基于自适应规整化方法图像超分辨率重建.docVIP

基于自适应规整化方法图像超分辨率重建 　　摘要:以Gauss??Gibbs随机场模型为图像的先验概率模型,运用自适应规整化的最大后验概率(MAP)方法进行图像超分辨率重建#65377;通过对先验概率分布参数的估计,对图像超分辨率重建求解进行自适应规整化,从而提高重建图像的质量#65377;实验结果表明,该算法能较好地再现图像的各种边缘信息,重建的高分辨率图像在峰值信噪比和视觉效果方面都得到明显提高#65377;?? 　　关键词:超分辨率重建;Gauss??Gibbs随机场; 参数估计;自适应规整化?? 　　中图分类号:TP911.73文献标志码:A 　　文章编号:1001-3695(2007)10-0152-03 　　 　　0引言?? 　　 　　 超分辨率重建是指用一幅或多幅退化图像重建一幅清晰的高分辨率图像#65377;它被广泛应用于天文#65380;卫星合成孔径雷达遥感#65380;医学图像处理等领域#65377;超分辨率重建最早由Tsai和Huang于1984年提出,可以分为频率域法和空间域法#65377;空间域超分辨率重建又大致可以分为基于集合论的凸集投影法(POCS)和基于Beyes理论的最大后验概率法(maximum a posteriori,MAP)#65377;?? 　　图像超分辨率重建是一个病态过程,其利用关于解的先验知识进行规整化,可以使病态过程转变成良态过程,提高求解的稳定性和准确性[1]#65377;图像规整化通常采用策略是对图像的平滑性约束#65377;例如Katsagglos采用高通算子作为规整项,通过对高频能量的最小化,使图像满足平滑性约束[2]#65377;另外,也可以采用图像的先验概率分布对图像重建进行规整化#65377;通常,图像的先验概率服从Markov随机场(MRF)#65377;J.Besag运用 Hammersley??Clifford定理,说明了MRF和Gibbs随机场是等价的,并对Gibbs 随机场进行了详细阐述,提出了几种相对简单的随机场模型(自生逻辑模型#65380;自生Ising模型#65380;Gauss??Gibbs模型等)[3]#65377;文献[4]采用图像的高阶导数的线性组合进行规整化#65377;Schultz和Stevenson用Huber_Markov Gibbs 先验模型对图像进行规整[5]#65377;Michael J. Black等人对Robust法进行了深入分析,并将其用于图像重建的规整化[6]#65377;D.Geman 和 S.Geman采用基于Gibbs先验模型规整化的MAP法进行图像重建,并用模拟退火和Gibbs取样器法对代价函数进行优化[7]#65377;之后,J.Besag提出了基于MAP的优化算法―条件迭代算法ICM[8]#65377;R.C.Hardie和 K.J.Barnard等人提出的联合匹配MAP超分辨率重建算法中采用最陡梯度下降法进行超分辨率重建[9]#65377;?? 　　本文在对Gibbs先验概率模型进行分析的基础上,提出了一种自适应规整化的MAP超分辨率重建算法#65377;通过对Gauss??Gibbs场参数的估计,对图像重建进行自适应规整化,从而提高了重建的高分辨率图像的视觉效果和峰值信噪比#65377;?? 　　 　　实验1验证参数估计对先验图像局部特性表达的有效性#65377;以256×256 Lena图为例,按8×8大小分块,按本文的最小二乘参数估计法对其进行Gauss??Gibbs模型参数的估计#65377;因为图像像素可以看做其邻域像素的线性组合,所以按照式(11),由邻域像素与参数的乘积累加,得到各像素灰度值的方法,重建出图1(b)#65377;根据文献[9], 取=1/4,用同样的方法重建出图1(a)#65377;比较两图,可以清楚地看到,运用本文参数估计的方法比直接取1/4作参数值更能够保存图像的细节和边缘#65377;这是因为参数估计能够根据图像的具体情况更准确地反映图像与周围邻域像素的局部特相关性#65377; ?? 　　实验2验证本文提出的自适应参数估计MAP图像超分辨率重建算法的有效性#65377;为排除运动估计误差对图像重建质量的影响,以256×256 Lena图为例,对它进行四取一欠采样,得到四幅退化的低分辨率图像#65377;用这四幅图作为输入的序列低分辨率退化图像,分别按照本文提出的算法和文献[9]中提出的方法对图像进行超分辨率重建,迭代次数均为5次#65377;在本文提出的算法中每次迭代都进行参数估计,参数估计采用8×8的大小进行分块, 退化矩阵w取3×3,??α??=1的高斯降晰函数,得到如图2(c)所示的重建图像#65377;按照文献[9]的方法,得