极限学习机与聚类回归在图像超分辨率重建中的应用

"本文深入探讨了基于聚类回归的图像超分辨率重建技术，旨在从低分辨率图像恢复高分辨率图像，恢复因降质过程丢失的细节。文章涵盖了多种图像超分辨率重建算法，包括基于插值、基于重建、基于学习以及基于边界先验的方法。重点在于基于学习的超分辨率重建，尤其是提出了多极限学习机回归融合策略。" 在基于学习的超分辨率重建领域，本文提出了一个创新算法，该算法首先利用K均值聚类将具有相似结构的插值训练低分辨率图像块归类，然后运用极限学习机来训练每个聚类内的低分辨率与高分辨率图像对，构建对应的梯度和高频回归器。在预测阶段，根据样本与聚类中心的距离，采用多极限学习机回归融合策略来估计更精确的梯度和高频信息，同时考虑了图像块的各向同性。最终，这些估计的梯度和高频被用作联合先验来重建高分辨率图像。实验结果显示，这种方法在梯度和高频估计的准确性上优于其他算法，且重建结果具有竞争力。 面对输入图像可能存在的压缩痕迹和噪声问题，本文也提出了相应的处理方法。对于压缩痕迹，研究了一个有损压缩图像超分辨率重建算法框架，通过样本聚类和非线性回归预先去除压缩影响，再与超分辨率重建步骤相结合。对于图像噪声，研究了一种基于多通道联合估计的非局部均值彩色图像去噪算法，包括两步：彩色通道联合去噪和彩色通道融合去噪。这种去噪算法在主观和客观评估上都表现优越，能有效提升噪声彩色图像的超分辨率重建质量。 本文不仅深入研究了基于聚类回归的图像超分辨率重建技术，还解决了与之相关的压缩痕迹去除和彩色图像去噪问题，为提高图像恢复质量提供了全面的解决方案。关键词包括：超分辨率重建、梯度估计、高频估计、极限学习机、压缩痕迹去除和彩色图像去噪。