K均值聚类和支持向量数据描述的图像超分辨率算法

摘要：

目的 为了提高图像超分辨率算法对数据奇异点的鲁棒性,提出一种采用K均值聚类和支持向量数据描述的图像超分辨率重建算法(Kmeans-SVDD).方法 训练过程:首先用K均值聚类算法将训练图像的近似子带划分为若干类,然后用支持向量数据描述去除每类数据的奇异点,最后在小波域内用主成分分析训练近似子带和细节子带字典.测试过程:根据同一场景高低分辨率图像近似子带相似这一现象,首先将待重建低分辨率测试图像的近似子带作为相应高分辨率测试图像的近似子带,然后由训练得到的字典恢复出高分辨率测试图像的细节子带,最后通过逆小波变换得到高分辨率测试图像.结果 相比于当前双三次插值、Zeyde、ANR与Kmeans-PCA算法,Kmeans-SVDD算法重建的高分辨率测试图像的平均峰值信噪比依次提高了1.82 dB、0.37 dB、0.30 dB、0.15 dB.结论 通过大量实验发现,在字典训练之前加入SVDD过程可以去除离群点,提高字典质量.在小波域中将各频带分开重建,可避免低频图像中包含的不可靠高频信息对超分辨率结果的影响,从而恢复出可靠的高频信息.

关键词：字典学习、稀疏表示、K均值聚类、支持向量数据描述、超分辨率重建

所属期刊栏目：21

分类号：TN911.73

资助基金：国家自然科学基金项目61340040 National Natural Science Foundation of China 61340040

在线出版日期：2016-03-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：135-144