基于稀疏表示与字典训练的含噪图像超分辨重建方法的中期报告.docx

基于稀疏表示与字典训练的含噪图像超分辨重建方法的中期报告
一、引言：
超分辨率图像重建是计算机视觉领域中的一个重要问题，它旨在将低分辨率图像恢复为对应的高分辨率图像。这个问题在很多实际应用场景中都具有重要意义，如监控视频中的人脸识别、医学影像领域中的病例分析等。目前，人们在解决超分辨率图像重建问题时，主要使用基于插值法的算法和深度学习算法，这些算法都各自具有优缺点。基于插值法的算法简单易懂，但是在较为复杂的场景下，重建效果可能会受到很大的影响。深度学习算法可以对非线性和高维度特征进行学习，但是模型训练的时间和计算复杂度较高，并且难以处理含有大量噪声的图像。
在本次研究中，我们尝试采用基于稀疏表示与字典训练的方法来解决含噪声图像的超分辨率重建问题。该方法的基本思路是，将低分辨率图像表示成高分辨率图像上的稀疏线性组合，进而通过求解一定的优化问题，得到高分辨率图像的重建结果。由于该方法考虑了低分辨率图像和高分辨率图像之前的关联性，并利用了字典训练的结果作为特征表示的基础，因此具有较好的稳定性和鲁棒性。
二、实验方法：
我们采用了2014年一篇名为“Efficientandaccuratesparsecodingofimagesuper-resolution”的文章中提出的算法。该算法主要包括两个步骤：字典训练和重建。具体而言，字典训练的目的是得到低分辨率图像与高分辨率图像之间的映射关系，这个过程主要可以分为以下几个部分：
（1）选择图像数据集，并将低分辨率图像和高分辨率图像对应起来。
（2）从低分辨率图像和高分辨率图像对应的部分中，随机选取若干个小图像块，并将它们划分成重叠的块。
（3）对于每一个块，计算出其在低分辨率图像和高分辨率图像的对应块，从而得到一个小图像块对。
（4）将所有的小图像块对拼接成一个矩阵，并对矩阵进行奇异值分解，得到低分辨率图像和高分辨率图像之间的字典。
字典训练完成之后，我们可以开始进行重建。其具体步骤如下：
（1）将低分辨率图像划分成重叠的块，并利用字典对块进行重建。
（2）将得到的所有块拼接在一起，得到重建的高分辨率图像。
三、目前进展：
目前，我们已经完成了整个算法的编写，并在几张具有挑战性的含噪声低分辨率图像上进行了测试。初步的实验结果表明，该算法可以取得较好的重建效果，并且对于不同噪声下的低分辨率图像均具有一定的鲁棒性。
接下来，我们将会进一步完善算法的实现，并进行一系列的实验，验证其在不同数据集和不同场景下的性能表现。同时，我们还将探究如何提高该算法的实时性，以便将其应用到实际场景中。