基于双字典正则化的单帧图像超分辨率重建方法

崔 琛,张凯兵

(西安工程大学 电子信息学院,陕西 西安 710048)

0 引 言

图像SR重建是一种利用一幅或多幅LR图像重建一幅细节清晰、纹理丰富的HR图像的图像恢复技术。已有的超分辨算法可分为3种主要类型:基于插值的方法[1-2]、基于重构的方法[3-5]和基于实例学习的方法[6-7]。

基于插值的方法主要利用特定的基函数或插值核估计高分辨率图像中的未知像素。常见的插值方法有最近邻插值、双线性插值、双立方插值、Lanczos插值等。尽管基于插值的方法简单、高效,但该方法难以恢复LR图像中丢失的高频细节,导致重建的图像视觉效果模糊,通常情况下难以满足实际应用要求。

基于实例学习的方法借助机器学习技术,通过学习LR与HR图像之间的映射关系,实现LR图像到HR图像的转换。典型的实例学习方法有基于K近邻的方法、基于稀疏表示的方法[8-10]、基于流形学习的方法[11],以及基于深度学习的方法[12-14]。尽管基于K近邻学习和基于流形学习的SR算法结构简单,但对每个输入的LR图像块都需要搜索大量的训练集进行相似性匹配,因此计算时间复杂度和空间复杂度均较高,不利于实际应用。而基于稀疏表示的方法[15],首先从LR与HR图像对中学习超完备字典,然后求解基于l0-或l1-范数正则化的最小二乘优化问题实现SR重建。DONG等率先将深度卷积网络(SRCNN)用于图像超分辨重建,该方法通过特征表示层、非线性特征映射层和超分辨重建层实现端到端的SR重建,具有较好的重建效果[16]。尽管基于深度学习的SR方法能够有效生成新的图像细节,但其训练过程计算复杂度和空间复杂度较高,且对样本依赖性强,因此难以在资源和设备受限的情况下使用。……