基于系数复用和字典训练的图像超分辨率算法

在基于学习的图像超分辨率重建过程中,字典的选择和训练是其中的关键环节,但是传统的字典训练算法存在计算量大、训练速度慢等缺点,导致整个重建过程耗费时间长,重建图像在细节上表现较差,影响了其视觉效果与使用价值。针对上述字典训练中存在的问题,提出了一种改进的基于系数复用和字典训练的图像超分辨率算法。该算法对传统的K-SVD算法中的字典训练阶段进行了改进,利用信号的稀疏表示原理,同时结合正交匹配追踪中的系数复用算法,较好地解决了字典训练速度慢、重建图像质量低等问题。实验结果表明,与经典的双三次插值和改进前的K-SVD图像重建算法相比,该图像重建算法较好地复原了图像的高频细节信息,提高了重建图像质量,同时大幅度降低了字典训练时间。

一种改进的基于KRR的单帧图像超分辨率重建算法

为解决图像超分辨率重建结果中的图像质量问题,论文提出了一种改进的基于核岭回归(Kernel Ridge Regres-sion,KRR)的单帧图像超分辨率重建算法。该算法利用核岭回归算法估计潜在的高分辨率图像中高频细节信息,然后将核匹配追踪算法与梯度下降算法相结合,得到一种基于稀疏表示的对KRR进行求解的方法,再使用一个通用的图像先验模型对回归结果进行处理,用以消除正则化过程中产生的振铃,进而得到最终的高分辨率重建图像。实验结果证明,该方法在时间复杂度保持中等水平的同时具有良好的重建效果。