基于稀疏表示图像去噪和超分辨率重建.docVIP

基于稀疏表示图像去噪和超分辨率重建 　　摘 要 　　目前超分辨率的研究分成静态图像超分辨率和动态图像超分辨率两大类，静态图像超分辨率是指利用单张低分辨率图像内容来重建出高分辨率图像，本质上高分辨率图像的高频成分不能由原有低频成分算出，故如何补足高频成分以避免模糊现象是提升视觉质量的关键也是研究重点。图像去噪和超分辨率的目的是为了解决数字图像分辨率不足所提出的技术。这个技术主要是应用在某些只能得到单张低分辨率图像的场合，利用仅有的一张低分辨率图像来产生应用上所需的高分辨率图像。稀疏表示作为一种重要的数据编码与表达方式，不仅在人类的视觉认知机理上具有明确的理论依据，而且在信号表达与重建理论方面得到了严格的证明和推导。本文主要采用稀疏表示理论，对图像去噪和超分辨率重建的相关技术与算法进行研究。 　　【关键词】图像去噪 超分辨率 重建 稀疏表示 　　1 图像去噪和超分辨率重建的概述 　　动态图像超解析的步骤通常分成二个步骤：第一个步骤是从多张连续的图像中，取一张图像当作我们的目标图像，然后去计算其它图像相对于目标图像的位移差量。第二个步骤是根据所得到的位移量以及一些额外的信息，如图像边缘的方向、图像的区域特性等等，最后得到一张高分辨率的图像。以多张图像来做超解析的优点是可以参考的图像信息变得多了，不同于静态图像超分辨率的信息仅有单张低分辨率内容。一张数字图像经过次取样成低分辨率，再应用静态图像分辨率提高法还原成高分辨率时，再和原始数字图像作比较，会发现两张图像有所差异。其差异程度的大小，光以言语形容给人的感觉也许不是那么明确。因此需要一些评估方式来裁决图像质量的好坏。图像的质量通常是利用人眼视觉来评估，由于人眼评估属于主观评估，因此必须严格订定给分标准并且交由一群专业评论者给分，其图像质量的评估数值取全部评论者给分的平均，其优点是符合稀疏表示。另一种质量评估方式为客观的数值评估，利用订定的公式（如：PSNR）来估算图像的质量，优点是容易计算，无须劳师动众；但缺点是数值评估不完全吻合视觉上的评估（如：PSNR 高未必代表图像质量佳）。基于上述不同评估方式各有其优缺点，因此国际图像压缩标准JPEG2000 在选择算法规格时，先以数值评估PSNR 找出质量最佳的前三名，再利用人眼主观评估做最终的图像质量裁决者。 　　2 稀疏表示的模型与算法 　　2.1 模型的建立 　　在重建信号品质评估方面，一般常用的有均方根误差（Root Mean Square Error，RMSE） 、信号噪声比（Signal-to-Noise Ratio， SNR） 和信号峰噪声比（PeakSignal-to-Noise Ratio， PSNR）。 　　假设f（i，j）表示原始高分辨率图像信号，f （i，j）表示超解析重建后的信号，信号长度为MxN，则对于任意（i，j）值，f （i，j）和f（i，j）间的误差定义为： 　　ε=f （i，j）-f（i，j） 　　因此，两张图像间的总误差为： 　　则两张图像间的均方根误差（MSE）为： 　　而RMSE为MSE的平方根，因此定义如下： 　　目前ITU-T 的H.264 标准在评估彩色图像质量时所采用的数值评估方式，即PSNR的延伸，将RGB 彩色空间转换到YUV 彩色空间，再分别求出Y，U 和V 元素的PSNR，并给予不同的权重加总平均，即彩色图像的评估方式。 　　2.2 以稀疏表示为基础的高频增强滤波器算法 　　由于SISR 方法当中，主要的问题在于高频区域模糊不够明显，一般高频信息泛指纹理区域和图像边缘区域，但是人眼对于纹理区域的变化并不如图像边缘敏感，因此目前一些提出的方法都只处理人眼较为敏感的图像边缘区域。但是如果算法能够同时兼顾这两种区域，则图像质量将能够更趋于真正的高分辨率图像。SISR 解决高频信息不足的方法一般有两个，第一个方法是加入新的高频信息。第二个方法是强化微弱的高频信息。前述两个方法都是属于前者，这类方法都是利用一些假设条件或统计信息来增加新的高频信息，因此可能造成图像失真，而失去提高分辨率的意义；反之，如果强化原本就存在于低分辨率图像中的高频信息，则图像比较能够贴近真正的图像，由于高频增强滤波器的主要功能是增强图像中的高频，因此，能够同时突显图像纹理和边缘的高频信息。基于上述的概念，我们针对一次内插的结果，提出以稀疏表示为基础的高频增强滤波器（HVS based High Emphasis Filter，简称HHEF），并利用高低分辨率图像间对应的关系加入一个后续补偿限制条件。 　　高频增强滤波器主要是为了突显图像中的高频信息，因此必须先利用高通滤波器找出图像中的高频信息，再将这些高频信息加诸在原始图像上，使原始图像的频率变化能够加大，因此图像视觉质量能够得到改