学海网

基于混合专家模型的快速图像超分辨率方法研究与实现，硕士学位论文，说明书共79页，37372字，附答辩文稿等。
摘 要
图像超分辨率(Image Super-resolution, SR)是对输入的低分辨率的图像或图像序列，通过软件方法，输出高质量高分辨率图像，从而使得图像的细节更加完整，视觉效果更好。有效的软件图像超分辨率算法能缓解硬件采像的限制，广泛应用于在医疗图像、移动设备、航天成像、监控等领域。另外，SR算法作为图像预处理的环节，对于人脸识别、视觉追踪、图像压缩、图像配准、特征提取等任务有着重要的研究和应用价值。
对于单帧图像超分辨率问题(Single Image Super-resolution, SISR)，单一统计学或机器学习方法计算消耗大、视觉效果差；近几年提出的多模型融合算法将输入的大规模训练集混分为许多独立子区域，在每个子区域中学习一个简单模型，降低了模型训练消耗。然而，该类算法中训练集划分和子模型学习两个阶段分离开来，虽然对于确定的划分，子模型学习在理论上可达到局部最优，但两阶段作为一个整体并不能全局优化。这种情况下，若子模型数量少，会导致学习错误率较高，若子模型数量较多，虽然一定程度上缓解了模型整体的错误率，但会严重降低模型的测试性能。
为了解决这个问题，本课题提出了一种基于混合专家模型(Mixture of Experts Model, MoE)的方法联合学习划分阶段和子模型学习阶段，保持较低的错误率的同时降低子模型的数量。本课题中的MoE模型采用单层子模型的结构，主要有两个部分，一个Gating门函数以及多个回归子模型，分别负责划分阶段和子模型学习阶段，并给出了模型概率解释，针对500万对图像块训练集用期望最大化算法迭代学习参数最优解。最后本课题完成了三个领域常用测试集的不同速率需求、多放大倍数的超分辨率实验，经过与当前领先算法定性、定量的分析对比，本课题方法能够得到更锐利的边缘，能够保持低分辨率图像丰富的结构纹理特征，而且引入人工痕迹较少。另外，本课题用C++语言基于QT和OpenCV开源库实现了该算法原型系统，主要分为用户控制模块、超分辨算法模块、图像基本处理模块，该系统提供了针对低分辨率图片的多种需求的超分辨率功能，能够快速有效的实现图像超分辨任务，另外本系统还提供了图像对比、细节展示等功能。
关键词：图像超分辨；子模型学习；混合专家模型；联合学习；期望最大化

目 录
摘 要 I
ABSTRACT II
第1章 绪论 1
1.1 课题背景与研究意义 1
1.2 国内外研究现状 2
1.3 图像超分辨率基础理论 4
1.3.1 图像超分辨率问题模型 4
1.3.2 图像质量评价标准 5
1.4 本文主要研究内容 6
1.5 课题来源和本文结构安排 7
第2章 基于字典的单帧图像超分辨率算法 8
2.1 单帧图像超分辨问题概述 8
2.2 惰性近邻嵌入算法 10
2.3 基于稀疏表示的学习算法 11
2.4 基于带锚点的子模型学习算法 12
2.4.1 算法描述 12
2.4.2 锚点学习 14
2.4.3 子模型学习 15
2.5 本章小结 17
第3章 基于混合专家模型的图像超分辨算法 18
3.1 设计思想 18
3.2 混合专家模型 21
3.2.1 混合专家模型概述 21
3.2.2 基于EM算法的求解 24
3.3 多回归模型联合学习的图像超分辨算法 26
3.3.1 混合专家模型设计 27
3.3.2 概率推导 28
3.3.3 模型训练 30
3.3.4 参数选择说明 31
3.4 模型测试 33
3.4.1 特征提取 33
3.4.2 测试算法 34
3.4.3 测试图像集与质量评价 35
3.4.4 参数设置及对比算法 35
3.4.5 算法结果 36
3.5 本章小结 46
第4章 快速图像超分辨率算法原型系统 47
4.1 系统需求分析 47
4.1.1 系统总体需求分析 48
4.1.2 系统功能需求分析 49
4.2 系统设计 49
4.2.1 系统总体设计 49
4.2.2 系统详细设计 50
4.3 系统开发环境与实现 51
4.3.1 系统开发环境 51
4.3.2 系统实现 51
4.4 系统测试 52
4.4.1 基本功能测试 52
4.4.2 输入参数测试 54
4.4.3 实际应用测试 55
4.5 本章小结 56
结 论 57
参考文献 58
攻读硕士学位期间发表的论文及其它成果 65
哈尔滨工业大学学位论文原创性声明及使用权限 66
致 谢 67