基于WaveletHMM的图像超分辨率重建.pdfVIP

基于Wavelet．HMM的图像超分辨率重建 韩玉兵殷玮玮吴乐南 东南大学无线电工程系，江苏南京，210096 摘要：提出一种基于小波域隐马尔可夫模型的图像超分辨率重建算法。首先介绍图像信号的 小波域隐马尔可夫模型；然后将其作为先验知识给出了超分辨率重建算法；详细推导了对数似 然的导数计算；试验表日月该方法的有效性。 关键词：超分辨率重建；小渡变换；隐马尔可夫模型；EM算法；cG算法 1．引言 小波分析”1是一种基于多分辨率处理的时频(或空频)分析工具，其具有时频(或空 频)局域性、小波系数稀疏性和不同尺度的自相似性等优良特性。隐马尔可夫模型(HMM) 合小波变换和HMM理论，提出一种新的图像超分辨率重建算法，重点讨论了对数似然函 数导数的推导和运用EM及CG算法对重建方程进行迭代求解。 2．离散小波分析 ≯“为尺度函数．则二维离散小波变换表示为： Ⅳ(s)=∑U)o,k喘LL…S+∑∑∑屹螃；(s) … bEB ^Ez2 J)Jo女Ez‘ 其中≯慧t(5)=2Jo庐‘‘(Uo j 5∈R2 JER2 示离散小波变换系数和基函数，即矿，。记为Ⅵ，矿‰记为”。 3．小波域隐马尔可夫模型 这里采用混台高斯模型表示单个小波系数。设每个小波系数存在一个隐含的状态 Se{1，2，一，吖)，且各个状态的概率为earn)，对于每个状态S=m，小波系数w服从分布 N(u。，口：)，所以M状态的高斯混合模型(GMM)可表示为 项目资助：江苏省高等学校研究生创新计划，编号：xm04-33 联系作者：韩玉兵，E eduC／l mail：yubhaghan@seu 234 第部分第十四届全国多媒体技术学术会议 M 兀(w)=∑Ps(m)f。j(wlS=m) (2) m=J 其中厶s(wlS=m)=—．E：；exp(一竺掣)。为简单计，本文采用二状态GMM模型。 、／2R％ 2％ 对于不同尺度之间小波系数，采用隐马尔可夫树(HMT)进行描述，详见文献【3，4】。 它们之间具有与小波系数相同的4叉树结构。假设各子带小波树相互独立，且各自根节点 为最粗层小波系数，不失一般性，下文以一个子带小波树进行讨论，对于节点i，其父节 点和子节点分别记为p(i)和c(f)，父节点与子节点的状态通过状态转移概率￡搿。来确定， 且具有如下特性：(1)给定某一节点状态S，该点小波系数Ⅵ与树中其他节点无关： (2)给定某节点的状态，其父节点与子节点的状态相互独立：(3)给定某节点的父节点状态 sⅢ)和所有子节点状态{S，)，∽，则该节点(置，Ⅵ)与树中其他节点独立。下文记所有节点 指标集合为J，W={Ⅵ，iEI)，S=瓶，iE日。 综上可知WHMM的参数包括：(1)S(m)，即根节点五的概率分布；(2)《笛n= 数Ⅵ在状态为S=Ⅲ情况下的均值与方差。这里将所有参数组合成参数向量 E1，…，M，i∈I}。 0=曝(Ⅲ)，《Xf)，“∽n0-2。，Ⅲ，r 对于HMM模型，需要解决模型训练、似然计算和隐状态估计三个标准问题12J，这里 主要讨论前两个问题。首先是模型训练，给定观测小波系数∥，训练模型参数0，使其能 够最好地拟合观测数据，即计算％=argmaxf(W10)，这可以通过迭代EM算法进行口3】， 口 具体如下：(1)设置初始模型参数以，迭代指标，=0；(2)计算隐状态变量的联合概率分 日 条件，否则令，=，+1，转第二步。 其次是似然计算，给定HMM模型参数毋，计算观测数据矿的似然度，即计算f(W10) 4．图像超分辨率重建 设低分辨率图像的降质模型为Y=船十E，其中z，lr分别为高分辨率和低分辨率图 像，Ⅳ为降质矩阵，包括模糊和