面向多视觉特征学习的快速超分辨重建技术研究

Example learning has been recognized as an effective way to improve the resolution of the input image. However, due to complex structure, low matching precision and high computational complexity, many of the existing learning-based super-resolution (SR) methods are difficult to be applied in many practical applications. As a result, the key to successful applications of SR technique is to develop a fast, effective and stable image SR algorithm. This project is going to make research on developing a fast SR algorithm for multiple visual feature learning. First, a multiple visual feature learning model is proposed to obtain a feature space that effectively represents the structural information of low-resolution (LR) images. By simultaneously learning feature coefficients and reconstruction weights, the SR reconstruction result is improved. Second, a feature subspace projection method is proposed to construct multiple locally linear mapping relation models. It is effective to improve time-efficiency of the learning-based SR algorithms. Third, a novel SR algorithm based on geometric structure regularization is proposed to enhance the SR reconstruction quality, which assembles global edge, local structure and nonlocal self-similarity information as a unified regularization term. This term is integrated into the global reconstruction model for SR optimization. This study will provide an effective solution for the promotion and application of the super-resolution reconstruction technique.

实例学习是一种有效提高图像分辨率的超分辨重建技术。然而，现有很多基于学习的超分辨重建算法由于模型结构复杂、匹配精度低和计算复杂度高，很难在实际中推广并应用。因此，研究快速、有效、稳定的图像超分辨重建算法，是该技术成功推广的关键。本课题拟研究面向多视觉特征学习的快速超分辨重建技术。首先，设计一种多视觉特征学习模型，获取有效表征低分辨图像结构的特征空间，同时学习特征表示系数和近邻重构权值，获取较好的超分辨重建效果；在此基础上，提出一种特征子空间投影方法，构造多个局部线性映射关系模型，有效提高实例学习超分辨重建算法的时间效率；最后，为增强超分辨图像的质量，设计一种几何结构正则化模型，将全局边缘信息、局部结构信息和非局部自相似冗余信息融合成一个统一的正则项，嵌入到全局重构模型中优化求解。通过本课题的研究，为促进超分辨重建技术的推广应用提供有效的解决途径。

本项目以低质量图像的超分辨重建问题为研究对象，对图像中的多个视觉特征进行有效学习，结合基于学习和基于重构的方法的互补性优势，研究快速且有效的超分辨重建算法，提高重构模型的泛化能力，为超分辨重建这一问题提供更有效的解决方案。. 本课题研究面向多视觉特征学习的快速超分辨重建技术。首先，设计一种多视觉特征学习模型，获取有效表征低分辨图像结构的特征空间，同时学习特征表示系数和近邻重构权值，获取较好的超分辨重建效果；在此基础上，提出一种特征子空间投影方法，构造多个局部线性映射关系模型，有效提高实例学习超分辨重建算法的时间效率；最后，为增强超分辨图像的质量，设计一种几何结构正则化模型，将全局边缘信息、局部结构信息和非局部自相似冗余信息融合成一个统一的正则项，嵌入到全局重构模型中优化求解。通过本课题的研究，取得了一系列创新性研究成果。. 图像超分辨率重建方面，提出基于域迁移学习的高光谱图像超分辨率重建算法，有效提高高光谱图像各谱段的空间分辨率，获得较好的超分辨率重建质量。图像分类方面，提出了基于两层级联子空间投影的高光谱图像分类算法，相比于传统的图像分类方法，获得较高的图像分类精度；提出了基于局部加权判别分析的高光谱图像分类算法，融合图像中的局部和全局特征信息，进一步提高高光谱图像的分类精度；提出了用于图像分类的改进型的残差关注网络方法，一定程度上降低分类误差。图像目标识别方面，提出了基于生物激励的特征提取方法，利用鲁棒的SIFT特征，来提取颜色通道中的空色描述子，以期模拟人类视觉系统，比现有传统的特征方法有着姣好的视觉效果。. 培养硕士研究生3名，合作培养博士研究生2名；发表与课题相关并标注本基金资助的学术论文共5篇，其中SCI检索论文4篇，EI检索论文1篇，登记软件著作权1项，获“香江学者奖”1项。.