)果不唯一、邊緣保持能力不足、圖像細(xì)節(jié)丟失等問題。針對目前存在的這些問題,為了進(jìn)一步提高超分辨率復(fù)原圖像的質(zhì)量,本文對凸集投影超分辨率復(fù)原算法和最大后驗概率算法進(jìn)行改進(jìn),創(chuàng)新點以及研究內(nèi)容主要包含以下三個方面:①提出了基于修正點擴(kuò)散函數(shù)的凸集投影超分辨率復(fù)原算法。為了保持圖像的邊緣特性,提高抗噪能力,對傳統(tǒng)的點擴(kuò)散函數(shù)加一個權(quán)值因子進(jìn)行修正,將點擴(kuò)散函數(shù)細(xì)分到八個方向,使邊緣方向的點擴(kuò)散函數(shù)不變,邊緣正交方向的權(quán)值因子減小。從而達(dá)到了增強圖像邊緣保持能力,提高復(fù)原圖像質(zhì)量的效果。②提出了改進(jìn)的最大后驗概率超分辨率復(fù)原算法。這一部分的重點內(nèi)容在于概率模型的選取。不同于傳統(tǒng)的方式,本文中先驗概率模型選擇吉布斯隨機場模型,并且為了盡量多的保留圖像的細(xì)節(jié)信息,我們對模型中吉布斯項的系數(shù)進(jìn)行了修正。條件概率模型選擇Gauss-Markov隨機場模型,為了緩解過度平滑導(dǎo)致圖像邊緣信息丟失的問題,本文中首先提取出圖像邊緣信息,對圖像進(jìn)行邊緣增強處理。然后將圖像加入改進(jìn)的最大后驗概率算法中進(jìn)行超分辨率復(fù)原,從而進(jìn)一步增加圖像的細(xì)節(jié)信息。③提出了基于最大后驗概率的凸集投影超分辨率復(fù)原算法。將兩種算法進(jìn)行結(jié)合,充分抑制二者缺點,發(fā)揮各自優(yōu)勢。首先利用最大后驗概率算法,對幾幅低分辨率待處理圖像進(jìn)行估計,得出一幅初始的高分辨率圖像。將這幅圖像作為凸集投影超分辨率復(fù)原的初始參考圖像,并對其利用八方向Sobel算子和多方向形態(tài)濾波器進(jìn)行預(yù)處理,之后加入第一部分提出的基于修正點擴(kuò)散函數(shù)的凸集投影超分辨率復(fù)原算法中進(jìn)行迭代運算。通過能量有界性等先驗信息求得凸集相對應(yīng)的投影算子。利用改進(jìn)的凸集投影法約束迭代求解,直到達(dá)到設(shè)定的閾值或達(dá)到設(shè)定的迭代次數(shù),退出迭代,得出最終的超分辨率復(fù)原圖像。利用軟件仿真,得出不同圖像在不同算法下的超分辨率復(fù)原結(jié)果,利用主觀評價方法以及客觀評價中的峰值信噪比、均方誤差和結(jié)構(gòu)相似度等多個指標(biāo),從多方面對復(fù)原圖像質(zhì)量進(jìn)行評估。實驗結(jié)果表明,本文提出的算法可以有效提高超分辨率復(fù)原圖像的質(zhì)量。
[Abstract]:The image super resolution restoration technology uses a low resolution image or a number of low resolution images to complement each other, and uses the corresponding restoration algorithm to obtain a high resolution image with more details and better visual effect than the original image. Like restoration, after removing the degradation factor of the image sequence, multiple images are fused into a high resolution, high quality image. The super resolution restoration technology of images has developed to the present. It has been widely used in computer vision, image compression, medical image processing, remote sensing images and military image capture and acquisition, digital television conversion, biology. There are some achievements in the research of image superresolution restoration, especially the convex set projection method and the maximum posterior probability algorithm. However, the existing algorithms still have not only the results, the edge retention ability is insufficient, the image details are lost, and so on. In order to further improve the quality of super-resolution restoration images, this paper improves the convex set projection superresolution restoration algorithm and the maximum posterior probability algorithm in order to improve the quality of super-resolution restoration image. The innovation points and the research content mainly include the following three aspects: (1) the projection superdivision of convex set based on the modified point diffusion function is proposed. In order to keep the edge characteristics of the image and improve the anti noise ability, the traditional point diffusion function is modified by adding a weight factor, the point diffusion function is subdivided into eight directions, the point diffusion function of the edge direction is changed, the weight value of the edge orthogonal direction is reduced, thus the edge retention ability of the image is enhanced. To improve the quality of restoration image. Secondly, an improved maximum posterior probability superresolution algorithm is proposed. The key content of this part is the selection of the probability model. It is different from the traditional way. In this paper, the prior probability model of this paper selects the Gibbs random field model, and in order to keep the details of the image as much as possible, we are right The coefficient of the Gibbs term in the model is modified. The conditional probability model selects the Gauss-Markov random field model. In order to alleviate the problem of the image edge information loss caused by excessive smoothness, the image edge information is extracted and the edge enhancement processing is carried out in this paper. Then the image is added to the improved maximum posterior probability algorithm. Super-resolution restoration to further increase the details of the image. Thirdly, a convex set projection super-resolution restoration algorithm based on the maximum posterior probability is proposed. The two algorithms are combined to fully suppress the shortcomings of the two ones and give full play to their respective advantages. An initial high resolution image is obtained. This image is used as the initial reference image of the projection superresolution restoration, and its eight direction Sobel operator and multi direction morphological filter are preprocessed. Then the first part is added to the convex set projection super-resolution restoration algorithm based on the modified point diffusion function. Iterative operation. The projection operator corresponding to the convex set is obtained through the priori information of the energy boundedness. The improved convex set projection method is used to constrain the iterative solution, until the set threshold is reached or the set iteration number is reached, and the final super-resolution restoration image is drawn out. By using the subjective evaluation method, the peak signal to noise ratio in the objective evaluation, the mean square error and the structural similarity, the quality of the restored image is evaluated from many aspects. The experimental results show that the proposed algorithm can effectively improve the quality of the super-resolution image.

【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蘇秉華,金偉其,牛麗紅,劉廣榮;超分辨率圖像復(fù)原及其進(jìn)展[J];光學(xué)技術(shù);2001年01期

2 譚兵,徐青,耿則勛,邢帥;超分辨率圖象重建技術(shù)發(fā)展現(xiàn)狀[J];信息工程大學(xué)學(xué)報;2003年04期

3 鐘山,沈振康;圖像靜態(tài)超分辨率重建[J];紅外與毫米波學(xué)報;2004年02期

4 王勇,鄭輝,胡德文;視頻的超分辨率增強技術(shù)綜述[J];計算機應(yīng)用研究;2005年01期

5 焦斌亮;趙文蕾;;淺析互有位移圖像序列的超分辨率復(fù)原[J];遙測遙控;2006年01期

6 袁建華;殷學(xué)民;鄒謀炎;;一種有效的超分辨率重建計算方法[J];中國科學(xué)院研究生院學(xué)報;2006年04期

7 張地;何家忠;彭宏;;低分辨率人臉序列的超分辨率重構(gòu)識別[J];韶關(guān)學(xué)院學(xué)報;2007年06期

8 梁立恒;邢立新;姜紅艷;王明常;;高保真影像超分辨率重建應(yīng)用研究[J];吉林大學(xué)學(xué)報(地球科學(xué)版);2007年S1期

9 鄭麗賢;何小海;吳煒;楊曉敏;陳默;;基于學(xué)習(xí)的超分辨率技術(shù)[J];計算機工程;2008年05期

10 浦劍;張軍平;黃華;;超分辨率算法研究綜述[J];山東大學(xué)學(xué)報(工學(xué)版);2009年01期

相關(guān)會議論文 前10條

1 潘明海;劉永坦;趙淑清;徐佳祥;干恒富;;一種多運動目標(biāo)的超分辨率檢測算法[A];第九屆全國信號處理學(xué)術(shù)年會（CCSP-99）論文集[C];1999年

2 李兵兵;陸耀;王曉明;李勁嫻;;基于金字塔回歸策略的人臉超分辨率[A];計算機技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

3 戴光智;陳鐵群;薛家祥;;基于微掃描技術(shù)焊縫超聲圖像的超分辨率重建[A];第十七屆全國測控計量儀器儀表學(xué)術(shù)年會（MCMI'2007）論文集（上冊）[C];2007年

4 鄭杰;韓梅;;基于微位移的超分辨率重建技術(shù)[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

5 張光昭;胡敬爐;謝澤明;;超分辨率亞毫米波付里葉變換譜[A];第四屆全國波譜學(xué)學(xué)術(shù)會議論文摘要集[C];1986年

6 繆泓;徐海明;;微平移序列圖像的超分辨率重建技術(shù)[A];中國力學(xué)學(xué)會學(xué)術(shù)大會'2009論文摘要集[C];2009年

7 徐啟飛;顏剛;陳武凡;;關(guān)于序列圖像的超分辨率重建算法[A];中國生物醫(yī)學(xué)工程進(jìn)展——2007中國生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會論文集（上冊）[C];2007年

8 徐忠強;朱秀昌;;基于正則算法的壓縮視頻超分辨率重建[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

9 池小梅;馬建偉;黃景濤;;基于壓縮傳感的超分辨率紅外成像研究[A];中國自動化學(xué)會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

10 黃華;何惠婷;;一種基于CCA空間超分辨率的人臉識別方法[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 傅罡;多源遙感數(shù)據(jù)的道路提取方法研究[D];清華大學(xué);2014年

2 巴拉卡，雅各布Maiseli（Baraka Jacob Maiseli）;基于正則化的非線性擴(kuò)散模型的超分辨率方法[D];哈爾濱工業(yè)大學(xué);2015年

3 岳煥景;面向云媒體的圖像處理研究[D];天津大學(xué);2015年

4 楊琛;提高集成成像與集成全息系統(tǒng)成像質(zhì)量方法的研究[D];西安電子科技大學(xué);2015年

5 何蕾;基于稀疏表達(dá)的連分式插值核的圖像/視頻超分辨率重建方法研究[D];合肥工業(yè)大學(xué);2015年

6 樊程廣;超聲相控陣超分辨率成像方法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

7 陳亮;基于一致性近鄰關(guān)系的極低質(zhì)量人臉超分辨率算法研究[D];武漢大學(xué);2017年

8 袁建華;超分辨率重建中若干問題的研究[D];中國科學(xué)院研究生院（電子學(xué)研究所）;2006年

9 范沖;三線陣影像超分辨率重建[D];中南大學(xué);2007年

10 張小紅;視頻去運動模糊及超分辨率研究[D];浙江大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 李智盛;壓縮傳感在超分辨率中的應(yīng)用[D];清華大學(xué);2011年

2 劉鵬;壓縮自編碼字典下的多機制鄰域嵌入超分辨率重建算法[D];華南理工大學(xué);2015年

3 蔣曉慧;自適應(yīng)正則化超分辨率重建方法的研究[D];蘇州大學(xué);2015年

4 楊國珂;基于壓縮傳感的圖像分辨率重構(gòu)方法和應(yīng)用[D];江西理工大學(xué);2015年

5 周才發(fā);基于流形對齊的WLAN室內(nèi)定位方法研究[D];哈爾濱工業(yè)大學(xué);2015年

6 陳果;單一醫(yī)學(xué)視頻時空超分辨率算法研究[D];北京理工大學(xué);2015年

7 李靖;基于壓縮感知的超分辨率理論與技術(shù)研究[D];電子科技大學(xué);2015年

8 黎媛;基于超分辨率的多視角混合分辨率視頻描述的關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2015年

9 羅國中;面向低質(zhì)量視頻的目標(biāo)對象的超分辨率重建技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2013年

10 李華陽;手部深度圖像去噪與超分辨率方法研究[D];北京工業(yè)大學(xué);2015年

，

本文編號：1784334