文献类型：期刊文章

作　　者：罗爽[1] 黄辉[2] 张凯兵[1]

Luo Shuang;Huang Hui;Zhang Kaibing(School of Electronics and Information,Xi’an Polytechnic University,Xi’an,Shaanxi 710048,China;School of Vocational and Technical Education,Guangxi Science&Technology Normal University,Laibin,Guangxi 546199,China)

机构地区：[1]西安工程大学电子信息学院,陕西西安710048 [2]广西科技师范学院职业技术教育学院,广西来宾546199

出　　处：《激光与光电子学进展》

基　　金：国家自然科学基金(61971339,61471161);陕西省自然科学基础研究计划重点项目(2018JZ6002);西安工程大学博士启动基金(BS1616);西安工程大学研究生创新基金(chx2020015)。

年　　份：2022

卷　　号：59

期　　号：8

起止页码：205-217

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：实例学习是一种有效的单帧图像超分辨率重建技术,关键在于如何建立低分辨率与高分辨率图像之间的映射关系。许多研究表明,当面对复杂多样的自然图像时,类型单一的回归模型难以重建出理想的高分辨率图像。为此,以A+算法为基础,提出一种基于Boosting集成学习的超分辨率算法,通过不断增强回归模型的互补性,超分辨率重建模型能较好地适用于不同内容的图像。该算法首先利用Boosting思想训练多组具有互补性的子回归器;然后对各组子回归器进行组合,生成泛化能力更强、重建性能更好的集成模型;最后利用级联残差回归策略,采用由粗到精的方式逐渐合成高分辨率图像,以进一步提高超分辨率重建图像的质量。在5个标准数据集上对所提方法和4种基于实例学习的主流超分辨率方法进行了比较,结果表明,所提超分辨率重建方法能够重建出图像边缘更加清晰和纹理细节更加丰富的高质量图像。

关 键 词：图像处理  图像超分辨率重建 A+算法  Boosting集成学习  级联残差回归  

分 类 号：TN911.73]