基于学习的图像超分辨率技术
图像超分辨率论文 图像插值论文 边缘自适应论文 马尔可夫网络论文 人脸图像超分辨率论文 图像低层次特
论文详情
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。
摘要 | 第5-6页 |
Abstract | 第6页 |
第一章 概述 | 第7-11页 |
1.1 研究背景 | 第7页 |
1.2 图像超分辨率分类 | 第7-9页 |
1.2.1 基于重建的图像超分辨率 | 第7-9页 |
1.2.2 基于学习的图像超分辨率 | 第9页 |
1.3 本文的工作 | 第9-10页 |
1.4 论文的组织 | 第10-11页 |
第二章 传统的基于插值的图像放大算法 | 第11-22页 |
2.1 传统的基于插值的图像放大算法 | 第11-12页 |
2.2 插值算法简介 | 第12-13页 |
2.3 几种最常用的图像插值方法 | 第13-16页 |
2.3.1 最邻近插值(Nearest Neighbor) | 第13页 |
2.3.2 双线性插值(Bilinear) | 第13-15页 |
2.3.3 Bicubic插值 | 第15页 |
2.3.4 Hanning and Hamming插值 | 第15页 |
2.3.5 Lanczos插值 | 第15-16页 |
2.4 插值函数主要算法流程 | 第16-18页 |
2.5 对采用传统插值算法放大后图像的改进 | 第18-19页 |
2.6 实验结果 | 第19-22页 |
第三章 新的边缘自适应的图像放大方法 | 第22-35页 |
3.1 研究背景 | 第22页 |
3.2 几种边缘自适应的图像插值方法 | 第22-26页 |
3.2.1 Dube’00 | 第23-24页 |
3.2.2 Cok’87 | 第24-25页 |
3.2.3 Kimmel’99 | 第25-26页 |
3.3 一种全新的边缘自适应的图像插值方法 | 第26-31页 |
3.3.1 算法简介 | 第26-27页 |
3.3.2 算法的原理 | 第27-29页 |
3.3.3 算法的一般化 | 第29-31页 |
3.4 实验结果性能评价 | 第31-35页 |
第四章 基于学习的一般图像超分辨率算法 | 第35-48页 |
4.1 基于重建的图像超分辨率缺陷 | 第35-39页 |
4.2 基于例子的方法 | 第39页 |
4.3 生成训练库 | 第39-45页 |
4.3.1 马尔可夫网络算法 | 第40-41页 |
4.3.2 单次次迭代算法 | 第41-45页 |
4.3.2.1 预测 | 第43-45页 |
4.3.2.1.1 搜索算法 | 第44-45页 |
4.3.2.2 训练 | 第45页 |
4.3.2.3 参数设置 | 第45页 |
4.4 实验结果 | 第45-46页 |
4.5 结论 | 第46-48页 |
第五章 基于学习的人脸图像超分辨率 | 第48-66页 |
5.1 引言 | 第48-49页 |
5.2 人脸图像超分辨率的贝叶斯估计 | 第49页 |
5.3 先验模型建立 | 第49-59页 |
5.3.1 图像低层次局部特征 | 第50-55页 |
5.3.2 特征向量 | 第55页 |
5.3.3 塔状父结构 | 第55-57页 |
5.3.4 局部最优匹配 | 第57-59页 |
5.3.5 预测先验模型 | 第59页 |
5.4 观测模型建立 | 第59-60页 |
5.5 集成与优化 | 第60-61页 |
5.6 实验结果分析 | 第61-62页 |
5.7 结论和展望 | 第62-66页 |
第六章 总结与展望 | 第66-68页 |
6.1 总结 | 第66-67页 |
6.2 应用前景及发展方向 | 第67-68页 |
参考文献 | 第68-75页 |
致谢 | 第75-76页 |
作者在攻读硕士学位期间公开发表(录用)的论文和参与的项目 | 第76页 |
论文购买
论文编号
ABS1477913,这篇论文共76页
会员购买按0.30元/页下载,共需支付
22.8。
不是会员,
注册会员!
会员更优惠
充值送钱!
直接购买按0.5元/页下载,共需要支付
38。
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文