基于Markov随机场的图像超分辨率算法研究
图像超分辨率（Super-Resolution）即是指由一幅低分辨率（Low-Resolution）图像或者是低分辨率的图像序列恢复出高分辨率图像的技术。其在不改变图像获取装置，即不改变硬件条件的前提下，对消除加性噪声、光学器材产生的模糊、提高分辨率有着重要的作用，现在正是数字图像处理领域炙手可热的部分。
在目前，图像超分辨率算法的研究主要可分为三类：基于插值的图像超分辨率算法，基于重建的图像超分辨率算法和基于学习的图像超分辨率算法。
基于插值的方法有通用插值方法、小波域的双线性插值、基于光滑性约束的Delaunay三角化插值算法等。这类算法相对简单，适合并行，但无法引入额外高频信息，很难得到锐化效果，同时对采样要求比较理想。基于重建的方法有凸集投影法（POCS）、迭代反投影（IBP）算法、最大后验概率方法等。这类方法普遍有计算量很大、收敛速度缓慢的缺点。而基于学习的超分辨率算法正是近年的研究热点。
在对图像超分辨率算法进行一定的学习研究后，在保证算法效果的前提下，使用Markov随机场对图像空间关系建模，把图像用网格分成小块，成为补丁。通过例子学习，得出高分辨率补丁间的转移概率矩阵和高分辨率补丁及低分辨率补丁间的转移概率矩阵。对于给定的测试图像，在把它分解成补丁后，利用kd树算法检索出碎片在Markov网络中的位置，获得其与高分辨率补丁的关系，并将高频信息加入，最后使用基于可信传播的立体匹配（BP）算法以配准。模拟实验结果证明了本文所述算法具备收敛快，时间复杂度低等特性，具备广泛的适用性。
[主题词 ] 超分辨率；马尔科夫随机场；kd树算法；基于置信传播的立体匹配（BP）算法
*若需了解更多与协助请咨询↓→[电脑QQ][手机QQ]【数据协助】
