小波域图象超分辨率重构算法.pptVIP

研究的目的和意义 随着芯片制造工艺的进步和集成电路集成度的不断提高，采集到的显微图象越来越模糊。这就对版图的准确识别造成很大的困难。这里，模糊是指图象的分辨率较低。 提高图象的分辨率有两个途径：改进硬件和图象超分辨率重构。 图象超分辨率重构在军事国防、遥感探测和医学影像等诸多方面也有广泛应用 图象退化模型 图象退化模型： 几何变换：高分辨率图象与低分辨率图象序列之间的坐标变换关系通过运动分析和图象对准获得 。 模糊：光学系统造成的模糊和CCD传感器空间积分造成的模糊 。 亚采样 噪声 图象超分辨率重构的分类 频率域方法和空间域方法 单幅图象超分辨率重构和序列图象超分辨率重构 序列图象超分辨率重构分类 迭代后向投影（IBP）方法 Bayes重构方法 集合论重构方法 ML/MAP/POCS混合方法 Tikohonov规整化方法 序列图象超分辨率算法综述（一） 迭代后向投影(IBP)方法 序列图象超分辨率算法综述（二） Bayes重构方法 条件概率：由噪声的统计特性确定 先验概率：根据实际图象物理特性确定图象的先验模型 序列图象超分辨率算法综述（三） 集合论重构方法，凸集投影方法（POCS） 一组凸集代表了期望高分辨率图象具有的特性，如正性，能量有限，忠实于观察数据，以及光滑性等。 给定高分辨率图象解空间中任意一点，通过依次在这些凸集上进行投影寻找一个满足所有这些凸集约束的图象作为对所要求的高分辨率图象的近似。 序列图象超分辨率算法综述（四） ML/MAP/POCS混合方法 各种方法的优点：采用高斯MRF作为先验知识的ML/MAP估计具有完美的解析表达式，而POCS方法容易考虑各种约束（凸集）。 Elad 等结合二者的优点提出了序列图象超分辨率的ML/MAP/POCS混合方法 。 序列图象超分辨率算法综述（五） Tikohonov规整化方法 Tikohonov规整化方法的本质在于，将关于解的先验知识融入病态方程的求解过程。采用什么样的约束条件对于获得高质量的高分辨率图象是至关重要的 。一个根本原则是，先验约束应该与场景或高分辨率图象的物理性质相一致。 单幅图象超分辨率算法分类 插值方法 基于重构的单幅图象超分辨率算法 基于学习的单幅图象超分辨率算法 单幅图象超分辨率算法（一） 插值方法 图象插值是由一幅低分辨率图象生成一幅高分辨率图象的过程； 不同的图象模型导致不同的插值算法； 传统的插值算法：零阶保持、双线性、三次样条插值等； 新的插值算法：局部自适应、边缘指导内插、神经网络等。 单幅图象超分辨率算法（二） 基于重构的单幅图象超分辨率算法 选择合理的先验图象模型是解决问题的关键。 单幅图象超分辨率算法（三） 基于学习的单幅图象超分辨率算法 神经网络、图象类比等。 相关的小波域方法 多尺度Kalman滤波 局部自适应规整化 基于多尺度边缘自相似性的图象超分辨率重构（一） 边缘模型 多尺度边缘的自相似性 基于多尺度边缘自相似性的图象超分辨率重构（二） 多尺度边缘的自相似性 基于多尺度边缘自相似性的图象超分辨率重构（三） 小波系数预测 多尺度边缘的自相似性表明，可以由较大尺度小波系数预测较小尺度的小波系数； 假定较小尺度的小波系数为同一空间位置附近较大尺度的小波系数的线性组合； 为使预测具有一定的稳定性，认为在一个较小的邻域内组合系数是相等的。 基于多尺度边缘自相似性的图象超分辨率重构（四） 基于小波域HMT模型的图象超分辨率重构算法（一） 图象退化模型在小波域的表示 高分辨率图象的Bayes估计 基于小波域HMT模型的图象超分辨率重构算法（二） 自然图象小波变换的两个基本特性 非高斯分布特性：小波系数的边缘分布呈现出非高斯特性，即呈现出“尖峰长尾”的状态。 保持性：在空间同一位置，小波系数“大”或“小”的状态具有在尺度间传递的特性。 基于小波域HMT模型的图象超分辨率重构算法（三） 小波域HMT模型 以混合高斯模型逼近小波系数的边缘分布； 以小波系数的状态转移概率刻画小波系数尺度间的保持性。 小波系数的联合分布 基于小波域HMT模型的图象超分辨率重构算法（四） 无噪声情况 有噪声情况 基于小波域HMT模型的图象超分辨率重构算法（五） 性能指标函数的简化 当 当 基于小波域HMT模型的图象超分辨率重构算法（六） 性能指标函数的简化 设1表示小波系数为“小”的状态，2表示小波系数为“大”的状态。由于 ，所以 可以看成相应的小波系数的惩罚函数。也就是说，该函数根据小波系数的状态对相应的小波系数进行“抑制”或“鼓励”。基于这种认识，性能指标函数可以简化为 基于小波域HMT模型的图象超分辨率重构