原创《基于稀疏表示的图像超分辨率重建算法》：此文是一篇图像论文范文,为你的毕业论文写作提供有价值的参考。
摘 要：本文在基于稀疏表示的图像超分辨率重构算法的研究基础上提出一种改进的算法.该算法的思想是在原有的稀疏表示图像超分辨率重建的基础上采用图像结构-纹理分解模型对输入的低分辨率图像进行重建.在重建过程中,纹理部分采用稀疏表示与字典训练相结合重建,而结构部分采用小波变换的方法重建.
关键词：稀疏表示；超分辨率重建；字典训练；结构纹理分解
DOI：10.16640/j.cnki.37-1222/t.2018.09.117
1 引言
图像超分辨率重建技术作为图像领域的一个重要组成部分,近年来成为数字图像处理领域的一个研究热点.在经过几十年的研究之后,图像超分辨率重建技术得到了更多的重视并取得了较大的发展,成功的将该技术广泛的应用在了生活的各个领域,如医学成像系统,卫星成像系统,天网视频监控系统等,因此图像超分辨率重建技术有着重要的研究意义及价值.
Yang等人提出了基于稀疏表示的圖像超分辨率重建算法.后来Zeyde等人在稀疏重建算法过程中提出了K-SVD算法以提高字典训练的速度,并且在稀疏求解过程中采用正交匹配追踪算法（OMP）来简化了稀疏求解过程.并且重建效果较Yang的方法有了在主观上和客观上都有了一定的提高.因此本文在原有的稀疏表示图像重建的基础上提出一种改进算法,主要在图像分解和字典训练方法上做了一部分改进.
2 基于稀疏表示的图像超分辨率重建
信号的稀疏表示模型一般形式如下：
其中表示待处理的原始信号,其中（）表示字典,也就是原子集,表示信号的稀疏表示系数.是的范数,也可以说是稀疏系数的稀疏度.
3 基于图像分解模型的图像超分辨率重建的算法
3.1 图像的改进的VO分解模型
VO模型的原理是基于偏微分方程的,计算过程不仅简单更重要的是速度也优于其他模型. 矢量图像VO模型的能量泛函数如下所示：
3.2 图像结构纹理的重建
本文实现超分辨率重建主要包括两个部分：字典训练和图像超分辨率重建,主要算法步骤如下所示：
第一步：提取样本,将样本分为结构部分和纹理部分[2],并利用K-SVD的方法训练得到纹理部分的高低分辨率字典.
第二步：输入纹理字典,低分辨率观测图像Y,并将输入的图像用改进后的VO模型进行结构纹理分解,.
第三步：对输入低分辨率图像的结构部分进行双三次差值,再利用改进的小波变换模型进行重建得到结构部分的高分辨率图像
第四步：从的左上角依次取图像块y,并保留m个像素宽的重叠区域.再根据OMP算法求解对应的稀疏表示系数的估计值,然后利用稀疏表示的原理求解出纹理部分的高分辨率图像.
第五步：将得到的纹理部分的高分辨率图像和低分辨率图像的双三次插值图像进行叠加得到初始的纹理部分的重建估计.则重建的高分辨率图像.
第六步：对得到的高分辨率图像进行全局优化.得到最终的高分辨率图像.
4 实验结果与分析
图（a）为原始低分辨率barbara图像,图（b）为Yang方法重建的超分辨率图像,图（c）为Zeyer方法重建的超分辨率图像,图（d）为本文算法重建出的图像.由主观视觉效果来说本文算法比其他方法来说在细节信息上重建效果更加明显.
超分辨率重构图像的 PSNR以及对应的时间对比如下表所示：
5 结论
经实验仿真后,相比Yang等人的经典的超分辨率重建,本文重建后的图像在主观视觉效果上的细节边缘信息得到了更好的重建效果,而在信噪比（PSNR）上也有较明显的提高.本文也存在一些不足之处,训练字典的自适应性以及稀疏编码的速度等问题.
参考文献：
[1]Yang Jianchao,et al.Image Super-Resolution Via Sparse Representation[J].IEEE Transaction on Image Processing,2010,19（11）：2861-2873.
[2]徐川.基于稀疏表示的图像超分辨率重建技术研究[D].浙江：浙江师范大学,2013.
作者简介：楚亚南（1992-）,女,山东嘉祥人,硕士研究生在读,研究方向：光电成像及信息处理.
图像论文参考资料：
结论：基于稀疏表示的图像超分辨率重建算法为适合图像论文写作的大学硕士及相关本科毕业论文，相关图像开题报告范文和学术职称论文参考文献下载。
