基于小波域的图像超分辨率复原分析报告.pptVIP

基于小波域的图像超分辨率复原 姓 名：徐震寰 学 号：2011000366 专 业：模式识别与智能系统 导 师：林茂松（教授） 日 期：2013年5月13日 报告内容 超分辨率复原技术简介 基于学习与重建相结合的单幅图像超分辨率复原 小波变换在超分辨率技术当中的应用 一、超分辨率技术简介 1、超分辨率复原技术 　　超分辨率复原技术的基本思想是采用信号处理的方法，在改善图像质量的同时，重建成像系统截止频率之外的信息，从而在不改变硬件参与的前提下，获取高于成像系统分辨率的图像。作为一种不需要硬件参与的提高图像空间分辨率的方法。超分辨率复原技术利用连续多帧低分辨率图像中不同而又相似的信息，并结合有关先验知识，重建高分辨率图像。因此，它的最大优点就是成本低，现有低分辨率成像系统依然可以使用，特别是能够实现对已经获取的大量图像资源充分利用。目前，超分辨率复原技术在遥感遥测、医学成像、视频监控、数字媒体等诸多领域都得到了初步的使用，并表现出了巨大的发展潜力。 超分辨率定义： 图像超分辨率(super resolution,SR)是指由一幅低分辨率图像(low resolution,LR)或图像序列恢复出高分辨率图像(high resolution，HR)。HR意味着图像具有高像素密度，可以提供更多的细节，这些细节往往在应用中起到关键作用。 2、超分辨率复原方法 （1）、基于重建的方法 a、频域法 b、空域法 （2）、基于学习的方法 a、频域法 频域方法是通过在频域消除频谱混叠来重建图像的高频信息，提高空间分辨率，其理论依据为傅里叶变换的混叠理论。 优点：思路清晰，容易理解 缺点：动模型和退化模型受到限制，无法充分利用图像的先验知识。 b、空域法 能够建立全面的观测模型，将复杂的全局和局部运动、光学模糊、帧内运动模糊、空间可变点扩散函数、非理想采样以及压缩赝像等并入其中，而且具有很强的包含空余先验约束的能力。目前空域法主要包括迭代反投影方法，凸集投影算法，最大后验概率估计法等。 基于学习的超分辨率复原是使用一个图像训练集来产生学习模型，并运用这个模型创建图像的高频细节。具体步骤为： (1)将高分辨率图像按照退化模型进行恶化，产生一个图像训练集。 (2)根据高低分辨率块的对应关系，通过一定算法进行训练学习，获取先验知识，建立学习模型。 (3)以输入的低分辨率块为依据，在建立好的学习模型中搜索最匹配的高分辨率块，最终复原出最优的超分辨率图。 基于学习的超分辨率复原框架 2、基于学习与重建相结合的单幅图像超分辨率复原 Daniel Glasner， Shai Bagon ，Michal Irani根据图像块局部自相似性设计出了一种基于学习与基于重建相结合的超分辨率复原方法，从而实现单幅图像超分辨率的复原效果。 （1）、局部自相似性 图像块局部自相似特性（patch redundancy）：每一幅图像倾向于包含很多重复的视觉内容，尤其是小的图像块，倾向于重复在图像中出现，不管是在同尺度图像，还是在不同尺度图像中。而这一原理成为构造单幅图像恢复超分辨率图像的框架的基础。 （2）、利用图像局部自相似性实现单幅图像超分辨率复原 3、小波变换在超分辨率中的应用 小波是近几年发展的一种新算法，其优点在于频域和时域都具有良好的局部化性质。在小波变换域中进行超分辨率重建有利于保持高分辨率估计图像的边缘信息。 　　 小波变换的基本思想是将信号分解到不同的分辨率层或者尺度上，这样分解可以在不同的尺度上独立对信号进行分析和研究，对高频部分采用逐渐精细的频域或者时域取步长，从而可以聚焦到对象的任意细节。 a、基于小波变换的双线性插值方法 1、将原图像f(x,y)进行小波分解得到MA、MH、MV和MD四个细节子图，形式上记为 Tf(x,y)=（MA,MH,MV,MD）； 2、将MH、MV和MD采用双线性插值算法（记做算子L）分别进行插值，得到 ， 和 ； 3、设原始图像的低通部分 ，这样对四个子图 做小波逆变换，变换后的结果也就是最终的插值 结果为：