基于自學(xué)習(xí)的稀疏正則化圖像超分辨率方法

1、李文文 基于自學(xué)習(xí)的稀疏正則化圖像超分辨率方法!在貝葉斯統(tǒng)計(jì)框架下建立了一種新的基于稀疏正則化的圖像超分辨模型。模型中的保真項(xiàng)度量理想圖像在退化模型下與觀測(cè)圖像的一致性，稀疏正則項(xiàng)刻畫理想圖像在詞典下的稀疏表示。該模型還引入了圖像的非局部自相似性和超拉普拉斯先驗(yàn)作為正則化約束。 基于自學(xué)習(xí)的稀疏正則化圖像超分辨率方法!為使稀疏域更好地表征高分辨率圖像，選取高分辨率圖像塊的高頻特征進(jìn)行稀疏表示，由此增強(qiáng)了稀疏模型的有效性。將詞典學(xué)習(xí)融入到超分辨率重建過(guò)程中，即直接從當(dāng)前估計(jì)的高分辨率圖像特征塊學(xué)習(xí)詞典，與從訓(xùn)練樣本庫(kù)中學(xué)習(xí)詞典相比，這種自學(xué)習(xí)的方法對(duì)不同圖像的自適應(yīng)性更強(qiáng)，并且減少了運(yùn)算量。 基

2、于自學(xué)習(xí)的稀疏正則化圖像超分辨率方法!由于噪聲和降質(zhì)過(guò)程的不可逆性，超分辨率重建是一個(gè)病態(tài)求逆問(wèn)題。解決這種問(wèn)題的有效方法是正則化方法。文本建立了結(jié)合稀疏先驗(yàn)!非局部自相似和超拉普拉斯先驗(yàn)的正則化模型。 基于自學(xué)習(xí)的稀疏正則化圖像超分辨率方法!稀疏正則化約束!自然圖像的統(tǒng)計(jì)特性表明圖像塊可以近似地由一個(gè)過(guò)完備詞典的少數(shù)原子的線性組合表示。!每個(gè)圖像塊的稀疏表示可以轉(zhuǎn)化為如下目標(biāo)函數(shù)的優(yōu)化問(wèn)題: 基于自學(xué)習(xí)的稀疏正則化圖像超分辨率方法!本文不直接利用高分辨率圖像塊的像素值，而是提取其高頻特征進(jìn)行稀疏表示，該策略可以更好地表征圖像塊的邊緣和結(jié)構(gòu)。將高分辨率圖像與上采樣圖像的差圖像作為高分辨率圖像的

3、高頻信息，!U表示一個(gè)基本的上采樣方法( 比如雙三次插值) 。考慮到稀疏表示中L1范數(shù)最小化的收縮效應(yīng)，所有的高分辨率圖像特征塊需要?dú)w一化為單位長(zhǎng)度。 基于自學(xué)習(xí)的稀疏正則化圖像超分辨率方法!在最大后驗(yàn)概率理論框架下，將圖像超分辨率重建問(wèn)題建模為稀疏性正則化優(yōu)化問(wèn)題進(jìn)行求解，!第 1項(xiàng)保證了基于退化模型的重建圖像與觀測(cè)圖像的一致性約束，第 2項(xiàng)和第3項(xiàng)保證了在重建圖像中，每一個(gè)特征塊都可以由一個(gè)合適的過(guò)完備詞典稀疏表示，是一個(gè)平衡一致性約束和稀疏先驗(yàn)的參數(shù)，Pi是圖像塊的提取矩陣。 基于自學(xué)習(xí)的稀疏正則化圖像超分辨率方法!然而，單一的稀疏性正則化函數(shù)對(duì)圖像的重建能力有限，本文在此基礎(chǔ)上引入了非局部自相似性，該性質(zhì)對(duì)于增強(qiáng)重建圖像的質(zhì)量是很有益處的。!非局部自相似正則化約束 在自然圖像的不同區(qū)域中，常出現(xiàn)重復(fù)的結(jié)構(gòu)模式，且具有相同結(jié)構(gòu)模式的圖像塊在空間上可能相距較遠(yuǎn)，這種性質(zhì)稱為圖像的非局部自相似性。該性質(zhì)有助于保持重建圖像的紋理和結(jié)構(gòu)。 基于自學(xué)習(xí)的稀疏正則化圖像超分辨率方法!對(duì)于局部圖像塊Xi，可以在整個(gè)圖像區(qū)域中搜索其!非局部相似圖像塊 Xj,加入Xic和Xjc是中心