合肥工业大学 计算机与信息学院，合肥 230009
图像超分辨率重建技术在提升图像质量，改善图像视觉效果等方面有着重要意义。为了充分利用图像自身蕴含的信息，本文提出一种基于自相似性和稀疏表示的单幅图像超分辨率重建算法。针对图像中存在的相同尺度和不同尺度的相似结构，算法联合稀疏K-SVD 字典学习方法和非局部均值方法将蕴含在其中的有效信息以正则项的形式加入到最大后验概率估计框架中，然后，采用梯度下降法求解算法构建的目标函数，重建出高分辨率图像。实验表明，与经典的算法相比，本文算法在视觉效果和评价指标上都有一定的提高。
超分辨率 自相似性 稀疏表示 稀疏K-SVD 非局部均值 super-resolution self-similarity sparse representation sparse K-SVD non-local means
1 电子科技大学 a. 地表空间信息技术研究所
2 桂林空军学院 科研部, 广西 桂林 541003
3 电子科技大学 b. 电子工程学院, 成都 611731
本文提出一种基于稀疏字典编码的超分辨率方法。该方法有效地建立高、低分辨率图像高频块间的稀疏关联，并将这种关联作为先验知识来指导基于稀疏字典的超分辨率重建。较超完备字典，稀疏字典对先验知识的表达更紧凑、更高效。字典训练过程中，本文选用高频信息作为高分辨率图像的特征，更有效地建立高、低分辨率图像块间的稀疏关联，所需的训练样本更少。优化方法采用稀疏K-SVD 算法以提高稀疏字典编码的计算效率。采用自然图像进行实验，与其它基于学习的超分辨率算法相比，重建图像的质量更优。
超分辨率 基于学习 稀疏编码 稀疏字典 稀疏K-SVD super-resolution learning-based sparse coding sparse dictionary sparse K-SVD
