【摘要】：采用稀疏表示的圖像超分辨率算法中,雙字典訓練算法與字典的細節(jié)恢復能力相關(guān),針對已有雙字典訓練算法使字典缺乏高頻細節(jié)信息的特點,提出了一種交替K-奇異值分解字典訓練算法。該算法分為訓練和測試部分。在訓練部分每次字典更新都采用奇異值分解所得到的向量對低高頻樣本塊進行最佳低秩逼近,使得低高頻樣本塊隨著迭代次數(shù)的增加逐漸取得相同或者相似的稀疏表示系數(shù)。在測試過程中,測試低頻樣本塊可以利用低頻字典取得的稀疏表示系數(shù)與高頻字典相乘得到高頻細節(jié)信息。實驗表明,與目前已有算法相比,該算法能夠得到高頻細節(jié)較豐富的圖像,平均峰值信噪提高0.3dB以上,結(jié)構(gòu)相似度提高0.01左右。
【圖文】：

更新。訓練樣本在產(chǎn)生的時候，低頻圖像塊主要包括階梯型邊緣信息，而高頻塊主要包含高頻細節(jié)信息。利用交替更新的方法進行字典訓練，高低頻圖像塊都同時參與了訓練，這樣就不會使字典只含有階梯型邊緣的信息。因此，該方法產(chǎn)生的字典比傳統(tǒng)的算法更有利于高頻細節(jié)的恢復。實驗結(jié)果證明，本文提出的字典訓練算法具有較強的細節(jié)恢復能力。１采用交替ＫＳＶＤ字典訓練的超分辨率算法采用交替ＫＳＶＤ字典訓練圖像超分辨率算法的主要思想是將低頻塊和高頻塊映射到統(tǒng)一特征子空間上。該算法的原理框圖如圖１所示。該算法主要包括一個訓練過程和一個測試過程。圖１算法流程圖Ｆｉｇ．１ＦｒａｍｅｗｏｒｋｏｆｔｈｅＰｒｏｐｏｓｅｄＡｌｇｏｒｉｔｈｍ１．１算法模型假設(shè)Ｌ是低分辨率圖像，使用雙三次插值方法將Ｌ放大為邊緣較為模糊并且缺乏高頻細節(jié)的高分辨率圖像s媯齲頤淺浦推低枷�。假设Ｈ是目标高分辨箩尲像，可得祪e勘旮咂迪附諭枷裎海蓿齲劍齲璼媯齲ǎ保┤綣芄換袢媯?cè)与＾Ｈ之紲Z墓叵擔涂梢砸讕蕕推低枷駍媯?cè)来恢稿N叻直媛氏附冢蓿�。假设｝x螅椋停椋劍筆歉叻直媛恃盜費荊渲校臀枷褡蓯�。将｝x螅椋停椋劍苯興尾逯迪虜裳梢緣玫降頭直媛恃盜費荊蹋螅椋停椋劍�。染忬，将Ｌ｛｝ｓｉＭｉΡ进信d尾逯瞪喜裳玫降推笛盜費緎媯齲螅椋停椋劍�。将｝x螅椋停椋劍庇雜媯齲螅椋停椋劍畢嗉蹩梢緣玫礁咂笛盜費炯希蓿齲螅椋停椋劍�，，这样就得到驯I吠枷穸詓媯齲

本文編號：2543552