摘要：为解决样本学习超分辨率算法的图像样本误匹配和边缘平滑问题,提出一种基于神经网络的非线性多类预测器学习算法,设计神经网络多类预测器,采用小生境基因表达式编程方法优化反向传播神经网络。通过学习样本集对预测器进行训练,学得学习样本中的先验知识,根据从低分辨率图像块提取的特征矢量预测图像高频信息,完成图像超分辨率复原。实验结果表明,相比样本预分类学习的几种算法,该算法的PSNR和SSIM值均有了一定提升,主观上复原结果具有更丰富的细节。

摘要：针对人脸图像超分辨率复原问题,提出了一种新的基于自样本学习的超分辨率复原算法。该算法从输入图像本身提取训练样本库,并采用矢量量化的方法对训练样本进行分类。再利用并行设计的多类预测器对每类样本进行学习训练,指导高频信息的估计重建。对来自输入图像本身的自样本训练集合和来自特定训练图像库的特定训练样本集合进行了对比研究。实验结果表明提出算法在图像重建质量和实现速度上都有很好的表现。