简介:关于对写作图像重建论文范文与课题研究的大学硕士、相关本科毕业论文图像重建论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
(浙江师范大学数理与信息学院,浙江 金华 321000)
摘 要:针对Yang等人提出的基于稀疏表示的图像超分辨率的重建效果不够理想问题,提出了一种将图像卡通纹理分解和稀疏表示相结合的方法用以实现单幅低分辨率图像的超分辨率重建.本文提出的算法涉及到卡通字典和纹理字典的学习,图像重建过程分为两步.首先重建观测低分辨率图像的卡通高分辨率图像和纹理高分辨率图像,最后将重建的卡通和纹理高分辨率图像线性加权叠加,实现低分辨率观测图像的超分辨率重建.实验结果表明,本文提出的方法在主观视觉和客观指标峰值信噪比(PSNR)上都有明显的提升.
图像重建算法:德国普光CT(ProCon CT) 3D图像重建视频
关键词:超分辨率;稀疏表示;字典学习;卡通纹理
中图分类号:TP391 文献标识码:A
1. 引言(Introduction)
提高图像的分辨率一直都是图像处理领域一个重要的课题,由于成像系统及工艺的限制,从硬件方面提高图像分辨率难度大且成本高,所以通过软件算法的方法能够实现图像的超分辨率重建具有重要意义[1].此外,这种利用算法来实现图像增强的方法广泛应用于军事遥感、卫星成像、视频监控和医学图像等领域,可见它的理论研究极具价值.超分辨率重建,直白地讲,就是通过同一场景下一幅或者多幅低分辨率图像重建一幅清晰的高分辨率图像.目前,图像的超分辨率重建算法主要有三种.第一种是基于插值的超分辨率重建算法,即利用周围像素或者邻近像素点间的关系对高分辨率图像中未知像素进行估计,这类方法简单、运算速度快,缺点是重建的高分辨率图像会存在块效应且图像边缘伴随锯齿效应;第二种是基于重建约束的超分辨率重建算法,假设合理的图像退化模型,根据图像退化模型来重建高分辨率图像;第三种是基于学习的超分辨率重建算法,通过对训练图像特征块的学习,建立两种之间的关系,根据它们之间的这种关系重建出高分辨率图像,这类方法是近来研究的热点方向[2].
2 基于稀疏表示的超分辨率图像重建(Super-resolution image reconstruct-ion based on sparse representation)
2.1 信号的稀疏表示
2.2 稀疏编码实现图像超分辨率重建
3. 快速卡通纹理分解模型(Fast cartoon texture decomposition model)
4. 本文算法的步骤(The steps of the algorithm)
本文大体的框架分为两个步骤.第一步,对于稀疏字典
5. 实验与分析(Experiment and analysis)
如图1所示,(a)低分辨率Lena图像.(b)双三次插值法(Bi-cubic)重建的图像.(c)Yang算法重建的Lena图像.(d)原始高分辨率Lena图像.(e)本文算法重建的高分辨率卡通图像.(f)本文算法重建的高分辨率纹理图像.(g)本文算法重建的高分辨率Lena图像.从实验结果可以看出双三次插值法重建的图像有均匀的颗粒感,而且细节部分模糊.Yang算法和本文提出的算法重建的高分辨率图像则表现不明显,且画面细腻,细节部分清晰.
下面的表1给出了三种超分辨率算法的峰值信噪比(PSNR)和实验所消耗时间的比较,从表1中可以看到,PSNR方面,本文算法较前两种方法重建的图像有所提高,不过耗时方面相比前两种方法还有待提高,如何缩短计算时间复杂度也是接下来要研究的课题.
6. 结论(Conclusion)
本文是在经典的稀疏表示的超分辨率图像重建基础之上,提出将卡通纹理分解的方法与稀疏表示结合来实现图像超分辨重建.从实验结果来看,首先,在同等条件下,本文算法重建的图像质量在视觉上比双三次插值法和Yang等人提出的算法要好;再者,峰值信噪比(PSNR)方面也比后两种方法高.这表明本文提出的方法具有一定论文范文性.不过,文中涉及两个字典的学习即卡通和纹理字典的学习,必将提高了实验的时间复杂度.接下来,可考虑在加快稀疏编码学习的速度上做研究,提高计算效率,得到更加有效、紧凑的字典.
参考文献(References)
[1] Lu Ziwei,Wu Chengdong,Chen Dongyue,et al.Overview on Image Super R-esolution Reconstruction.26th Chinese Control and Decision Conference,CCDC,2014:2009-2014.
[2] Yao Zhao,et al. A novel infrared image super-resolution method based on sparse representation[J].Infrared Physics&,Technology, 2015(71):506-513.
[3] Zhang Shunli.Compressed Sensing Method Application in Image Denois-ing[J].International Journal of Signal Processing,Image Processing and Pattern Recognition,2015,8(1):203-212.
[4] Yang Jianchao,et al.Image Super-Resolution Via Sparse Representation[J].IEEE Transaction on Image Processing,2010,19(11):2861-2873.
[5] Antoni Buades,et al.Fast Cartoon Texture Image Filters[J].IEEE Transaction On Image Processing,2010,19(8):1978-1986.
作者简介:
徐 川(1990-),男,硕士生.研究领域:图像处理.
端木春江(1974-),男,副教授.研究领域:视频通信,图像处理.
总结:本文是一篇关于图像重建论文范文,可作为相关选题参考,和写作参考文献。
图像重建算法引用文献:
[1] 毕业论文图像边缘检测算法
[2] 数字图像边缘检测算法研究论文
[3] 关于计算机图像处理的论文题目 计算机图像处理论文题目选什么比较好