超分辨率图像重建技术的研究.docVIP

超分辨率图像重建技术的研究 　　摘 要：文章对超分辨率图像重建的概念和原理进行了阐述，并对其算法做了总结和概括，说明了几种常用算法的基本原理，并根据现有的算法实验分析列举其优缺点。 　　关键词：超分辨率；图像重建；算法 　　引言 　　超分辨率（Super Resolution，SR）技术就是对一组属于同一场景下的低分辨率（Low Resolution，LR）图像序列进行处理，通过提取它们之间的时域和空域冗余信息，采用图像配准、运动参数估计等操作对其进行融合，最终重建得到一幅高分辨率（High Resolution，HR）图像，其核心思想是用时间分辨率（同一场景的图像序列）换取更高的空间分辨率。目前，超分辨率重建大致可分为两个方向：基于重构的方法和基于学习的方法。 　　1 基于重构的超分辨率技术 　　基于重构的方法可分为频域法和空域法两类。 　　1.1 频域方法 　　假设连续场景是f（x，y）（其连续傅里叶变换是F（x，y），全局平移产生R个移位图像 （其连续傅里叶变换是F（x，y））。位移图像经过脉冲采样产生观测图像yr[m，n]=f（mTx+？驻xr，nTy+？驻yr）其中m=1，2…M-1，n=1，2…N-1（其二维离散傅里叶变换是Yr[k，l]）。场景的连续傅里叶变换和移位采样图像的离散傅里叶变换的关系是： 　　式中： 和 分别表示x和y方向的采样周期； 　　？琢=■ 　　空域平移与频域平移相对应： 　　如果f（x，y）是带限的，则 当 时，有F（x，y）→0成立。假设f（x，y）是带限的，则公式可以用矩阵来表示： 　　Y=？椎F 　　式中：Y-R×1的列向量，其第r个元素是观测图像yr[m，n]的离散傅里叶变换Yr[k，l]； 　　F-4LuLv×1的列向量，表示未知的f（x，y）的连续傅里叶变换的采点； 　　？椎-矩阵，表示Y与F间的对应关系。 　　1.2 空域方法 　　空域重建方法就是在空间域中进行图像的SR重建。空域方法能够将帧间复杂运动、光学模糊、欠采样等降质因素与图像插值算法、图像滤波算法及迭代运算方法融合在一起，使空域重建方法更加灵活，适用于更广阔的范围，且具有较强的结合空域先验知识的能力。其主要包括基于非均匀采样的插值法、集合论方法（如凸集投影：POCS）、统计复原方法（最大后验概率估计MAP和最大似然估计ML）、迭代反投影方法（IBP）、混合MAP/POCS方法以及自适应滤波方法，人工神经网络法、基于最优化技术的方法等。 　　1.2.1 基于非均匀插值法 　　非均匀插值法是空域SR重建算法中最直观的方法，其基本思想是将原始高分辨率图像看作连续函数，而低分辨率的观测图像则是在高分辨率图像的连续函数上进行位置不均匀的采样形成的，因此，高分辨率图像的重建过程就可以看作将低分辨率观测图像的采样点重新插回原函数。 　　1.2.2 凸集投影法（POCS） 　　凸集投影（POCS）算法具有很好地包含空域先验信息的能力，能够将这些先验信息融入到重建过程中。其基本思想是将高分辨率图像的某些特性，如数据可靠性、能量有界性、平滑性、正定性等定义为不同的约束凸集合，利用这些凸集合的交集所形成的投影交替作用，搜索满足所有约束凸集合的解，重建得到高分辨率图像。 　　假设一低分辨率图像序列g（n1，n2，k）可以写成 　　在这个公式中 　　其中 为脉冲响应系数，？啄0是对观察中的可信度，设置为？啄0=c？啄v，其中？啄v是噪声的标准偏差，c？叟0是由适当的可信度边界决定。这些参数的物理意义是如果在一定范围内与低分辨率相关的高分辨率图像，其可信度边界与噪音偏差成一定比例。 　　对任意一点的x（m1，m2，l）在C■上的投影 的定义如下： 　　根据上述投影，便可以通过约束集合来迭代求解高分辨率图像f（m1，m2，l）的估计 ， ，其中 　　T表示所有集合族 投影的松弛投影算子集合，i为迭代次数。初始估计 是通过把一幅低分辨率图像双线性插值到高分辨率网格上，然后进行运动补偿而获得的。 　　1.2.3 最大后验概率估计 　　根据MAP估计基本原理，低分辨率观测图像、理想高分辨率图像及加性噪声都可以假设为随机信号。而未知高分辨率图像Z的MAP估计的过程为：在给定观测图像y的条件下，使理想图像的条件概率密度函数P{z|y}达到最大。根据贝叶斯原理，P{z|y}的最大化等价于函数P{y|z}P{z}的最大化。如果Z具有均匀的概率分布，则MAP估计与最大似然估计等价。 　　假设低分辨率观测图像的加性噪声是零均值高斯随机过程，其自相关矩阵为W-1，Z也是零均值高斯随机过程，其自相关矩阵为Q，因此 MAP估计变成了最小均方差估计。经过几个代数步骤的推导，MAP简化成如下形式： 　　关于Z