基于稀疏表示的超分辨率重建自适应算法与深度卷积神经网络方法

With the rapid development of scientific technology, the requirements on image resolution in space exploration, target tracking, medical imaging, video surveillance, and other areas are getting higher and higher. Naturally, the research how to reconstruct the super-resolution image has become an interesting research topic, and it is urgent to create more effective method and technology for super-resolution reconstruction. The project will improve and develop the recent and popular theory of sparse representation and deep convolutional neural network, and organically combnie with the theories and methods of sparse representation, optimization, function approximation, and image processing to build new and effective super-resolution image reconstruction technology, and design some new sparse models and methods for solving iterative solutions. Specificly, we will study the following problems for super-resolution based on sparse representation. (i) Establishing adaptive model and algorithm for balancing the sparsity and stability of reconstruction; (ii) Constructing general adaptive method for selecting penalty parameters in the sparse regularization reconstruction model; (iii) Constructing model of deep convolutional neural network with direct input of matrix and improving efficient training algorithm of the convolutional network. The finish of this project will further develop the theory and method of super-resolution reconstruction, and promote the development of image processing and related fields. It also provides some algorithm foundations and technical supports for the related information technology and related disciplines.

随着科学技术的快速发展，空间探索、目标追踪、医学影像、视频监控等领域对图像分辨率的要求越来越高。如何重建高分辨率图像自然地成为人们感兴趣的研究课题，创建更加有效的超分辨率重建方法与技术无疑是亟待解决的问题。本项目拟改进和发展近来流行的稀疏表示理论和深度卷积神经网络理论方法，有机地结合稀疏表示、神经网络、优化计算、函数逼近、图像处理等理论与方法，旨在构建新的、有效的超分辨率图像重建方法和技术，建立超分辨率图像重建新的稀疏模型与求解方法。具体地，我们将研究基于稀疏表示重建方法的如下问题：(i) 平衡稀疏性与稳定性的自适应模型和算法; (ii) 稀疏正则化重建模型惩罚参数选择的自适应方法; (iii) 矩阵直接输入的深度卷积神经网络模型构造及其高效训练算法的改进。本研究的完成将进一步发展超分辨率图像重建的理论与方法，促进图像处理相关领域的发展，为信息技术与相关学科提供算法基础与技术支持。

随着计算机处理能力的大幅度提升和大数据的出现，如何将“低”清晰度图像转化为“高”清晰度图像的所谓超分辨率重建无疑是有意义的。因此，如何寻求新的、有效的超分辨率重建理论与方法是一个重要的课题。.本项目改进、发展稀疏表示理论和深度卷积神经网络方法，建立新的超分辨率重建的有效方法。通过对超分辨率重建稀疏表示中的稀疏性与关联性、惩罚参数的选取方法，利用过程信息，构建惩罚参数自适应选择与更新的迭代过程，建立自适应的重建理论与方法，并得到理想的重建效果。具体地，提出了基于自适应稀疏编码的超分辨率方法，并通过建立正则化模型，有效地将稀疏性和相关性作为正则化项，并自适应地协调了稀疏表示和协调表示；将聚类、协同重构和渐进多层映射关系相结合，提出了具有多通道约束的超分辨率重建方法，实现了高分辨率彩色图像的重建；提出了一种利用非局部结构相似性和边缘锐度字典的超分辨率重建方法；提出了一种基于类字典和投影矩阵的鲁棒重建方法。另一方面，基于深度网络的逼近理论，设计、构造新的卷积网络，使之对超分辨率图像具有更好的重建效果; 寻找新的高效的深度卷积网络算法，改进训练速度和精度。例如，构建了带空洞卷积深度神经网络的重建方法；提出了一种超分辨率重建的深递归卷积网络体系结构；构建了超分辨图像重建的多尺度残差通道关注深度网络；构建了双尺度残差网络并用之于超分辨率重建；提出了深度低秩矩阵恢复网络，利用其建立了图像重建的新算法，等等。.本项研究发表论文31篇，主要论文发表在IEEE Trans. Image Processing、IEEE Trans. Geoscience and Remote Sensing、Neural Networks、Information Sciences、Knowledge-Based Systems等本领域国际刊物上，申请并已受理国家发明专利3项，培养了9位研究生，完成了预期目标。