基于高斯過程回歸學習的超分辨重建及后處理方法研究.pdf

1、圖像的超分辨率重建技術是近幾十年來應用最為廣泛的數字圖像圖像處理技術。隨著機器學習和模式識別技術的發(fā)展，基于學習的圖像超分辨率重建技術已經成為解決超分辨重建問題的一個非常重要的工具。然而，現有的基于樣例學習的超分辨方法采用典型的非概率形式，沒有給出具體概率形式的超分重建模型，而且其中的參數多是通過交叉驗證獲得。為此，本文主要從不確定性分析的角度，利用高斯過程回歸理論對超分辨重建建模，研究可行性求解算法及超分辨重建的后處理方法。本文的主要

2、貢獻如下:
　　1)提出了基于組合優(yōu)化的圖像超分辨后處理算法?；诨貧w函數的擬合值給出的是標量形式的函數值，因此，導致基于圖像塊形式的超分辨重建在同一個像素位置上得到多個候選的像素擬合值。本文通過對這些候選值的組合優(yōu)化學習，改善圖像的重建質量。
　　2)提出了基于邊緣屬性限制的圖像超分辨后處理算法?，F有的基于高斯核回歸學習的超分重建方法，針對圖像的外觀特征進行建模，忽視了邊緣在主觀視覺上的作用，為此，本文在回歸學習重建超分辨

3、圖像的基礎上，針對圖像邊緣屬性進行建模，進一步優(yōu)化圖像質量。
　　3)提出了基于高斯過程回歸稀疏求解的圖像超分辨算法。建立局部高斯過程回歸模型，解決高斯過程回歸求解超分辨問題的可行性問題;進一步利用稀疏求解算法，不僅優(yōu)化高斯核函數的超參數，而且也優(yōu)化了訓練的初始輸入，從而得到更精確的高斯過程回歸解。
　　實驗證明本文所提超分算法及后處理方法在圖像視覺主觀評價和信噪比評價標準下可以與當前流行的超分重建方法相媲美，重建出圖像邊緣