基于学习的图像超分辨率技术

图像超分辨率技术是指由低分辨率的图像获得高分辨率图像。它有着广泛的应用背景，如：人脸检测与识别，低带宽的视频传输，图像恢复，人脸表情分析，数码相机的digital zooming技术等。基于学习的图像超分辨率技术是目前热门的研究课题。 本文主要介绍了基于学习的图像超分辨率技术。通过研究基于学习的图像超分辨率的特性，以及结合人脸这一特殊类型的图像，提出了自己的基于steerable金字塔的人脸图像超分辨率算法。论文的具体内容包括： 首先叙述了图像超分辨率技术的概念、发展现状、存在的问题。在分析传统的基于插值的单幅图像放大算法以及自己提出的基于边缘自适应的图像超分辨率的基础上，设计了一个商用系统ImageZoom，采用各种插值方法放大由数码相机得到的图像。 在介绍了基于重建的图像超分辨算法的缺陷后，理论分析和实验结果表明，重建约束并非超分辨算法的最重要约束，其重要性低于图像的先验知识；然后研究基于学习的一般图像超分辨率技术，利用马尔可夫网络来学习图像的先验知识。并且给出了一种基于学习的图像超分辨率算法的系统实现。 本文着重介绍了基于学习的人脸图像超分辨率算法。对人脸这一特殊类别的图像做了特殊的处理，采用steerable金字塔学习人脸图像中的低层次局部特征的空间分布，并结合塔状的父结构和局部最优匹配算法来预测最佳先验模型；然后将先验模型结合到贝叶斯最大后验概率框架中；最后使用最速下降法求出最优的高分辨率人脸图像。实验结果表明，该算法生成的高分辨率人脸图像具有较好的视觉效果。 最后对图像超分辨率技术进行了总结，对应用领域及发展方向进行了讨论。