摘要：如何设计高效的图像稀疏表示模型及其分解算法是稀疏表示领域的研究热点.文中首先构建了图像的结构自适应多成分稀疏表示模型,该模型采用相对阈值标准对图像进行结构自适应的四叉树区域剖分,并将其分类为平滑、边缘和纹理结构的同性区域,构建与其结构形态相一致的多成分字典进行表示.进一步提出了一种结构自适应的子空间匹配追踪图像稀疏分解算法,将每一区域只在与其结构类型相一致的单一结构类型子成分字典中进行低维子空间搜索,降低了图像维数与字典搜索复杂度,提高了稀疏分解效率.实验结果验证了文中算法的有效性.

摘要：针对单幅低分辨率灰度图像,提出一种基于稀疏表示和多成分字典学习的超分辨率重建算法。对于输入的低分辨率图像,通过训练两个字典,并根据每一个图像块在高分辨率字典上的稀疏表示产生高分辨率图像输出。为了提高重建图像的质量,对稀疏字典设计方法进行改进,采用K-SVD方法对图像进行MCA分层,提取出图像中的Texture和Cartoon部分,用于字典的学习和超分辨率的重建。仿真实验结果表明,改进的算法在图像信噪比上有所提高。