基于改进稀疏表示正则化的SR重建算法.docx

"基于改进稀疏表示正则化的SR重建算法" 本文主要介绍了一种基于改进稀疏表示正则化的SR（Super Resolution，超分辨率）重建算法，该算法旨在提高航拍图像的空间分辨率，以满足无人机航拍图像识别的需求。该算法通过结合稀疏表示理论和正则化方法，以提高图像的分辨率和保留图像的边缘信息。 文中介绍了SR重建算法的必要性，无人机携带成像设备易受天气、拍摄角度以及成像过程等因素的影响，常造成获取的航拍图像边缘轮廓不清晰、对比度不高，进而难以提供足够的可供识别的特征细节信息，从而直接影响了导航精度。 文中讨论了SR重建算法的两种方法：基于频域的方法和基于空域的方法。基于频域的方法因没有考虑图像退化因素和图像的先验信息，因此重建效果并不理想。基于空域的方法不仅充分的考虑图像的退化因素，并且利用图像的先验约束能够更好的从LR图像中重建出HR图像。 接着，文中介绍了基于稀疏表示正则化的SR重建算法。这种算法可以最大限度地保持图像的边缘，并且能够避免求解过程中出现奇异解，同时还能为重建HR图像提供额外的图像先验信息。然而，该重建模型中使用的正则化参数往往是根据经验所选取的固定值，并没有考虑根据图像的不同区域结构，因此不能自适应的选择合适的正则化参数来调节数据保真项和正则化项之间的权重，从而严重影响了重建后HR图像的质量，导致过平滑现象，细节和边缘严重。 为解决上述问题，本文提出了一种改进稀疏表示正则化的SR重建算法。该算法首先基于稀疏表示正则化框架，利用自回归和非局部相似约束构建目标函数的正则化项，然后，根据图像局部方差能到有效区分图像的边缘区域和平滑区域这一特性，自适应地选取正则化参数得到超分辨率重建模型中的目标函数，最后使用MM（Majorization-Minorization）算法求解目标函数的凸优化问题，得到重建后的HR图像。 文中还讨论了信号稀疏表示理论，人们将信号比作一个矩阵，这个矩阵的每一行和每一列都存在大量以不规则形式出现的零元素，将信号的这一特性称为稀疏性。利用信号的稀疏表示特性，可以在保证信息不损失的前提下，用很小的采样速率就能够采集并恢复原始信号，同时利用信号的稀疏性能够有效地表示信号的本质特征。 本文的改进稀疏表示正则化的SR重建算法可以有效地提高航拍图像的空间分辨率，满足无人机航拍图像识别的需求。该算法的提出为SR重建算法的发展提供了新的思路和方法。