基于双变量admm的超分辨率图像重建.docxVIP

基于双变量admm的超分辨率图像重建 0 超分辨率图像重建 图像高分辨率重建使用数字处理器技术重建图像的最小分辨率（lr）图像，并获得高分辨率图像（hd）图像的技术。 目前超分辨率图像重建的方法主要分为3类 在重建之前, 先分析相关原理和模型, 了解HR图像退化成LR图像的过程, 才能对其进行逆操作, 即图像重建。Elad 基于正则化方法的超分辨率图像重建有2个关键问题 1 优化函数结构 1.1 像素点及超分辨率 全变分是超分辨率图像重建中常用的正则化算子, 因为它可以保持图像的边缘信息。假设X为单幅图像, 可表示为 其中#X为对X求梯度运算, TV可以看做是图像一阶梯度#X的1范数。 对于二维图像的像素点, 用矩阵差分表示为: 其中, i、j表示像素点的位置。 全变分还可以表示为: 其中, D 根据前述分析的退化模型, 将全变分应用到超分辨率图像重建问题中, 可以表示为: 全变分算子作为先验知识进行约束, 使重建图像有较高的精度, 具有各项异性的平滑作用, 梯度计算可以较好地保护图像的边缘信息。并且与不含噪图像的TV相比, 含噪图像的TV要大很多。因此, 通过限制TV的值就可以限制图像中的噪声 1.2 k及分数阶微分算子 为了弥补全变分的缺陷, 许多高阶全变分算子被提出, 但高阶项的使用容易产生斑点状噪声 通过分数阶微分构造FOTV算子, 分数阶全变分同样由2个方向的分数阶微分构成。本文根据Grümwald-Letnikov (G-L) 中的定义 其中v为分数阶微分的阶次, k是涉及计算量的常数。C 其中Γ为伽马函数, 定义为: 对于式 (5) , v=1时, 等同于整数阶的一阶微分算子。当v固定时, 随着k增加, 二项式系数C 对于二维图像的分数阶全变分, 与全变分类似, 主要分为图像X在2个方向的梯度分量D 其中, W 因此分数阶全变分可以表示为 其中, v取值1v2。 分数阶微分可以看作是整数阶微分的推广, 本文从频域的角度绘出分数阶微分的幅度随频率变化的曲线如图1所示。从图1可以看出, 不同阶次的分数阶微分算子都可以加强信号, 并且随着频率增大, 呈非线性地增长。对于高频信号来说, 分数阶的阶次选择得越大, 信号的增强作用越大, 但是对于低频信号来说, 较小的分数阶阶次, 可以更好地保护信号。根据上述思想构造FOTV, 选择合适的分数阶阶次, 可以在加强高频信号的同时, 非线性地保留低频信号, 更好地重建出图像的纹理细节信息 1.3 fctv阶次自适应选择 在选择分数阶全变分阶次之前, 要首先分析结构张量, 构造纹理检测函数, 再分析图像不同区域的纹理和平滑程度, 从而根据图像的纹理和平滑程度, 自适应地选择FOTV的阶次, 对高频纹理和边缘信息选择较高的阶次, 对低频的平滑信息选择较低的阶次。 假设f是输入的图像, 即需要进行纹理提取的图像。原始的结构张量的定义是 其中G 在传统结构张量思想的基础上, 构造基于图像一阶和二阶微分的向量u= (u 因此, 定义纹理检测函数为 其中k是对比因子, 且为常数, 用来调整图像纹理和平滑的对比程度。Λ (x, y) 是公式 (15) 几何矩阵Λ的最大特征值。 对于公式 (14) 所示的纹理检测函数, 在图像的平滑区域, 图像的一阶二阶微分接近于0, 即u的元素接近于0, 从而Λ (x, y) 接近于0, 纹理检测函数g (x, y) 接近于1。在图像的纹理区域, u至少有1个元素的值比较大, 从而导致Λ (x, y) 无穷大, 纹理检测函数g (x, y) 接近于0。图2是利用纹理检测函数对图像的检测结果, 可以看出, 利用纹理检测函数可以准确清楚地衡量图像特征。 因此根据纹理检测函数g (x, y) 选择图像不同区域的分数阶全变分的阶次1v2, 表示如下: 其中δ是常数。但是对一幅M×N大小的图像进行FOTV阶次的自适应选择, 就会有M×N个不同的阶次, 导致重建的运算量很大。因此为了减少重建的运算量, 对M×N个FOTV的阶次进行分段, 降低运算量。 1.4 图像边缘优化函数 前文所述优化函数为: 本文采用正则化方法求解, 并选择全变分和自适应全变分作为正则化项约束解空间, 使重建的图像边缘清晰并具有丰富的纹理细节信息, 则优化函数为: 其中, 第1项是保真项, 衡量重建结果的误差, 表示重建结果图像和原始图像的拟合程度。第2项和第3项是正则化项, μ和θ是正则化参数, 用来调节各项所占比重。v是自适应选择的分数阶阶次, 可根据式 (16) 得到。根据式 (18) 可重建得到高分辨率图像。 2 admm算法求解互动型问题 对图像重建的优化函数求解时, 由于超分辨率图像重建的优化函数中包括下采样因子, 导致在使用交替方向乘子算法 (ADMM) 求解的过程中, 子问题求解时