引入细节约束因子的半耦合字典学习超分辨率重构模型

黄宇达， 王迤冉， 牛四杰

(1.周口职业技术学院 信息工程学院，河南 周口 466000；2.周口师范学院 网络工程学院，河南 周口 466000；3.济南大学 信息科学与工程学院，山东 济南 250000)

0 引言

超分辨率重构技术[1]能够把低分辨率的图像重构出与真实图像相近的超分辨率图像，这样可从软件角度解决成像的硬件设备问题。超分辨率重构技术作为目前计算机视觉领域的主要研究热点之一，在遥感成像[2]、医学影像分析[3]、工业成像等领域具有广泛的应用前景。目前，超分辨率重构技术主要分为3类：插值、重构和学习的超分辨率重构算法。

基于插值算法[4-5]就是利用低分辨率图像中已知像素点对未知像素点进行估计，虽然其计算复杂度较低，但易放大边缘，造成细节模糊和锯齿边界。基于重构的超分辨率算法是利用数字图像处理技术求解成像模型的逆过程，从而进一步实现超分辨重构，常用的模型有全变分正则化模型[6-7]、梯度轮廓先验[8]等。其尽管引入了先验知识，但对具有较为丰富结构信息类型的图像来说，该方法仍难以获得边界清晰的视觉效果。

Freeman等[9-10]首先提出了基于学习思想的图像超分辨重构，主要分为2个阶段：训练阶段和重构阶段。该方法训练所需样本数量大，重构速度慢。随后，Sun等[11]在文献[9-10]的算法基础上提出了样本学习法，因为从原始图像空间中学习到维度较小的图像基元空间，所以可以用少数基元表示原始图像，从而改善高低分辨率之间的映射关系，提高重构精度。……