基于隐藏主题概率模型的图像结构感知SISR重建方法
基于图像结构模型的压缩感知图像重构方法
基于图像结构模型的压缩感知图像重构方法随着数字图像在各个领域的广泛应用，如视频监控、医学影像以及移动通信等，对图像传输和存储的要求也越来越高。
然而，由于图像数据量庞大，传输和存储的成本也随之增加。
为了解决这一问题，压缩感知（Compressed Sensing，CS）技术被提出并逐渐得到应用。
压缩感知技术的基本思想是在图像采集中对图像进行压缩，即不直接采集完整的图像数据，而是对其进行稀疏采样，然后通过稀疏的采样数据来重构完整的图像。
而图像结构模型就是其中一种常用的重构方法之一。
图像结构模型是一种基于图像自身的特性进行建模和重构的方法。
它利用图像的边缘、纹理和结构等特征来提取图像信息，从而实现更加准确和高质量的图像重构。
下面将介绍基于图像结构模型的压缩感知图像重构方法的具体步骤和原理。
一、图像结构模型的建立在压缩感知图像重构过程中，首先需要建立图像结构模型。
这个步骤涉及到对图像的稀疏表示，常用的方法有小波变换、稀疏表示字典以及图像分割等。
小波变换是一种常用的图像分析和压缩方法，通过将图像进行小波变换来提取图像的频域信息，进而实现图像的稀疏表示。
稀疏表示字典则是通过提前建立一个字典，将图像的局部结构进行编码，从而实现图像的稀疏表示。
图像分割是将图像划分为若干个小块，每个小块可以看做是具有相似结构的局部区域，从而实现图像的稀疏表示。
二、图像重构算法建立好图像结构模型后，下一步就是利用稀疏采样数据对图像进行重构。
常用的图像重构算法有基于最小二乘法的估计（Least Squares，LS）、基于迭代阈值法的估计（Iterative Shrinkage-Thresholding Algorithm，ISTA）以及基于广义估计最小二乘法的估计（Generalized Estimation of Signal and Noise，GESPAR）等。
LS方法是一种常见的图像重构算法，它通过将图像重构问题转换成一个最小二乘问题，通过最小化重构图像与原始图像之间的欧式距离来进行重构。
一种基于Transformer结构的压缩光谱图像重建方法
第44卷第6期航天返回与遥感2023年12月SPACECRAFT RECOVERY & REMOTE SENSING93一种基于Transformer结构的压缩光谱图像重建方法李娇娇梁欣怡宋锐李云松（西安电子科技大学，西安710071）摘要编码孔径快照光谱成像系统（Coded Aperture Snapshot Spectral Imaging，CASSI）与传统高光谱成像方式相比，具有采集时间短、成本功耗低等优点，因此研究基于CASSI系统获取的压缩图像重建技术在一定程度上有利于解决高光谱图像获取困难的问题。
基于此设想，文章深入研究基于光谱维度感知的多头自注意力光谱重建模型，不同于以往在空间维计算全局相关性，该方法沿光谱维计算自注意力；此外，将CASSI系统中物理掩模的潜在引导性引入自注意力计算。
在此基础上，文章研究发现上述原始网络对于捕获空间维信息具有局限性，提出加入空间维信息提取、空间维与光谱维之间的信息交互模块以及频域约束，整合为基于光谱和空间信息混合先验的压缩光谱图像重建网络（Mix Spectral-Spatial Prior Information for Efficient Hyperspectral Image Reconstruction，MixT）。
实验结果表明：1）空间维信息、维度交互模块和频域约束的加入能提升图像重建性能；2）MixT方法在测试数据集上的峰值信噪比（Peak Signal to Noise Ratio，PSNR）为35.50，结构相似性（Structure Similarity Index Measure，SSIM）为0.948，均高于五种现有相关算法。
关键词高光谱图像编码孔径快照光谱成像系统光谱重建计算光谱成像遥感应用中图分类号: V445文献标志码: A 文章编号: 1009-8518(2023)06-0093-16DOI: 10.3969/j.issn.1009-8518.2023.06.009Compressive Spectral Image Reconstruction Method Based onTransformer StructureLI Jiaojiao LIANG Xinyi SONG Rui LI Yunsong（Xidian University, Xi'an 710071, China）Abstract Compared with traditional hyperspectral imaging methods, coded aperture snapshot spectral imaging (CASSI) has the advantages of quick acquisition, low cost and power consumption, so the study of compressive image reconstruction technology based on CASSI system is beneficial to solve the difficulty in obtaining hyperspectral images to a certain extent. Based on this assumption, this paper deeply analyzes a multi-head self-attention spectral reconstruction model based on spectral dimension perception, which is different from the previous calculation of global correlation of spatial dimensions, this method calculates收稿日期：2023-06-28基金项目：地理信息工程国家重点实验室开放基金（SKLGIE2020-M-3-1）引用格式：李娇娇, 梁欣怡, 宋锐, 等. 一种基于Transformer结构的压缩光谱图像重建方法[J]. 航天返回与遥感, 2023, 44(6): 93-108.LI Jiaojiao, LIANG Xinyi, SONG Rui, et al. Compressive Spectral Image Reconstruction Method Based on Transformer Structure[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(6): 93-108. (in Chinese)94航天返回与遥感2023年第44卷self-attention along the spectral dimension. In addition, the potential guiding function of physical masks in CASSI systems is introduced into attention computing. On this basis, it is found that the above primitive network has limitations in capturing spatial dimensional information, so it is proposed to add spatial dimension information extraction, spatial-spectral dimension information interaction module and frequency domain loss to form the MixT network that blends spectral and spatial information a priori. The experimental results show that: 1) the addition of spatial dimension information, dimensional interaction module and frequency domain loss can improve the image reconstruction performance; 2) compared with five state-of-the-art models, the MixT method achieve best reconstruction performance.Keywords hyperspectral image; CASSI system; spectral reconstruction; computing spectral imaging; space remote sensing0 引言高光谱遥感作为一种综合性的遥感技术手段，其获取的高光谱图像波段范围涵盖从可见光到红外甚至热红外的范围。
基于压缩感知的一种改进射电图像重建算法
基于压缩感知的一种改进射电图像重建算法射电天文学是研究宇宙微波和射电辐射的学科，其研究内容涉及天体物理学、星系演化、宇宙学等领域。
而射电图像重建算法是射电天文中非常重要的工具，用于将接收到的数据转化为可视化的图像以便后续分析。
目前，射电图像重建算法存在诸多挑战，如运算速度缓慢、图像质量低下等。
为此，研究者们提出了一种基于压缩感知的射电图像重建算法。
此算法可以有效提高运算速度，同时保证图像质量，在射电天文中具有重要的应用价值。
该算法的核心思想是利用压缩感知的理论，通过压缩图像数据来实现图像重建。
首先，将射电望远镜接收到的数据进行采样，并将采样后的数据进行压缩。
接着，利用压缩数据进行图像重建，并对图像进行优化处理。
具体而言，该算法分为三个主要步骤：采样、压缩和重建。
在采样过程中，选取适当的采样方式和参数，将射电天文数据转化为数字信号。
接着，在压缩过程中，对高维数据进行降维压缩，将大量数据压缩为较小的数据集，以减少数据存储、传输和处理的时间和成本。
最后，在重建过程中，利用压缩感知算法对压缩后的数据进行重建，得到高质量的图像结果。
为了验证改进算法的有效性，在实验中，研究者们使用了天琴一号卫星上的低频探测仪接收一维射电数据，并模拟成图像数据。
使用改进算法和传统基于广义线性模型的算法进行对比，实验结果表明，基于压缩感知的算法在运算速度和重建质量方面明显优于传统算法。
总体来说，基于压缩感知的射电图像重建算法具有压缩数据量小、图像重建质量高、计算速度快等优势。
该算法在射电天文学中具有广泛的应用前景，有望促进射电天文学的发展和深入研究。
基于稀疏表示的Data Matrix码图像修复算法
基于稀疏表示的Data Matrix码图像修复算法陈庆然;许义宝;李新华【期刊名称】《计算机技术与发展》【年(卷),期】2018(028)001【摘要】Sparse representation theory has become a hot topic in the field of image processing because of its simple modeling,high robust-ness and strong anti-jamming,which is applied in image restoration as a new research direction in image processing. In view of the blocked two-dimensional code image with no identification which often appear in the industrial scene,we propose an image restoration algorithm of block clustering based on sparse representation model. According to the effective information in the image to be repaired,the image is seg-mented by fixed overlapping pixels,and Euclidean distance is used to train and match image blocks. Taking the obtained image blocks with similar structure clustered into structural groups as the basic unit of image sparse representation,fast dictionary learning is carried out by using the estimation of each structure group. By using the separation iteration and the optimized gradient algorithm,the L1 norm-minimization of the group sparse representation model is solved,improving the robustness of restoration algorithm. The experiment shows that the proposed algorithm can repair the damaged Data Matrix code images such asocclusion,scratches or pixel loss,which greatly improves the recognitionrate of bar code.%稀疏表示理论凭借其建模简单、鲁棒性高与抗干扰能力强等优势成为研究热点,将稀疏理论应用于图像修复已成为图像处理领域新的研究方向.针对工业现场中常出现的被遮挡而不能识别的二维码图像,提出一种基于稀疏表示模型的块聚类图像修复算法.依据待修复图像内的有效信息,以固定重叠像素的方式将图像分块,分别对图像块使用欧几里得距离进行训练匹配,将得到的具有相似结构的图像块聚类为结构组作为图像稀疏表示的基本单位,利用每个结构组的估计来快速学习字典.通过使用分离迭代与优化梯度算法对组稀疏表示模型的L1范数最小化问题进行求解,提高了修复算法的鲁棒性.实验结果表明,该算法能够很好地修复被遮挡、划痕或像素丢失等受损的Data Matrix码图像,较大地提高了条码的识别率.【总页数】5页(P60-63,68)【作者】陈庆然;许义宝;李新华【作者单位】安徽大学计算智能与信号处理教育部重点实验室,安徽合肥 230601;安徽大学计算智能与信号处理教育部重点实验室,安徽合肥 230601;安徽大学计算智能与信号处理教育部重点实验室,安徽合肥 230601【正文语种】中文【中图分类】TP301【相关文献】1.DataMatrix码的嵌入式识别算法 [J], 王根源;吴祥坤;胡坤;宋占伟2.基于稀疏表示的图像修复算法研究 [J], 祝孔儒3.基于自适应相似组稀疏表示的图像修复算法 [J], 林金勇;邓德祥;颜佳;林晓英4.畸变Data Matrix码图像的倾斜校正算法研究 [J], 关博熠;董静薇;马晓峰;徐博5.基于Criminisi的结构组稀疏表示图像修复算法 [J], 王君; 唐贵进; 刘小花; 崔子冠因版权原因，仅展示原文概要，查看原文内容请购买。
基于凸优化的图像隐藏信息重构方法
基于凸优化的图像隐藏信息重构方法赵震震;杨晓飞;黄俊;刘书朋【摘要】Aiming at shortcomings of weak attack resistance of image information hiding least significant bits (LSB) algorithm,a reconstructing method which applies matrix reconstructing theory based on convex optimization to extracted hiding image is proposed.The method makes discrete cosine transform (DCT) on extracted hiding image,to make transformed data spare,singular value iteration algorithm is used to reconstruct data and hiding image is obtained through inverse operation,feasibility of the method is verified by experimental result.%针对图像信息隐藏最不重要位(LSB)算法抗攻击性弱的缺点,提出了一种将凸优化的矩阵重建理论运用于所提取的隐密图像中的重建方法.对所提取的隐密图像作离散余弦变换(DCT),使变换后的数据稀疏化,利用奇异值迭代算法重构数据,通过逆运算得到精度较高的隐秘图像,实验结果验证了方法的可行性.【期刊名称】《传感器与微系统》【年(卷),期】2017(036)004【总页数】3页(P54-56)【关键词】最不重要位;凸优化;矩阵重建;稀疏;离散余弦变换【作者】赵震震;杨晓飞;黄俊;刘书朋【作者单位】中国科学院上海高等研究院公共安全中心,上海201210;上海大学通信与信息工程学院,上海200444;中国科学院上海高等研究院公共安全中心,上海201210;中国科学院上海高等研究院公共安全中心,上海201210;上海大学通信与信息工程学院,上海200444【正文语种】中文【中图分类】TP391为了保证含有载体信息的图片信息能够在不可感知的情况下有效地传输[1～4]，研究在变换域中对信息隐藏和提取[5],通过置乱原始信息达到加密的目的。
基于压缩感知的声纳图像超分辨率重建算法
基于压缩感知的声纳图像超分辨率重建算法花歆悦;徐志京【摘要】In general ways of super-resolution reconstruction, the corresponding wavelet basis of the after-dissection image can only effectively sparsely represent a single component and usually focus on the edge components instead of the smooth components. An algorithm on super-resolution reconstruction of sonar image is proposed to solve this problem. This algorithm first establishes three sparse dictionaries based on three transforms. Then it uses a structuring dictionary training method based on K-average clustering algorithm and Newton -Raphson iterative algorithm method to realize the reconstruction. Finally, the simulation experiments demonstrated the feasibility and effectiveness of this algorithm. The experiment results show that this algorithm can reconstruct and obtain the features of the original image and get great results, and effectively improve the quality of the reconstruction.%超分辨率重建通用方法中，图像分解后对应小波基只能有效稀疏表示单一成分，往往只侧重边缘成分而忽略了光滑成分等。
一种基于稀疏表示的图像修复算法研究本科毕业论文
本科生毕业论文一种基于稀疏表示的图像修复算法研究院系：信息工程学院专业：通信工程班级： 102学号： 010705202职称（或学位）：博士2014年4月原创性声明本人郑重声明：所呈交的论文（设计），是本人在导师的指导下，独立进行研究工作所取得的成果。
除文中已经注明引用的内容外，本论文（设计）不含任何其他个人或集体已经发表或撰写过的作品成果。
对本论文（设计）的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。
本人完全意识到本声明的法律结果由本人承担。
学生签名：年月日指导声明本人指导的同学的毕业论文（设计）题目大小、难度适当，且符合该同学所学专业的培养目标的要求。
本人在指导过程中，通过网上文献搜索及文献比对等方式，对其毕业论文（设计）内容进行了检查，未发现抄袭现象，特此声明。
指导教师签名：年月日目录1引言 (2)2 图像修复的一般方法 (2)2.1 基于偏微分方程的方法 (2)2.2 基于纹理的方法 (2)2.3 基于混合的方法 (3)2.4 基于稀疏表示的方法 (3)3 图像信号的稀疏表示理论 (3)3.1 稀疏编码................................................... 错误！未定义书签。
3.2 字典的更新 (5)4 结论 (6)5 结束语 (7)致谢 (8)参考文献 (8)附录 (9)一种基于稀疏表示的图像修复算法研究摘要：图像具有直观地表达物体信息的功能，是人们获得信息的重要媒介，当图像受到破损时，图像本身的部分信息就会丢失，因此就需要一项技术对破损的区域进行修补，使其丢失的信息得到大部分的还原，这项技术就是图像修复。
本文主要研究图像信号的稀疏表示方法，求解稀疏系数的匹配追踪算法，对字典原子进行更新的奇异值分解算法，通过对字典每一列原子的更新和对稀疏系数矩阵每一行的更新，减小了图像修复过程中产生的误差。
关键词：图像修复；字典；稀疏表示；匹配追踪；奇异值分解Study of an Image Inpainting Algorithm Based on Sparse Representation Chen Jianghui(College of Information Engineering , Advisor: Chen Shuqing)Abstract: Image has the function of expressing the nformation of objects visually, which is an important medium of gainning information, when the image is damaged, a part of the information is lost, so they need a technology to repair the damaged areas, make the loss information is probably restored, the technology is called image inpainting. This paper mainly studies the sparse representation method of signal, the algorithm for solving sparse coefficient called matching pursuit algorithm and the singular value decomposition algorithm to update the atoms of dictionary , through the atomic learning dictionary each column and each line of sparse matrix is updated, which reduces the error occurring in the process of the image inpainting.Keywords: image inpainting; dictionary; sparse representation; matching1引言图像是人们获取信息的一种重要渠道，利用静态灰度图像验证算法的可行性和有效性，可以减小图像处理过程中的复杂度。
基于非局部相似模型的压缩感知图像恢复算法
基于非局部相似模型的压缩感知图像恢复算法沈燕飞;李锦涛;朱珍民;张勇东;代锋【期刊名称】《自动化学报》【年(卷),期】2015(41)2【摘要】In this paper, an image reconstruction algorithm of compressed sensing (CS) is proposed based on nonlocal similarity model. Instead of using the traditional sparse property of 2D image blocks, the sparse representation of 3D similar image block group is exploited to increase the sparse degree of reconstructed image and improve the performance of the compressed sensing reconstruction algorithm. The texture and structure features are well preserved in the recon-structed image. In the solution of our proposed algorithm, the constrained optimization problem is transformed into an unconstrained optimization problem by augmented Lagrangian method, and the linear technique, which is based on Taylor expansion, is employed to reduce the computational burden and accelerates our proposed algorithm. Experimental results show that the subjective and objective performance of our proposed reconstruction algorithm is superior to the state of art reconstruction algorithms.%针对压缩感知(Compressed sensing, CS)图像恢复问题,提出了一种基于非局部相似模型的压缩感知恢复算法,该算法将传统意义上二维图像块的稀疏性扩展到相似图像块组在三维空间上的稀疏性,在提高图像表示稀疏度的同时进一步提高了压缩感知图像恢复效率,恢复图像在纹理和结构保持方面都得到了很大的提升。
基于深度残差反投影注意力网络的图像超分辨率
收稿日期：２０２０ ０３ ０９；修回日期：２０２０ ０４ ２６ 基金项目：国家自然科学基金资助项目（６１６０２３９０）；西华大学研究生创新基金资助项目（ｙｃｊｊ２０１９０９５） 作者简介：胡高鹏（１９９４ ），男，河南商丘人，硕士研究生，主要研究方向为模式识别、图像处理；陈子鎏（１９９６ ），男，广东韶关人，硕士研究生，主要研究方向为模式识别、图像处理；王晓明（１９７７ ），男（通信作者），四川简阳人，副教授，硕导，博士，主要研究方向为模式识别、机器学习、图像处理、计算机视觉（ｗａｎｇｘｍｘｈ＠ａｌｉｙｕｎ．ｃｏｍ）；张开放（１９９４ ），男，河南周口人，硕士研究生，主要研究方向为模式识别、图像处理；黄增喜（１９８５ ），男，广西百色人，副教授，硕导，博士，主要研究方向为深度学习、生物特征识别、图像处理；杜亚军（１９６７ ），男，四川巴中人，教授，硕导，博士，主要研究方向为数据库理论、智能网络．基于深度残差反投影注意力网络的图像超分辨率胡高鹏ａ，陈子鎏ａ，王晓明ａ，ｂ，张开放ａ，黄增喜ａ，杜亚军ａ（西华大学ａ．计算机与软件工程学院；ｂ．机器人研究中心，成都６１００３９）摘 要：针对多数单帧图像超分辨率（ｓｉｎｇｌｅｉｍａｇｅｓｕｐｅｒ ｒｅｓｏｌｕｔｉｏｎ，ＳＩＳＲ）重建方法存在的特征信息发掘不充分、特征图各通道之间的相互依赖关系难以确定以及重建高分辨率（ｈｉｇｈｒｅｓｏｌｕｔｉｏｎ，ＨＲ）图像时存在重构误差等问题，提出了基于深度残差反投影注意力网络的图像超分辨率（ＳＲ）算法。
即利用残差学习的思想缓解训练难度和充分发掘图像的特征信息，并使用反投影学习机制学习高低分辨图像之间的相互依赖关系，此外引入了注意力机制动态分配各特征图以不同的注意力资源从而发掘更多的高频信息和学习特征图各通道之间的依赖关系。
实验结果表明了所提方法相比于多数单帧图像超分辨率方法，不仅在客观指标方面得到了显著的提升，而且重建的预测图像也具有更加丰富的纹理信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
华南理工大学学报(自然科学版)
Journal of South China University of Technology (Natural Science Edition)
Vol. 47 No. 4 April 2019
doi： 19.19191/j. issn. 1900-565X. 190321
用大
据
所的 稀
疏结构，根据稀疏度这一关键信息求解输入LR的 原子最优稀疏组合，但是在字典训练过程中未考虑
LR块与邻域块间的相关性.而低秩矩阵SISR方 法⑵通过对LR块与其邻域块的组合矩阵进行低秩
变换、稀疏误差成分分解，加强信号稀疏性以及LR 块与邻域块间的相关性，这类方法也以稀疏度为先
验信息，且稀疏度决定了秩的选择•此外，基于非局 部相似性［3］和参数化稀疏模型⑷的SISR方法均结
选择及加权系数的岭回归求解问题，时间复杂度较
低.经典的邻域嵌入(NE)方法⑷假定HR、LR图像
具有一一对应的流形，每个重建点在整个数据库中
非自适应地选择局部邻域，由邻域点线性加权得到，
容易过拟合或欠拟合•相应地,基于原子预测的锚定 邻域回归SISR方法ANR［7］在邻域的选择上既基于
流形结构由邻域原子张成的事实，又兼顾字典空间
块的流形描述;在重构中通过自适应主题决策树选择和节‘回归矩阵映射，从相似的LR
流形信号中准确区分和复原HR信号.主题模型优化实验结果表明，文中基于主题约束信
息的算法比未引入隐藏主题的决策树SISR方法的峰值信噪比（PSNR）值提升了 0.25dB；
在5种算法的对比实验中，相对于稀疏字典SISR方法，文中方法的PSNR值平均提升了
基于隐藏主题概率模型的图像结构感知SISR重建方法
马丽红9王小娥9田菁2张宇彳
（/华南理工大学电子与信息学院，广东广州510640； 2.新加坡国立大学系统科学研究所，新加坡119615； 3.华南理工大学计算机应用工程研究所，广东广州519440）
摘 要：在基于示例学习的单幅图像超分辨率（SISR）重建中，假设从低分辨率（LR）到
2
华南理工大学学报(自然科学版)
第47卷
分层稀疏字典⑸的SISR方法则考虑特征组合的方
式来灵活构造逼近不同类型结构的模型，但应用稀
疏先验信息时，稀疏系数的求解时间复杂度较高.
②保持邻域相对结构关系的流形描述•先验流形结构
依据的是HR块和LR块在空间中的共有流形表示,
以流形邻域信息作为先验知识，重建问题视为邻域
LR和HR的局部流形结构的相似性,重建阶段仅基
于先验预测邻域对输入LR进行最近字典原子搜
索，并利用锚定邻域的投影矩阵将LR块映射到HR 空间.ANR的改进调整方法A +［0］由更准确的超细
胞内部密集训练样本张成流形结构，用锚定训练样
本邻域替换了字典原子邻域，从而增加了对信号的
先验回归这一防失真措施,是当前学习型SISR，性能
高分辨率（HR）图像块的映射关系是一对一的，但同一 LR块会与多个HR块对应，导致
了 LR与HR块的匹配误差.为解决HR复原块的失配问题，文中首先导出了 LR块主题模
式的概率模型，引入信号的隐藏主题这一种新的观察信息.然后提出了一种基于块主题差
异和上下文最大概率的结构感知复原机制，通过主题模式与邻域块内容的关联，形成LR
0.92dB,表明引入隐藏的主题信息和主题流形结构辨识是可行的 .
关键词:超分辨率重建；类号：TP399
文章编号：1906-565X（2219）64-0065-09
超分辨率重建（SR）技术改善了信号的细节信 息,广泛应用在安防监控、数码相机、遥感遥测等影 像技术中.其中基于学习的单幅图像SR分块方法 为最缺乏数据信息的重构提供了重要的补全技术, 近年来备受关注•但是，它假定一个低分辨率（LR） 块对应一个高分辨率（HR）块，因此，若结构差异较 大的不同HR块在退化后变成相似的LR块,就需要 额外的先验信息来估计图像细节.目前，新型的图像 先验知识可分为:①信号稀疏特性•稀疏型SISR算 法的实质是把图像视为稀疏字典原子的组合叠加信 号，其重建过程就是在外部图像库的原子基元集合 中搜索相似原子，通过特征符号查询、稀疏加权方式 来估计HR结果.因此，稀疏编码类SISR方法［°的
似性，这就无法解决不同主题的HR退化为相近LR
的问题.引入邻域上下文结构信息将是其性能改善
的着力点•③基于上下文模式的二次特征• HR块与
其上下文块在降质后可能保留着不同的信息，能为
LR近似、但上下文结构不同的信号提供有分辨力的
特征.LR块与邻域块的特征关联先验信息，以及与
流形描述信息的区别就在于特征的二次加工•其中 纹理上下文方法［1°按LR块邻域的纹理相似性划分
合输入图像内部的自相似和远程相似的空间特性来
构造稀疏信息，以调整输入LR块的稀疏度和重建
系数•不过，稀疏性决定了有限的字典原子对于非稀
疏复杂结构信号的区分度不够，基于多特征描述的
收稿日期：2018-06-28 基金项目：国家自然科学基金资助项目(41971173);广东省自然科学基金重点资助项目(2017A0303n028) Foundation items: Supported by the National Natural Science Foundation of China( 41971173 ) and the Key Program of the Natural Science Fonudahon of Guaacdonc Provicce(2017A030311028) 作者简介：马丽红((9650，女，博士，教授，主要从事图像视频信号分析、多维信号重建和稀疏/容错编码研究.E-mail:eelhma @ scut. edu. cn
最好的方法之一，但邻域选择和训练时间复杂度随
字典的增大不断提升.基于决策树的SISR方法［9°9］
直接利用决策树内部结点处的属性分裂条件，把数
据空间分成若干子空间，并分别建立从局部LR到
HR流形的映射函数，从而使输入LR通过简单的查
找和局部映射函数实现HR复原，计算复杂度明显
降低•但该类方法对邻域的选择依据依然是LR相