变换空间一致性图像超分辨率重建方法研究

Image super-resolution based on machine learning is one of the important reconstruction schems hat attracts a lot of attention，however, the assumption about this kind of methods does not hold always. In this case, the feature representation which establishes relationship between the HR and LR patches will be inaccurate. To deal with this problem, the project proposes an image super-resolution reconstruction scheme through the consistency in transformation space. The main idea is mapping the original HR and LR image patches onto a feature space, in which the consistency of the feature representation coefficients for the original HR and LR patches would be enhanced more than that in the original space. In addition, appropriate constraints would be choosen and be incoperated into reconstruction scheme to improve the reconstruction performance.

机器学习图像超分辨率重建方法是目前受到高度关注的一类重建方法，其假设条件常常不易满足，使得获取的表征高、低分辨率图像块之间关系的参数准确性存在一定问题。针对机器学习算法中存在的这种不足，本项目提出变换空间一致性图像超分辨率重建方法，主要思路是将高、低分辨率图像块同时映射到一个变换空间，在这个空间寻找和建立高低分辨率图像块之间具有更高一致性的关系参数，结合适当的约束条件构建重建模型，以期进一步提高超分辨率重建的效果。

项目的主要内容是关于变换空间一致性图像超分辨率重建方法的研究，取得的主要成果有：对投影变换空间一致性评估进行了研究，提出一种人脸超分辨率重建算法投影空间一致性评估方法，可以对投影变换空间在一致性方面性能做出比较有效的评估。提出一种双空间图像超分辨率重建框架，利用线性投影空间来满足高低分辨率图像在不同特征空间中具有局部几何一致性的假设，同时利用非线性投影空间来稳定地获取高低分辨率图像一对多所隐含表示的非线性关系，取得了更优的重建效果。构建了一种新的双正则化约束模型的人脸图像超分辨重建方法，第一个正则化约束可以避开局部几何一致性要求这样一个困难和棘手问题，第二个正则化约束可以对高分辨图像的模糊细节进行增强，双正则化约束的统一超分辨重建框架有效提高了重建效果。提出一种局部保持偏最小二乘图像超分辨率重建方法以应对局部几何一致性假设与实际情况不符的问题，相比于经典算法可以取得更好的重建效果。提出一种低秩稀疏表示的自相似性学习图像超分辨率算法，利用非局部相似性先验知识进行约束，通过逐层放大实现图像超分辨率重建，实现了更清晰的超分辨率重建效果。提出一种利用三类约束来构造扩展超分辨率重建训练数据的方法，增强了扩展训练数据与待重建样本间的相关性关系，有效提高了重建图像的视觉效果和数值指标。除过图像超分辨率重建方法本身的研究外，还将所研究的算法方法扩展到了其他领域，如视频前景检测、人体行为识别、车牌检测识别，显著性检测等方面，取得了一系列成果。