基于过完备分析算子学习的图像超分辨率重建变分模型与算法研究

项目名称： 基于过完备分析算子学习的图像超分辨率重建变分模型与算法研究

项目编号： No.61402239

项目类型： 青年科学基金项目

立项/批准年度： 2014

项目学科： 自动化技术、计算机技术

项目作者： 邵文泽

作者单位： 南京邮电大学

项目金额： 26万元

中文摘要： 基于字典联合学习的图像超分辨率合成稀疏表示方法往往假设高、低分辨率稀疏编码之间完全一致或者具有线性回归关系。然而，对于某些语义显著的低分辨率图像块，既定假设的不合理性将导致重建图像呈现视觉明显的虚假效应。为从建模机理上克服超分辨率合成稀疏表示方法的潜在缺陷，本项目立足信号过完备分析稀疏建模理论，以过完备分析算子学习和信号分析稀疏重建为具体科学问题，探讨图像超分辨率结构化分析稀疏重建新模型与算法。首先，基于图像块非凸分析稀疏先验，提出半正交性约束优化的互相干可分离过完备分析算子快速学习方法；其次，通过挖掘高、低分辨率聚类相似图像块的分析稀疏支撑一致性，构建基于分析算子分类联合学习的超分辨率结构化分析稀疏变分模型；最后，通过耦合算子分裂和近邻梯度方法，设计图像超分辨率非局部结构化分析稀疏重建快速算法。本项目对于拓展超分辨率稀疏建模方法、提升超分辨率重建算法性能，具有十分重要的理论和现实意义。

中文关键词： 超分辨率；卷积稀疏表示；卷积神经网络；非参数盲反卷积；稀疏贝叶斯学习

英文摘要： With synthesis sparse representation and joint dictionary learning, current image super-resolution (SR) approaches usually assume, either that a high-resolution (HR) patch shares exactly the same sparse coding of its corresponding low-resolution (LR) patc

英文关键词： super-resolution；convolutional sparse representation；convolutional neural network；nonparametric blind deconvolution；sparse Bayesian learning