基于信號統(tǒng)計特性的圖像超分辨率研究.pdf

1、獲取清晰的高分辨率圖像是大多數(shù)成像系統(tǒng)的目標，高分辨率的圖像有著很高的應用價值。然而在圖像采集過程中，受到傳感器陣列排列密度的限制，圖像的分辨率不可能很高；同時根據(jù)奈奎斯特-香農(nóng)采樣定理，下采樣效應會造成圖像的頻域混疊效應，使獲取的圖像由于頻域混疊效應而降質(zhì)。另一方面，由于大氣的不同的狀況的擾動、拍攝景物與成像設備之間的相對運動、成像系統(tǒng)噪聲等，也使成像產(chǎn)生模糊，并降低了圖像的分辨率和成像質(zhì)量。提高圖像空間分辨率的物理途徑一般可以通過提

2、升傳感器制造技術、增大相機光學系統(tǒng)的焦距和孔徑等辦法，但是這些方法受到加工和制造成本的制約。因此從信號處理和計算機視覺的角度，使用超分辨率重建技術來提高圖像分辨率有著極大地現(xiàn)實意義和應用價值。
　　超分辨率重建的目標是從低分辨率輸入圖像來重建一幅高分辨率圖像。經(jīng)過多年的發(fā)展，現(xiàn)有超分辨率算法取得較好的重建結(jié)果，但該技術仍有很多問題有待解決。例如，目前的機器學習超分辨率算法，通常是按照圖像塊為單位進行超分辨率重建，并不能保證重建的高

3、分辨率圖像符合圖像的全局統(tǒng)計特性；同時自然圖像內(nèi)部含有大量的冗余信息，而這樣一個統(tǒng)計特性并沒有被目前的單幅圖像超分辨率方法很好的利用；此外目前的超分辨率重建技術對于頻域混疊效應不能夠很好的處理?；谏鲜鰡栴}，本文根據(jù)圖像信號的統(tǒng)計特性，圍繞全局和局部約束結(jié)合、挖掘圖像內(nèi)部冗余信息以及去除頻域混疊效應等問題展開討論。
　　目前基于機器學習的超分辨率方法是一個研究的熱點。在這種方法中，高頻的細節(jié)分量通過塊匹配的方法從訓練圖像庫中直接提

4、取或者融合。但是由于圖像塊一般都比較小，內(nèi)容表示能力有限，很難保證重建的高分辨率圖像符合自然圖像的全局統(tǒng)計特性。針對這個問題，我們在本文提出了一種帶有全局和局部約束的基于機器學習的超分辨率方法。詳細來講，我們在最大后驗概率估計中引入一個混合模型，它包含了一個全局的參數(shù)約束和一個局部的基于圖像塊的非參數(shù)約束。全局參數(shù)約束保證了重建的全局圖像與自然圖像的帶有稀疏性質(zhì)的全局統(tǒng)計特性相符，而局部基于圖像塊的非參數(shù)約束用來推斷全局圖像與真實高分辨

5、率圖像之間的殘差圖像。實驗結(jié)果表明，相對于傳統(tǒng)的機器學習方法，我們的方法不僅能夠保持圖像的整體結(jié)構，而且能夠更加有效地恢復圖像的細節(jié)，實驗結(jié)果中的客觀衡量標準和主觀視覺質(zhì)量的對比也驗證了我們的算法的有效性。
　　圖像內(nèi)插的主要目的是從低分辨率圖像中獲取高分辨率圖像。對于低分辨率圖像中由于下采樣造成的頻域混疊效應，通常的內(nèi)插方法并不能很好的克服，往往會產(chǎn)生過擬合的噪聲。在本文中，基于自然圖像中含有大量相似的紋理這樣一個圖像信號的統(tǒng)計

6、特性，我們提出了一種圖像塊自組織的內(nèi)插方法。我們首先對下采樣區(qū)域進行初始內(nèi)插，然后將預插值高分辨率圖像塊分成一個低分辨率圖像塊和一系列下采樣預插值圖像塊。對于每個下采樣預插值圖像塊，我們從低分辨率圖像中查找一系列紋理相似的備選圖像塊。馬爾可夫鏈模型被用來對低分辨率圖像塊和下采樣圖像塊的備選圖像塊之間的關系進行建模，置信度傳播算法被用來進行最優(yōu)備選塊的選取，它們被用來重建高分辨率圖像。在馬爾可夫鏈模型中，我們將備選塊與初始下采樣塊之間的一

7、致性、相鄰的下采樣塊之間重疊部分的一致性和用專家場模型學習的圖像先驗知識作為勢函數(shù)，來對初始下采樣塊和備選下采樣塊之間的關系進行建模。實驗結(jié)果驗證了我們的算法能夠有效地減輕頻域混疊效應和避免過擬合效應。
　　在圖像內(nèi)插的同時去除頻域混疊效應一直是一個非常有挑戰(zhàn)性的課題。我們曾經(jīng)提出了一種使用圖像塊自組織的內(nèi)插方法，對于去除頻域混疊效應有一定的作用。但是圖像塊大小的選擇是固定的，不能最大限度的利用圖像內(nèi)含有大量冗余信息這樣一個統(tǒng)計特

8、性，并發(fā)揮塊匹配的優(yōu)勢。在本文中，為了更進一步去除頻域混疊效應，并在紋理細節(jié)區(qū)域避免過擬合，我們提出了一種迭代的多尺度的半局部內(nèi)插方法。這個方法通過使用一系列相似的圖像塊中心位置的低分辨率圖像像素來估計丟失的像素值，其中圖像塊的大小隨著迭代次數(shù)的增長從大到小依次減小。在開始迭代的幾步，使用大的圖像塊尺度，可以有效地減小低分辨率圖像中的頻域混疊效應對尋找相似塊時的影響，大大增加了真實相似塊找到的可能性。隨后，在后面的迭代步驟里，逐漸減小圖