基于非线性学习的图象超分辨率研究

图象超分辨率指利用一幅或者多幅低分辨率图像，通过相应的算法来获得一幅清晰的高分辨率图象。图象超分辨率在视频监控、生物认证、遥感和医学图象、高清电视方面等有着重要的应用价值。超分辨率重建这一反问题的求解，需要尽可能多地引入有关解图象的先验信息。本研究旨在利用非线性学习这一正在发展的工具，挖掘高低分辨率图象之间隐含的非线性结构，获取表示图象超分辨率所需的先验知识，并探讨结合新的知识表示进行重建的途径。本课题的研究内容主要有三点：1）基于非线性学习的图象细节纹理特征表示；2）基于非线性学习的特定物体图象在时空约束下整体表观的低维表达；3）基于非线性约束和概率图模型的图象超分辨率重建算法。