一种自适应超分辨率图像重建的方法的研究.docVIP

一种自适应超分辨率图像重建的方法的研究 　　摘 要：针对图像去噪的问题，提出了一种自适应范数及正则化参数的图像重建方法。首先，考虑到退化图像不仅含有高斯噪声，而且含有拉普拉斯噪声，利用最大似然估计的思想估计高斯噪声和拉普拉斯噪声的标准差；其次，由于在图像重建过程中，噪声分布会发生变化，为此，构造基于统计量的高斯和拉普拉斯权重函数，整合L1、L2范数，设计一种自适应加权函数；最后，结合自适应正则化参数方法，设计了一种自适应L1、L2范数及正则化参数的图像重建方法。实验结果表明，提出的方法对含有混合噪声的不同图像具有比较理想的重建效果。 　　关键词：统计量；自适应；权重函数；L1-L2范数；正则化参数 　　DOIDOI：10.11907/rjdk.172377 　　中图分类号：TP317.4 　　文献标识码：A 文章编号：1672-7800（2018）002-0219-05 　　0 引言 　　图像重建是指利用信号处理和图像处理方法，通过软件计算的方式将退化的低分辨率（Low Resolution，LR）图像转化成高分辨率（High Resolution，HR）图像的技术[1-4]。目前，图像重建技术在视频监控、图像打印、刑侦分析、医学图像处理、卫星成像等领域得到了广泛应用。图像重建的主要方法有：凸集投影方法（POCS）[1]、最大后验概率估计方法（MAP）[1]、迭代反投影方法（IBP）[5]和最大似然估计（ML）[6]。其中，最大似然估计是基于最大后验概率估计的一种方法，是一种基于概率的算法框架，也是目前实际应用和科学研究中运用最多的一类方法。该方法较为灵活，特别是它的正则项，可以自由加入对具体问题的约束。在提出最大后验概率方法之后，对于如何设计一个有效的正则项成为图像处理领域的研究热点和难点[7]。在过去的30年里，学者们陆续提出许多正则化方法，比较常用的有Tikhonov[1，8-9]正则化、全变差（Total Variation，TV）[10]正则化以及Farsiu S[11]等提出的双边全变差（Bilateral Total Variation，BTV）正则化。双边全变差正则化算法能够得到比较理想的稀疏解，同时具有良好的边缘信息保持和噪声抑制效果，采用双边全变差作为正则项。 　　在现实世界中，低分辨率图像往往含有高斯和拉普拉斯脉冲噪声。在图像重建过程中，L1范数对图像的边缘保持恢复效果较好，但是会出现阶梯效应，同时产生虚假边缘，视觉效果并不理想；而L2范数对图像平滑效果比较理想，但是去噪和边缘保持能力不理想。为了达到同时抑制两种噪声目的，提出一种自适应的L1、L2范数的数据保真项模型。同时，对于传统的图像重建算法，正则化参数是通过随机选取，图像重建结果不能达到理想效果。为此，提出了一种简单有效的自适应正则化方法。实验结果表明，本文提出的方法可以有效地抑制图像混合噪声，并且在图像平滑区域、边缘保持方面有很好的重建效果。 　　1 自适应范数及正则化参数超分辨率方法 　　1.1 退化模型 　　图像退化是指图像在获取、传输和存储过程中，因各种不确定因素影响导致图像质量下降。通常，图像退化数学模型可以用一个线性过程表达，其定义如式（1）所示： 　　式（1）中，x为原始高分辨率图像，z为退化图像，Dk为第k幅图像的模糊算子，Hk为第k幅图像的下采样算子，Fk为第k幅图像的几何运动算子，Nk为加性噪声。 　　目前，图像重建都是以退化模型式为理论依据，通过已知的LR图像z，对式（1）反向求解，得到HR图像x。与此同时，求解过程往往忽略一些问题：由于LR图像数量不足以及病态的模糊因子D，往往导致解的不唯一性。为了解决这一系列问题，通常采用正则化方法对其解空间加以限制。一般的标准正则化最小化函数是由描述模型误差的数据保真项和约束模型实现鲁棒性的正则项构成。其表达式如式（2）所示： 　　式（2）中，P通常取1或2，λ为正则化参数，R（x）为正则项，对式（2）进行最优化求解完成图像的重建。 　　1.2 自适应L1、L2范数模型 　　图像噪声理论上可以理解为是不可预测、随机发生的，是一个多维随机过程，可以利用概率密度分布函数来描述。高斯和拉普拉斯噪声的概率密度分布函数定义分别如式（3）、（4）所示： 　　式（3）、（4）中，r表示N维噪声向量，σG、mG、σL和mL分别表示高斯和拉普拉斯对应的标准差和均值。 　　计算拉普拉斯概率密度分布函数的最大似然估计（MAP），对式（4）等式?杀呷《允?，计算结果如式（5）所示： 　　对式（5）求σL的偏导数，计算结果如式（6）所示： 　　根据式（6）计算可得拉普拉斯噪声的标准差如式（7）所示： 　　其中，拉普拉斯噪声均值可以表示为： 　　同理，可得高斯噪声的均值