残差字典学习的快速图像超分辨率算法

针对基于自学习和稀疏表示的快速单图像超分辨率重建图像伪影明显、执行效率低的问题,提出了残差字典学习的快速图像超分辨率算法,以消除伪影,提高重建速度。通过采用基于外部图像集的高频残差图来训练字典,以降低字典训练的复杂度,并增强字典对高频信息的表达,消除重建伪影。同时,针对稀疏表示求解复杂度较高的问题,采用基于Cholesky分解的正交匹配追踪算法快速求解出稀疏系数,联合高频残差字典实现超分辨率重建,并对稀疏重建的高频图像使用迭代反投影进一步改善图像质量,极大地提高了算法的执行效率及图像重建效果。实验结果表明,该算法较传统算法在峰值信噪比和视觉效果上有所提升,运行速度快,重建图像的纹理特征和质量都得到了增强。

融合内外特征的图像超分辨率算法

针对单一先验知识不足以约束病态严重的图像超分辨率问题,本文提出了融合内外特征的图像超分辨率算法。针对图像的自相似性,通过采用基于内部特征的深度卷积网络学习来增强输入图像的细节纹理,去除超分辨率图像伪影;同时,使用基于外部图像的稀疏约束方法来学习图像结构信息,并结合高频残差字典来解决超分辨率重建中的高频信息缺失问题;最后通过卷积稀疏方法分别从基础层和细节层来融合内外特征的重建图像,以获得细节清晰、去伪影的超分辨率图像,进一步提高图像质量。与传统算法相比,本文算法在重建图像的纹理特征和质量上都得到了增强,且视觉效果与峰值信噪比较传统算法有所改善。