针对传统超分辨率重建方法稀疏表示依赖大训练样本字典的局限性问题,基于 L 2范数的弱稀疏性特点,提出一种改进的单幅图像自学习超分辨率重建方法。通过自学习建立非金字塔阶梯式训练图像集,采用自定义的方法分别提取训练集中低分辨率...针对传统超分辨率重建方法稀疏表示依赖大训练样本字典的局限性问题,基于 L 2范数的弱稀疏性特点,提出一种改进的单幅图像自学习超分辨率重建方法。通过自学习建立非金字塔阶梯式训练图像集,采用自定义的方法分别提取训练集中低分辨率和相应高分辨率图像特征块及特征像素值;结合 L 2范数的协作表示(collaborative representation,CR)理论和支持向量回归(support vector regression,SVR)技术学习多层超分辨率映射模型。实验结果表明,提出的超分辨率方法不仅可行有效,而且与传统的单幅图像的超分辨率方法比较,其PSNR平均提高了0.06~3.92 dB,SSIM平均提高了0.002 4~0.034 8,从客观数值和主观视觉证明了所提方法的优秀性。展开更多
