文章:Adaptive Local Nonparametric Regression for Fast Single Image Super‐Resolution Dec. 2015
一、研究目的
- ALNR算法旨在通过其降级的低分辨率(LR)测量结果生成高质量高分辨率(HR)图像,同时算法复杂度要尽量降低。
二、实验内容
- ALNR算法简述:利用字典学习和非参数回归的方法,学习低分辨率特征映射到其对应高分辨率特征的投影矩阵来快速实现图像SR。
- 实验可分为训练阶段和重建阶段:
2.1训练阶段
- 输入:含一一对应的 LR 图像和HR 图像的训练集。
- 输出:回归投影矩阵Mk和所有字典原子对应的投影矩阵组成的集合Fk。
- 训练步骤简述:
(1)对训练集图像进行插值、PCA降维操作得到训练集的整个特征空间I={yiLs,yiHs }。
(2)通过计算LR特征字典中的每个原子dk与所有的LR特征yiLs的相关性,再经过归类、回归等操作得到回归投影矩阵Mk和所有字典原子对应的投影矩阵组成的集合Fk。
2.2 重构阶段
- 输入:一幅LR测试图像Y。
- 输出:重建的HR图像X。
- 重构步骤简述:
(1)利用投影矩阵集合Fk得到HR图像块。
(2)对HR图像块进行整合得到重建的HR图像X。
3.3 实验结果
- ALNR算法图像SR质量很好,有更清晰的边缘和更好的细节。
- 时间复杂度是出色的,相比于其他算法要小很多。
三、个人总结
- 因为只有600字的篇幅大小,我主要从输入、输出和操作步骤方面对实验内容进行简要描述。
- 我觉得此算法的创新点是结合机器学习和非参数回归的方法得到投影矩阵集合Fk来快速实现图像SR。直接利用LR图片特征和HR图像特征之间的关系非参数回归得到一种新的映射模型,避免了重建过程中稀疏编码的求解,同时将字典原子和LR特征之间的相关性作为测量依据,将整个数据集划分为多个子空间,然后在每一类子空间上独立地学习高低分辨率图像之间的映射关系。在提高图像重建速度的同时力争改善图像的重建质量,实验结果表明ALNR算法重建的图像细节更加清晰,效果更好。
- 另外,我认为SR问题是一个非常有趣且研究意义深远的问题,在医学成像、安全监控、遥感卫星等领域起着重要的作用。通过此次的学习,我觉得我经历了从绝望到开心的过程体验,学习到了字典学习、锚定邻域回归算法、双线性或三线性差值算法的相关基础知识。