刑侦图像超分辨率的稀疏表示和正则化算法研究

With the spreading of monitoring equipment, many criminal cases are solved by the technology of image super-resolution. But when the existing algorithm applied on criminal images, they cannot provide ideal results. Therefore, according to the characters of criminal images, this project will propose the super-resolution algorithm for criminal images by using sparse representation and regularization technology. This project contains the following items: (1) Investigate the character of criminal images and propose the deblurring and denoising algorithms for criminal images; (2) Study the statistical property of “one to many” problem and the relationship between the low and high resolution criminal images and propose the sparse representation dictionary training and image reconstruction method for different magnification factors; (3) Study the prior of the step edges and propose regularization model to sharpen the step edges to avoid the effect of artifacts. The police system consider “improving the actual combat ability of grass roots, boosting the informatization construction” as the key point of the “three item construction”. Therefore, this project has high theoretical and practical values.

随着监控设备的普遍使用，许多刑事案件的破获都需要图像超分辨率技术，而目前已有算法对刑侦图像效果不理想。因此，本项目拟结合刑侦图像的固有特点，借助信号的稀疏表示和正则化技术，提出适用于刑侦图像的超分辨率算法。主要研究内容包括：（1）研究刑侦低分辨率图像的特点，提出适合刑侦低分辨率图像去模糊和噪声的算法；（2）研究刑侦图像超分辨率面临的“多对一”病态问题的统计特性和刑侦高低分辨率图像之间的关系，提出能适应不同放大倍数的稀疏表示字典训练模型和图像重建算法；（3）研究刑侦图像阶梯型边缘的先验信息，提出能对图像阶梯型边缘进行有效清晰化的正则化模型，避免人工痕迹对刑侦结果的影响。公安系统中将“切实提高基层实战能力，强力推进信息化建设”作为“三项建设”的重点。因此，本项目具有较高的理论价值和实用价值。

本项目拟利用稀疏表示和正则化方法解决刑侦图像的超分辨率问题。帮助公安系统“切实提高基层实战能力，强力推进信息化建设”。课题取得的成果主要分为三个方面：.（1）课题组重点研究刑侦图像超分辨率面临的“多对一”病态问题的统计特性和刑侦高低分辨率图像之间的关系，提出能适应不同放大倍数的稀疏表示字典训练模型和图像重建算法。.①提出了基于卷积主成分分析和随机匹配的自学习的图像超分辨率方法，利用一种随机振荡和水平垂直传播的方法来避免邻域嵌入过程中训练块的穷举搜索。该算法能够适应不同放大倍数需求。②提出了单幅图像超分辨率的反向稀疏表示方法。与以往的字典训练方法不同，该方法利用高分辨率字典及其稀疏表示系数估计低分辨率字典。与以往的稀疏表示字典训练方法相比，能够重建更清晰的边缘。③针对已有双字典训练算法使字典缺乏高频细节信息的特点，提出了一种交替K-奇异值分解字典训练算法。该方法对高低分辨率字典交替更新，可以使高低分辨率字典的稀疏表示残差同时收敛。④提出了一种基于卷积神经网络的图像超分辨率方法，该方法能够在小训练样本数量的情况下对车牌图像进行超分辨率，获得清晰的车牌信息。.（2）研究刑侦图像阶梯型边缘的先验信息，提出能对图像阶梯型边缘进行有效清晰化的正则化模型，避免人工痕迹对刑侦结果的影响。提出对图像超分辨率结果去锯齿状人工痕迹的算法。该算法在不借助GPU或外部数据的情况下，进行任何放大倍数的放大，能够获得与最近发表的神经网络方法视觉效果相似的阶跃型边缘。.（3）研究刑侦低分辨率图像的特点，提出适合刑侦低分辨率图像去模糊和去噪的算法。提出了基于粒子群优化的参数搜索算法，并定义了两种粗糙熵（倒数粗糙熵和自适应Kaniadakis粗糙熵）来度量图像的粗糙度。.该项目的研究成果不仅仅可以应用于刑侦，还可以推广到国防领域（包括远小目标的自动识别及锁定、遥感图像超分辨率、水下图像清晰化等方面），还可以应用于医疗诊断等方面。