基于压缩感知的单像超分辨率重建

《基于压缩感知的单像超分辨率重建》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于压缩感知的单像超分辨率重建SingleImageSuper-ResolutionReconstructionBasedonCompressiveSensing作者：王慧导师：孙久运副教授中国矿业大学二〇一六年五月中图分类号P23学校代码10290UDC密级公开中国矿业大学硕士学位论文基于压缩感知的单像超分辨率重建SingleImageSuper-ResolutionReconstructionBasedonCompressiveSensing作者王慧导师孙久运申请学位工学硕士培养单位环境与测绘学

2、院学科专业摄影测量与遥感研究方向数字遥感图像处理答辩委员会主席谭琨评阅人二○一六年五月论文审阅认定书研究生王慧在规定的学习年限内，按照研究生培养方案的要求，完成了研究生课程的学习，成绩合格；在我的指导下完成本学位论文,经审阅，论文中的观点、数据、表述和结构为我所认同，论文撰写格式符合学校的相关规定，同意将本论文作为学位申请论文送专家评审。导师签字：年月日致谢在百年矿大的三年宝贵求学生涯即将结束，纵使千般不舍，也要走向工作岗位。忆往昔，见证了矿大学子“好学力行、求是创新、艰苦奋斗、自强不息”的矿大精神，感受到了母

3、校老师们兢兢业业、无私奉献的高尚品格。首先感谢我的导师孙久运老师从硕士论文的选题、内容甄选和论文写作及修改，都给予了极大帮助和宝贵意见，也感谢张华老师和秦凯老师在开题时提出的宝贵意见和建议，使得论文思路更加清晰、内容更加合理科学。在攻读硕士学位期间，孙老师为我们提供了优越的科研环境，耐心和用心地指导我们开展学术研究，他严谨的科研思维和扎实的工作作风，使我受益匪浅，在此，向孙老师致以崇高的敬意。感谢北京国遥新天地信息技术有限公司的陈晓伟经理、马广迪经理，为我提供了宝贵的实习机会，将储备的专业知识在实践中加以运用，

4、提升了自己的工作技能和学习技能，还要感谢在公司相识相交的高方斌、杨生娟等诸多朋友，在努力工作之余，留下很多快乐的回忆。感谢王小兵师兄、朱伟师兄、周年芳师姐、黄海虹师姐在研究生期间给予的热心指导，提供宝贵的学习资料，让我更快地适应了研究生的科研环境，并认识到研究生期间应该获取的知识和能力，还要感谢李春梅博士，在研三期间提供有益的学术讨论，明确了研究思路。感谢实验室同门许世娇、杨文环，以及师弟张新耐、赵冰峰、高峰、师妹李光雨、孙梦娇等硕士，在科研和生活上提供的帮助，也感谢舍友余嘉琦、崔成玲、胡明玉、王文静、吴沛瑶和

5、魏海霞，以及遥感地信自然地理13硕班级的所有同学，是你们让我的研究生生活变得多姿多彩，与你们的交流开阔了我的视野。还要感谢与自己肩并肩一起努力的男友吴承红，你给了我极大的帮助和鼓励，也十分感谢珍爱我的家人，在你们的鼓舞下我获得了前进的动力，在此感谢你们无私的辛劳付出。在此非常感谢论文撰写过程中所参考和引用得到的参考文献的作者们，以及以色列理工学院MichaelElad团队等提供的相关代码和资源，让我能够深入学习，并受到启发开展自己的研究。最后，特别感谢各位专家、学者和评委老师在百忙中评阅本论文并提出宝贵意见和建

6、议，我会带着你们的教导和祝福继续努力！摘要超分辨率重建（Super-resolutionreconstruction，SRR）可充分利用已有图像，从算法角度突破图像的分辨率限制。其中基于互补信息的多帧图像SRR理论已基本完善，却不适用于无互补信息的单像SRR。新兴的压缩感知（CompressiveSensing，CS）理论从稀疏角度表达图像，能解决由低维数据重构高维数据的逆问题，因此联合CS理论进行更具实际意义的单像SRR成为当下的研究热点。目前已有的CS算法多对已知退化先验信息的仿真退化图像进行重建，其分辨率

7、难以超越原始图像，为在图像原有分辨率的基础上取得实质性的提高，本文进行的研究和获取的结论如下：（1）在实现和对比经典单像SRR算法的基础上，研究基于CS的稀疏字典构建方法，实现了DCT解析字典、MOD字典、K-SVD字典和Global字典的训练，并以四种字典对图像进行稀疏编码和重构，验证了基于CS进行单像SRR的可行性。通过对比重建图像的PSNR和SSIM，证实了训练字典的稀疏表达效率更高，且字典形态越丰富，重建图像的质量越好。（2）分别在YCbCr和RGB色彩模式下，设计一种基于CS的单幅彩色图像SRR方法。

8、通过训练各分量的自适应联合字典，独立进行基于CS的超分重建。结果表明：相较于仅对Y分量进行SRR，在YCbCr模式下进行整体重建时，PSNR值存在微小提升；在RGB模式下可重建出更多的边缘细节，PSNR值也有所提高，但重建速度有待提高。此外，选取遥感图像训练联合字典，用于实现单幅遥感图像的超分重建，结果表明：与自然图像训练的联合字典相比，遥感图像的针对性联合字典所重建的图像边缘更完整，