基于圖模型的超分辨率圖像重建.pdf

1、空間分辨率是圖像質量評價的一個重要指標，然而在數字圖像的采集和處理過程中，有許多因素會導致圖像分辨率的下降，如：傳感器的形狀和尺寸、光學部件的性能、成像、傳輸存儲過程中產生的噪聲。又由于采用高密度的光學儀器和圖像傳感器提高圖像分辨率的方法在實際應用中的成本難以接受，所以人們開始探討采用超分辨率圖像重建技術來提高圖像分辨率。所謂超分辨率圖像重建是指從單幅或序列低分辨率圖像中產生高分辨率圖像。由于該技術在視頻監(jiān)控安全領域、醫(yī)學成像、遙感等領

2、域都有十分廣泛的應用前景，因此成為近年來計算機視覺和數字圖像處理領域中的一個研究熱點。本文研究了基于圖模型的超分辨率圖像重建算法并采用人臉圖像進行了實驗結果驗證，主要研究了在馬爾科夫網絡下基于學習的超分辨率重建算法并提出自己的研究觀點和實驗效果，具體內容如下：
　　 ⑴研究基于馬爾科夫網絡的人臉圖像超分辨率方法。該方法利用馬爾科夫網絡能準確地描述圖像的統(tǒng)計特征來建立圖像的馬爾科夫網絡模型，把訓練集中的低分辨率圖像和相應的高分辨率

3、圖像分成若干個圖像塊，每一個圖像塊對應網絡模型中的一個結點，網絡參數從訓練樣本中學習得到。同時馬爾科夫網絡的條件獨立性導致了可分解的后驗概率，運用貝葉斯信念傳播算法進行迭代求解得出最優(yōu)解。實驗證明，該方法能達到預期的效果，很好地保持人臉圖像的面部表情。
　　 ⑵通過對馬爾科夫網絡超分辨率算法的研究，總結出基于學習的超分辨率算法思想框架。該框架分為三步，即產生訓練集-建立學習模型-求出最優(yōu)解。
　　 ⑶在馬爾科夫網絡學習框

4、架的基礎上，提出了基于K-means和改進相容函數的超分辨率算法。馬爾科夫網絡參數同樣從訓練樣本中學習得到，并由K-means聚類算法來計算其概率分布。該改進算法的優(yōu)點在于，通過對訓練樣本中的低分辨率圖像塊進行K-means聚類可以大大減少計算開銷；同時利用K-means的聚類結果，提出了一種新的相容函數，減少了視覺上的突兀跳躍所造成的整幅圖像的不協調。實驗結果表明，本文給出的超分辨率算法是可行的，并與同類Freeman算法相比能取得較