專利名稱：圖像超分辨率重建方法
技術領域：
本發(fā)明屬于圖像信號處理技術領域，具體涉及一種洛倫茲函數(shù)結合自適應正則化的圖像超分辨率重建方法。
背景技術：
超分辨率圖像重建技術是運用信號與信息處理方法來提高分辨率的一種有效手段。如果有多幀關于同一場景的欠采樣圖像，這些圖像之間可能有空間平移、偏轉、縮放等幾何差異，通過這些圖像信息之間的互補、融合及圖像先驗信息，同時去除噪聲以及模糊， 則可以得到高分辨率圖像。此方法克服了物理條件的限制，克服了圖像插值等方法的局限性，禾ι傭多幀圖像信息彌補空間分辨率的不足；改善由于圖像降晰、離散化引起的空間分辨率下降；發(fā)掘現(xiàn)有圖像數(shù)據(如多角度、多時相、多平臺遙感圖像，序列圖像等)的潛力 ’突破了圖像獲取手段的空間分辨率極限；效果顯著，應用方便，代價低廉。目前，超分辨率圖像重建技術研究中，基于正則化的重建方法和基于統(tǒng)計的重建方法是較為常用、效果也較好的主流方法?；谡齽t化的重建方法是結合圖像和模糊的先驗知識對問題進行正則化處理，根據退化圖像序列的前向模型，構造正則化最小化泛函，求解最小化泛函以得到高分辨率圖像。該方法的優(yōu)點是可直接加入先驗約束、確保解的存在和唯一、收斂穩(wěn)定性高、降噪能力強。但運算量大、收斂較慢，高分辨率圖像的細節(jié)容易被平滑掉?；诮y(tǒng)計的重建方法是把超分辨率重建問題看成統(tǒng)計估計問題，常見有最大后驗概率估計(MAP，maximun a posteriori)和最大似然估計(ML，maximum likelihood estimation)兩種算法。MAP算法是在已知低分辨率圖像序列的條件下，使出現(xiàn)高分辨率圖像的后驗概率達到最大。實際上，MAP算法就是將目標函數(shù)最小化，并在目標函數(shù)中引入不同的先驗模型決定其收斂性。ML算法則可以認為是MAP算法在等概率先驗模型下的特例?；谡齽t化的重建方法和基于MAP框架的超分辨率重建本質上都是通過引入若干先驗知識，將不適定性重建問題轉化為適定性重建問題，同時實現(xiàn)數(shù)據保真和邊緣保持的高分辨率圖像重建。由于數(shù)字圖像處理領域中關于圖像的先驗知識具體對應的為圖像模型，因此對基于正則化理論的超分辨率重建算法和基于最大后驗概率框架的超分辨率重建算法的先驗知識研究具有共通之處。

發(fā)明內容
發(fā)明目的本發(fā)明的目的在于提供一種新的自適應正則化圖像超分辨率重建算法，即洛倫茲函數(shù)結合自適應正則化的圖像超分辨率重建算法。為了實現(xiàn)本發(fā)明方法，本發(fā)明公開了一種圖像超分辨率重建方法，其特征在于，包括如下步驟步驟(1)輸入用向量表示的m幀針對同一場景的低分辨率圖像序列；步驟(2)采用雙線性插值法對所有低分辨率圖像進行處理，獲取初始高分辨率圖像估計，即初值估計ZQ. 步驟⑶將初值估計&代入迭代公式i +1 =i -廣行迭代計算，其中，β為設定控制步長，設定值范圍為0 1，η表示迭代次數(shù)，表示經過第η次迭代的高分辨率圖像估計，Gn表示經過第η次迭代計算得到的梯度；當η = 0時，公式變?yōu)槭?Z0-/ -G0，則可將Z。帶入。根據下式在每次迭代中計算梯度Gn， 其中，ψ-⑶=琿2+χ2參數(shù)T1是洛倫茲函數(shù)的半值半寬，參數(shù)T1為控制閾值，
？
設定值范圍為1 12之間的實數(shù)；C表示拉普拉斯算子，C= [1/8 1/8 1/8； 1/8 -1 1/8； 1/81/8 1/8] 和η為常數(shù)系數(shù)，α設定值范圍為0 100之間的實數(shù)，η設定值范圍為100 500之間的實數(shù)；Hk為等效降質因子；λ k為自適應正則化參數(shù)。根據下式在每次迭代中計算自適應正則化參數(shù)入k
權利要求
1.一種圖像超分辨率重建方法，其特征在于，包括如下步驟步驟(1)輸入用向量表示的m幀針對同一場景的低分辨率圖像序列；步驟(2)采用雙線性插值法對所有低分辨率圖像進行處理，獲取初始高分辨率圖像估計，即初值估計Zq. 步驟(3)將初值估計z。代入迭代公式i +1=i -廣.& 進行迭代計算，其中，β為設定控制步長，設定值范圍為ο 1，η表示迭代次數(shù)，i 表示經過第η次迭代的高分辨率圖像估計，Gn表示經過第η次迭代計算得到的梯度；步驟(4)判斷是否滿足迭代收斂條件，若滿足則停止迭代，輸出所得高分辨率圖像。
2.根據權利1要求所述的圖像超分辨率重建方法，其特征在于，根據下式在每次迭代中計算梯度Gn，Gn= Χη[·77·Ψ;ογ(ΗΛ-Υ,) +，,2 jc其中，⑶= 2[2+χ2參數(shù)T1是洛倫茲函數(shù)的半值半寬，為控制閾值，設定值范圍為？1 12之間的實數(shù)；C表示拉普拉斯算子，C= [1/8 1/8 1/8； 1/8 -1 1/8 ； 1/8 1/8 1/8]； α和Π為常數(shù)系數(shù)，α設定值范圍為O 100之間的實數(shù)，η設定值范圍為100 500 之間的實數(shù)；Hk為等效降質因子；λ k為自適應正則化參數(shù)。
3.根據權利2要求所述的圖像超分辨率重建方法，其特征在于，根據下式在每次迭代中計算自適應正則化參數(shù)Xk:λ = |ψι0Γ (Yr hA)『/〔2IWI2 -|ψιογ (cz )||2j其中，Ψ.(χ) = 1ο§ 1 + 1 f 參數(shù)T2是洛倫茲函數(shù)的半值半寬，參數(shù)T2設定值范圍Z\I2 JL-I ？為1 12之間的實數(shù)。
4.根據權利1或3要求所述的圖像超分辨率重建方法，其特征在于，步驟(1)中輸入的低分辨率圖像序列是滿足如下條件建立高分辨率圖像的降質模型針對帶限連續(xù)的景物圖像，成像系統(tǒng)以奈奎斯特頻率采樣，得到理想高分辨率圖像Z ；在成像過程中，只存在運動、 降質因素、噪聲影響；高分辨率圖像Z依次經過變形、模糊、下采樣、添加噪聲后得到低分辨率觀測圖像序列Yk。
5.根據權利4要求所述的圖像超分辨率重建方法，其特征在于，圖像降質模型用下式表示Yit =DitBitWtZ +& ( \fk 二 Υ,2,···,πι );對單幀高分辨率圖像進行降質處理，依次進行運動平移、模糊、降采樣、添加噪聲；重復該步驟，獲取m幀關于同一景物的不同的低分辨率圖像，設Hk = DkBkWk,稱為等效降質因子；所述Z是理想高分辨率圖像，大小為CiN1XqN2像素，Z由高分辨率圖像像素以向量形式按字典順序排列而成，即Z =……,辦了，N = CiN1XqN2^w為向量Z中的第N個分量，N表示向量Yk中的分量個數(shù)，q為采樣比率；Yk是低分辨率像序列，每一幀圖像的大小都是N1XN2像素，Yk由低分辨率圖像像素以向量形式按字典順序排列而成，即Yk = [YuJu，……Yk,M]T，k = 1，2，…，m，M = N1XN25M 表示向量Yk中的分量個數(shù)；Dk表示下采樣矩陣，矩陣大小為(N1N2)2Xq2N1N2 ； Bk表示模糊矩陣，矩陣大小為Q2N1N2Xq2N1N2 ；Wk表示獲取圖像時的全局或局部幾何變形，旋轉，矩陣大小是Q2N1N2 X Q2N1N2 ；Vk表示成像系統(tǒng)的噪聲影響，設為均值為零，方差為σ 2的高斯白噪聲。
6.根據權利1要求所述的圖像超分辨率重建方法，其特征在于，步驟(4)中所述收斂條件 ρ 設定為
全文摘要
本發(fā)明公開了一種圖像超分辨率重建方法，包括如下步驟步驟(1)輸入用向量表示的m幀針對同一場景的低分辨率圖像序列；步驟(2)采用雙線性插值法對所有低分辨率圖像進行處理，獲取初始高分辨率圖像估計，即初值估計步驟(3)將初值估計代入迭代公式進行迭代計算；步驟(4)判斷是否滿足迭代收斂條件，若滿足則停止迭代，輸出所得高分辨率圖像。本發(fā)明提供的圖像超分辨率重建方法在視頻和圖像處理、醫(yī)學成像、遙感圖像等領域中有著廣泛的應用前景。
文檔編號G06T5/00GK102360498SQ201110329920
公開日2012年2月22日 申請日期2011年10月27日 優(yōu)先權日2011年10月27日
發(fā)明者司文博, 張燕, 朱祥樂, 袁欽, 錢蕾 申請人:江蘇省郵電規(guī)劃設計院有限責任公司