基于稀疏表示的图像超分辨率分析研究外文翻译资料

本科生毕业设计（论文）外文资料译文

（ 2019届）

外文资料译文规范说明

一、外文资料译文：

基于稀疏表示的图像超分辨率

关键词：面部幻觉，图像超分辨率（SR），非负矩阵分解，稀疏编码，稀疏表示

摘要 - 本文提出了一种新的基于稀疏信号表示的单图像超分辨率处理方法，对统计图像的研究表明，图像patch可以很好地从一个选择适当的完整字典中表示为元素的稀疏线性组合。在这个观察中受到启发，我们为每个patch寻找一个稀疏表示，对于低分辨率输入，使用这个系数用于生成高分辨率输出。压缩感知理论的结果表明，在温和的条件下，可以正确地从中恢复稀疏表示下的采样信号。共同训练两本词典低分辨率和高分辨率的图像补丁，我们可以通过依据各自字典来加强低分辨率和高分辨率图像补丁之间稀疏表示的相似性。因此，稀疏表示的分辨率较低图像贴片可以与高分辨率图像贴片一起使用字典生成高分辨率图像补丁。与先前的方法相比字典学习是对补丁的更接近的表示，以前的方法只是简单地对大量的图像patch取样并与[1]组进行配对，大幅减少了计算成本。这种稀疏性的有效性证明了一般图像超分辨率（SR）和面部幻觉的特例。在这两种情况下，我们的算法生成与其他类似SR方法产生的图像质量更具有竞争力甚至在高分辨率图像质量上更加具有优越性。另外，我们在局部的自然稀疏建模的方法对噪声具有鲁棒性，因此所提出的算法可以在具有噪声输入的更统一的框架中处理SR。

索引术语 - 面部幻觉，图像超分辨率（SR），非负矩阵分解，稀疏编码，稀疏表示。

一，导言

超分辨率（SR）图像重建目前是一个非常活跃的研究领域，因为它提供了克服低成本成像传感器（例如，手机或监控摄像机）的一些固有分辨率限制的可能性。允许更好的利用不断增长的高分辨率显示功能(例如,高清液晶显示器)。这种分辨率提高技术也可以被证明在医学成像和卫星成像中是必不可少的，在医学成像和卫星成像中，低质量图像的诊断或分析非常困难。传统的SR图像生成方法通常需要输入同一场景的多个低分辨率图像，这些图像具有亚像素精度。基于合理的假设或关于将高分辨率图像映射到低分辨率图像的观察模型的先验知识，SR任务被投射为通过融合低分辨率图像来恢复原始高分辨率图像的逆问题。SR的基本重构约束是，恢复后的图像在应用相同的生成模型后，应再现观测到的低分辨率图像。然而，然而，由于低分辨率图像数量不足、配准条件不佳、模糊算子未知等原因，SR图像重建通常是一个严重的不适定问题，从重建约束得到的解决方案也不是唯一的。提出了各种正则化方法进一步稳定这种倒置的不适定问题，如[2] - [4]。

然而，这些基于重构的SR的性能当需要放大时，算法因子会迅速降级很大或可用输入图像数量很少。在这些情况下，结果可能过于平滑，缺乏重要高频细节[5]。另一类SR方法是基于内插[6]-[8]。而简单的插值双线性或双三次插值等方法往往产生过于平滑的图像与铃声和锯齿的纹物，通常 利用自然图像先验进行插值产生更有利的结果。Dai等人表示使用背景/前景的局部图像补丁描述符和重建之间的尖锐不连续这两个概念。Sun等人对之前的梯度剖面进行了研究并对局部图像结构进行了研究，将其应用于SR，这样的方法有效地保留了放大图像的边缘。然而，它们在建模的可视化复杂性方面受到了真实的图像限制。对于具有精细纹理或光滑的自然图像阴影，这些方法往往产生水彩般的纹物。

第三类SR方法是基于机器学习技术，它试图捕捉低分辨率和高分辨率图像块之间预先共存，[9]提出了一种基于实例的学习策略，适用于低分辨率的通用图像，通过由置信传播求解的马尔可夫随机场（MRF）来学习高分辨率预测。[10]通过使用Primal Sketch先验来增强模糊的边缘，脊和角，从而扩展了这种方法。尽管如此，前面提到的方法通常需要巨大的数百万个高分辨率和低分辨率的补丁对的庞大的数据库，因此需要大量的计算。[11]采用流形学习的局部线性嵌入(LLE)[12]的思想，假设两个流形在高分辨率斑块空间和低分辨率斑块空间上具有相似性。他们的算法将低分辨率贴片空间的局部几何映射到高分辨率贴片，生成高分辨率贴片作为邻居的线性组合。使用这种策略，可以使用较小的培训数据库表示更多的补丁模式。然而，由于过拟合或过拟合，使用固定数量的K邻域进行重建常常会导致模糊效果。在前期的[1]工作中，我们提出了一种基于稀疏编码自适应选择最相关重构邻域的方法，避免了[11]过拟合或过拟合，取得了较好的结果。然而，直接对一个大的采样图像补丁数据库进行稀疏编码是非常耗时的。

虽然前面提到的方法是针对通用图像SR提出的，但是当针对特定域（例如人脸）的SR应用定制时，可以合并特定的图像先验。这张脸的幻觉问题是在Baker和Kanade[13]的开创性工作中提到的，但是，在[13]中引入的基于梯度金字塔的预测并没有直接对人脸先验进行建模，而是对像素进行单独的预测，造成了不连续性和伪影。Liu et al提出了一种将全局PCA模型与局部patch模型相结合的两步统计方法。虽然该算法取得了较好的效果，但整体主成分分析模型的结果往往与平均面相似，概率局部patch模型复杂且计算量大。Wei Liu等人提出了一种基于张紧片和残差补偿的新方法。虽然这个算法增加了更多的细节，但它也引入了更多的工件。

本文重点讨论恢复给定低分辨率图像的SR版本的问题。与前面提到的基于学习的方法类似，我们将依赖输入图像中的补丁。然而，我们并没有直接处理从高分辨率和低分辨率图像[1]中采样的图像patch对，而是学习了这些patch对的一个紧凑表示来捕获之前的共现，大大提高了算法的速度。我们的方法是基于最近的稀疏信号表示结果，这表明高分辨率信号之间的线性关系可以从它们的低维投影[16]，[17]中精确恢复。尽管SR问题非常不适合，但是不可能进行精确恢复，但是图像块稀疏表示在正则化反问题中表现出有效性和鲁棒性。

a）基本思想：更确切地说，让成为K原子的一个充分完整的原子字典（），并假设一个信号可以表示为相对于D的稀疏线性组合。也就是说，信号可以写成,是一个很小的非零条目矢量。在实践中，我们可能只观察一小部分的的测量量：

图1所示。利用放大因子2重建浣熊面部。左:结果由我们的方法;右图:原图。没有什么明显的区别即使对于如此复杂的纹理，视觉上也是如此。重建的RMSE图像为5.92(仅使用局部patch模型)。

其中与为投影矩阵。在我们的SR环境中，是高分辨率图像(patch)，而是它的低分辨率对应部分(或从中提取的特征)。如果字典十分完备，则对未知系数方程就不确定了。这个等式的确定程度甚至更低。然而，在温和的条件下，这个方程最稀疏的解是唯一的。此外，如果满足适当的近似等距条件，那么对于各种矩阵，高分辨率图像patch的任何足够稀疏的线性表示就可以从低分辨率图像补丁中（几乎）完美恢复[17]，[18].1 Fig .1图1显示了一个示例，该示例演示了源自此原理的方法的功能。浣熊脸的图像模糊，向下采样到其一半两个维度的原始大小。然后使用我们所提出的方法将低分辨率图像缩放到原始大小。即使对于这种复杂的纹理，稀疏表示也恢复了视觉上吸引人的原始信号的重建。

近年来，稀疏表示已经成功地应用于图像处理中的许多其他相关逆问题，如去噪[19]和恢复[20]，往往是在现有的基础上进行改进。例如在[19]中，作者利用K-SVD算法[21]从自然图像的patch中学习了过完备字典，并成功地将其应用于图像去噪问题。在我们的设置中，我们不直接计算高分辨率patch的稀疏表示。相反,我们将与两个耦合字典一起工作，用于高分辨率patches，用于低分辨率patches。将低分辨率斑块的稀疏表示直接用于从高分辨率斑块中恢复相应的高分辨率斑块，通过允许斑块重叠，并要求重构后的高分辨率斑块在重叠区域上一致，得到局部一致的解决方案。在本文中，我们尝试在类似于[22]的概率模型中学习两个不完整的词典。以加强图像补丁对具有相同的稀疏表示，我们通过适当的归一化连接它们来同时学习这两个字典。紧凑字典学习将适用于一般图像SR和脸幻觉来证明它们的有效性。

即便如此在我们的SR背景下由模糊和向下采样定义的结构化投影矩阵并不保证的精确恢复，过往的经验实验确实证明了我们这种稀疏先验的有效性SR任务。

与上述基于学习的方法相比，我们的算法仅需要两个紧凑的学习词典，而不是大型训练补丁数据库。与[9]-[11]相比，基于线性规划或凸优化的计算效率更高，可扩展性更好。稀疏表示的在线恢复仅使用低分辨率字典，高分辨率字典用于计算最终的高分辨率图像。计算出的稀疏表示自适应地选择字典中最相关的patch基，以最好地表示给定低分辨率图像的每个patch。这就导致了与[11]中描述的方法相比，在定性和定量方面的性能，它使用固定数量的最近邻居，产生更锐利的边缘，更清晰的纹理。此外，如[19]所示，稀疏表示对噪声具有较强的鲁棒性，因此，我们的算法对测试图像中的噪声具有较强的鲁棒性，而其他大多数方法不能同时执行去噪和SR。

外文原文资料信息

[1] 外文原文作者：Jianchao Yang, John Wright, Thomas S. Huang, Yi Ma

[2] 外文原文所在书名或论文题目：Image Super-Resolution Via Sparse Representation

[3] 外文原文来源：IEEE Xplore Digital Library

出版社或刊物名称、出版时间或刊号、译文部分所在页码：IEEE Transactions on Image Processing (Volume: 19, Issue: 11, Nov. 2010) [P2861-P2863]

网页地址：https://ieeexplore.ieee.org/document/5466111

二、外文原文资料：

Image Super-Resolution Via Sparse Representation

Keywords: ：Face hallucination image super-resolution (SR) nonnegative matrix factorization sparse coding sparse representation

Abstract—This paper presents a new approach to single-imagesuperresolution, based upon sparse signal representation. Research on image statistics suggests that image patches can be well-represented as a sparse linear combination of elements from an appropriately chosen over-complete dictionary. Inspired by this observation, we seek a sparse representation fo

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[276071]，资料为PDF文档或Word文档，PDF文档可免费转换为Word