基于L1―L2混合噪声模型图像超分辨率重建方法.docVIP

基于L1―L2混合噪声模型图像超分辨率重建方法 　　摘要：文章提出了一种基于L1-L2混合噪声模型（HNM）方法用于图像、视频的超分辨重建，该方法有效利用L1范数在突变区域较好保持图像边缘信息的特点，同时兼顾了L2范数对图像平坦区域的噪声抑制特性。针对求解过程中噪声分布的改变，L1、L2范数的选择问题，提出一种自适应隶属度（AMD）方法，该方法不仅能达到理想的实验效果，而且大大地减少了迭代次数与运算时间。 　　Abstract： L1-L2 hybrid noise model （HNM） method is proposed in this paper for image/video super-resolution. This method has the advantages of both L1 norm minimization （i.e. edge preservation） and L2 norm minimization （i.e. smoothing characterization）. In view of noise distribution changing and selecting L1 norm minimization or L2 norm minimization， the paper propose an efficient adaptive membership degree （AMD） method， which get the ideal result but the proposed AMD method can reduce the number of iterations and save much computational cost. 　　关键词：混合噪声模型；超分辨率；L1范数；L2范数；自适应隶属度 　　Key words： hybrid noise model；super-resolution；L1 norm；L2 norm；adaptive membership degree 　　中图分类号：TP751 文献标识码：A 文章编号：1006-4311（2016）06-0192-03 　　0 引言 　　超分辨率重建技术，利用拍摄目标的先验信息、单幅图像的信息以及多幅图像间的补充信息，以时间带宽换取空间分辨率，提取出低分辨率图像中的高频信息，使重建结果更接近于理想未退化的图像，广泛地应用于图像视频处理领域，如遥感图像，医学图像，视频监控和高清电视等。但由于其利用空域先验信息的能力的局限性，当前的研究多集中在空域。空域法主要有迭代反投影（Iterative back projection， IBP）[1]、凸集投影（Projection on to convex sets， POCS）[2]、最大后验概率估计（Maximum a posteriori，MAP）[3]以及最大似然估计（Maximum likelihood，ML）。其中，迭代反投影运算量小，收敛速度较快，但是难以利用先验约束信息，超分辨率结果不唯一。凸集投影和最大后验概率估计是目前研究最多的方法，其成像模型可以方便地利用先验信息，但是运算量大，收敛速度慢。最大似然估计可以看作最大后验概率估计在等概率先验模型下的特例[4]。 　　通常情况下，低分辨率图像需要预先进行运动估计，点扩散函数（PSF）估计以及亮度校正等[5-7]。在现实世界中，许多真实的图像、视频序列中，低分辨率图像、视频序列下观测模型中的噪声服从拉普拉斯分布（如椒盐噪声）[5，7]，由于高斯噪声分布通常被看作是均值滤波器，它能够使图像具有更好的平滑效果，而拉普拉斯噪声分布通常被看作中值滤波器，它能够使图像保持良好的边缘效果[5]。 　　在本文中，我们提出了一种基于高斯分布和拉普拉斯分布的混合噪声模型。由于在超分辨率重建迭代过程中，噪声的分布会发改变，因此，我们提出了一种自适应隶属度（AMD）方法，该方法不仅能达到有效的实验效果，而且大大地减少了迭代次数与运算时间。 　　1 图像模型 　　1.1 观测模型 　　超分辨率重建图像序列的退化模型可用一个线性过程来描述，该观测模型可由下面的退化过程表示[7-8]： 　　yk=DkHkFkx+Nk，k=1，…，K （1） 　　其中，K是低分辨图像的个数，x是高分辨率图像，yk代表着第k幅低分辨率图像，Dk和Hk各代表下采样算子和模糊算子（系统的点扩散函数PSF），Fk表示第k幅低分辨图像的几何运动算子，NK表示第k幅图像的随机加性噪声。 　　1.2 运动模型 　　对于低分辨率图像的几何运动算子Fk的获取，本文采用平面投影运动模型（8DoF）[6]来获取，8DoF是从不同视角捕捉到