在实际生活中,由于硬件设备、拍摄技术以及距离等各方面因素的影响,人们经常无法获得高分辨率的图像,因此,利用算法和软件提高图像分辨率,从而获得清晰度较高的图像的工作就变得越发重要。基于学习的单帧图像的超分辨技术,就是建立低分...在实际生活中,由于硬件设备、拍摄技术以及距离等各方面因素的影响,人们经常无法获得高分辨率的图像,因此,利用算法和软件提高图像分辨率,从而获得清晰度较高的图像的工作就变得越发重要。基于学习的单帧图像的超分辨技术,就是建立低分辨率图像集和高分辨率图像集之间的关系,即通过学习低分辨率图像和高分辨率图像之间的映射关系进而获得先验知识,以此为约束条件重建得出高分辨率图像。在此方法中,高、低分辨率之间的映射关系十分重要且较难获得。本论文应用了一种简单有效的方法即通过建立级联线性回归模型对高、低分辨率图像之间的映射关系进行学习。级联线性回归模型需要的参数少,并且该函数可以求出闭合解,因此在求解时可以简便地获得更有效的结果。为使结果更加准确,论文中的算法通过对低分辨率图像进行下采样再经过双立方插值等一系列操作得到不同层数的级联性回归的高分辨率图像,通过实验对比不同级联层数的峰值信噪比PSNR(Peak Signal to Noise Ratio),选择PSNR较高的级联层数,之后对各级高分辨图像进行迭代得到最终的高分辨率图像,并将通过算法得到的高分辨率图像与原图像的高分辨率图像进行对比。实验结果表明,采用3×3的图像块,进行二次级联时,此算法能够得到较好的高分辨率图像并且算法难度较小、运行效率较高。展开更多
文摘在实际生活中,由于硬件设备、拍摄技术以及距离等各方面因素的影响,人们经常无法获得高分辨率的图像,因此,利用算法和软件提高图像分辨率,从而获得清晰度较高的图像的工作就变得越发重要。基于学习的单帧图像的超分辨技术,就是建立低分辨率图像集和高分辨率图像集之间的关系,即通过学习低分辨率图像和高分辨率图像之间的映射关系进而获得先验知识,以此为约束条件重建得出高分辨率图像。在此方法中,高、低分辨率之间的映射关系十分重要且较难获得。本论文应用了一种简单有效的方法即通过建立级联线性回归模型对高、低分辨率图像之间的映射关系进行学习。级联线性回归模型需要的参数少,并且该函数可以求出闭合解,因此在求解时可以简便地获得更有效的结果。为使结果更加准确,论文中的算法通过对低分辨率图像进行下采样再经过双立方插值等一系列操作得到不同层数的级联性回归的高分辨率图像,通过实验对比不同级联层数的峰值信噪比PSNR(Peak Signal to Noise Ratio),选择PSNR较高的级联层数,之后对各级高分辨图像进行迭代得到最终的高分辨率图像,并将通过算法得到的高分辨率图像与原图像的高分辨率图像进行对比。实验结果表明,采用3×3的图像块,进行二次级联时,此算法能够得到较好的高分辨率图像并且算法难度较小、运行效率较高。
