基于图像局部信息聚类的增强RAISR超分辨率算法

孙孟川，谭生详，王晔

（四川大学计算机学院，成都610065）

0 引言

单图像超分辨率（SISR）的任务是通过一张低分辨率（LR）图像来估计其可能的高分辨率（HR）图像，这一基础视觉任务可以有很多现实的应用，例如医学影像、卫星遥感图像、图像压缩等，近年来，这一问题在学术界也得到了广泛的关注和研究。图像的分辨率指的是图像的像素点个数。一张图像的像素点个数越多，其能够承载的信息也就越多。因此一般而言，高分辨率图像具有更好的视觉效果，人眼通常能在高分辨率图像中观察到更加细腻的纹理。图像的线性退化模型可以表示为：

其中z是输入的LR图像；x是未知的HR图像；H是线性模糊核；D s是下采样算子，其中系数s是下采样的倍数。超分辨率任务的目标就是恢复出潜在的HR图像x。在退化模型中，下采样操作会有大量信息损失，因此超分辨率任务需要解决的是一个欠定的逆问题[3,5]，也就是说方程的解不唯一。因此超分辨率方法需要引入先验信息，通过约束解空间来获得唯一解。

RAISR[3]方法是Google在2016年提出的一种基于样本学习的超分辨率算法，它主要的特点就是快速、准确，即其速度比基于深度学习的方法更加迅速，同时也保持了具有竞争力的图像重建质量，并且不需要大量的训练样本。其核心思想就是先通过廉价的插值方式把LR图像转化为HR图像，然后以HR图像局部的梯度信息[4]来对图像块进行分类，对于不同类别图像块采用对应的预训练的滤波器进行卷积操作来对纹理进行增强。……