模糊可变的视频序列超分辨率重建技术的研究

本项目首先对造成图像模糊的因素进行分析，改变传统的超分辨率图像重建算法对模糊的假设，重点研究空间可变的运动模糊,通过深入分析造成模糊空间可变的因素，建立空间可变模糊与景深间的联系。对信道间的各种关联进行深入的研究，充分利用各信道之间的相关性，引入信道互质性假设，建立描述这一性质的模型，有助于改善高分辨率图像重建的结果。从噪声的统计模型和图像的几何结构进行入手，针对经典模型刻画噪声存在的不足，通过对噪声的研究，提出能更准确反映噪声分布的模型；对图像的几何结构进行分析，建立新的扩散模型，可使重建的图像能更符合人类视觉特点。基于上述的模型，建立图像重建的能量表征函数，解决高分辨率图像重建问题。由于能量泛涵的非线性，本项目还将讨论局部线性迭代逼近的方法优化问题，提高算法性能，并最终将本项目提出的超分辨率图像重建技术应用于工程实际。

该项目提出了一种基于Keren配准和插值的快速鲁棒超分辨率图像重建算法。该算法将配准后的低分辨率图像根据变换参数映射到高分辨率网格上，再利用模板卷积迭代地填充缺失像素值，从而重建一幅高分辨率图像。该算法对一定精度范围内的配准误差不敏感，在速度和重建效果上具有一定的优势。针对基于流形学习的超分辨率重建，提出新的特征提取方法，联合归一化亮度与平稳小波变换细节子带系数两个特征矢量,提高重建性能；然后将学习得到的高分辨率图像作为初始估计，将其梯度作为目标梯度域,进行基于梯度约束的正则化重建,得到最终的高分辨率图像。针对基于近邻嵌入的图像超分辨率重建，提出带约束的逐级放大策略来提高近邻保持率，改进重建效果，并对各级放大的图像用迭代反向投影约束进行修正，减少学习过程中可能出现的误差，保证每一级的解向着正确的方向演化。为充分利用测试图像本身的信息，将由测试图像得到的在线训练集与由训练图像数据库得到的离线训练集串联，构成联合训练集。. 在图像复原方面，提出了基于变量分离和加权最小二乘法、基于稀疏正则优化、基于组合字典和约束优化的图像复原算法。. 我们提出了基于三次谱聚类的聚类集成框架(SC3)和基于两次谱聚类的聚类集成框架，基于专家知识的聚类集成算法，基于概率子空间的聚类集成框架，将其应用在癌症数据上，用于诊断治疗。. 此外，我们在图像内容认证、机器学习与分类、图像检索等方面进行了探讨，取得了一定成果。