推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于二阶广义方向性全变分的图像超分辨率重建方法

更新时间:2019-12-24 05:18:28 大小:2M 上传用户:zhiyao6查看TA发布的资源 标签:图像超分辨率重建 下载积分:1分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

超分辨率图像重建是增强那些低成本成像传感器系统图像分辨率的有效措施.得益于先验知识的学习,低分辨率图像可有效地被超分辨率增强.针对带有明显边缘结构的图像,现有方法没有有效利用高阶信息从而会出现一些光滑的图像细节.本文针对这种特殊的图像结构,研究一种基于二阶广义方向性全变分的重建方法来挖掘那些隐含的高阶可利用信息.二阶广义方向性全变分不仅可以作为先验知识,还能作为稀疏正则项抑制伪影和噪声.实验结果表明,本文方法可有效超分辨率重建结构边缘图像,并可获得高分辨率图像细节和纹理特征.


部分文件列表

文件名 大小
基于二阶广义方向性全变分的图像超分辨率重建方法.pdf 2M

部分页面预览

(完整内容请下载后查看)
11 期  
ꢀ  
ꢀ  
ꢀ  
Vol.45ꢀ No.11  
Nov.ꢀ 2017  
2017 11 月  
ACTA ELECTRONICA SINICA  
基于二阶广义方向性全变分的  
图像超分辨率重建方法  
伍政华孙明健顾宗山范明意1  
(1.中国电子科技集团公司第三十八研究所安徽合肥 230088;2.哈尔滨工业大学威海控制科学与工程系山东威海 264209)  
ꢀ ꢀ 超分辨率图像重建是增强那些低成本成像传感器系统图像分辨率的有效措施得益于先验知识的学  
低分辨率图像可有效地被超分辨率增强针对带有明显边缘结构的图像现有方法没有有效利用高阶信息从而会  
出现一些光滑的图像细节本文针对这种特殊的图像结构研究一种基于二阶广义方向性全变分的重建方法来挖掘那  
些隐含的高阶可利用信息二阶广义方向性全变分不仅可以作为先验知识还能作为稀疏正则项抑制伪影和噪声实  
验结果表明本文方法可有效超分辨率重建结构边缘图像并可获得高分辨率图像细节和纹理特征.  
关键词超分辨率重建广义方向性全变分优化算法正则约束  
中图分类号ꢀ TN919ư 8ꢀ ꢀ ꢀ 文献标识码ꢀ Aꢀ ꢀ ꢀ 文章编号ꢀ 0372⁃2112 (2017)11⁃2625⁃08  
电子学报 URLhttp/ / ww.ejournal.org.cnꢀ  
DOI: 10.396 .issn.0372⁃2112.2017.11.008  
Second⁃Order Directional Total Generalized  
Variation Regularization for Image Super⁃resolution  
WU Zheng⁃hua,SUN Ming⁃jian,GU Zong⁃shan,FAN Ming⁃yi1  
(1.No.38 Research Institute of China Electronics Technology Group CorporationHefeiAnhui 230088,China;  
.Control Science and EngineeringHarbin Institute of Technology at WeihaiWeihaiShandong 264209,China)  
Abstract:ꢀ Super⁃resolution SRimage reconstruction has developed into a powerful tool to enhance the image reso⁃  
lution for the systems with low⁃cost imaging sensors.A direct but efficient approach to super⁃resolve a low⁃resolution image  
is based on prior knowledge learningut the existing methods do not consider matched high⁃level features in the images  
with structured edgesresulting in some smooth image artifactsecond⁃order directional total generalized variation DT⁃  
GVregularization based method is proposed to explore the underlying high⁃level information of the data in this paper.More  
specificallysecond⁃order DTGV acts as not only an additional prior but also an effective constraint to reduce the image arti⁃  
facts and remove the noise.Results from several texture images demonstrate that the proposed approach can generate high⁃  
resolution image details and tend to produce high⁃frequency textures.  
Key words:ꢀ super⁃resolutiondirectional total generalization variationoptimization algorithmregularization con⁃  
strains  
态的重构问题这些方法大致可分为三大类插值方法、  
1ꢀ 引言  
基于正则化项的方法和基于机器学习的方法插值方法  
和基于正则化项的方法都可以改善 SR 问题的病态程  
ꢀ ꢀ 分辨率图像重建( Super⁃resolution image recon⁃  
struction,SR是指从单个或多个低分辨率图像中获得  
一幅高分辨率图像的过程它是计算机视觉和图像处  
理领域极具挑战的课题之一[1~.SR 已被证实可用于一  
些生物医学研究和低成本成像系统的图像分辨率增  
[9 11] 基于机器学习的方法主要是通过挖掘高分辨率  
和低分辨率图像块的联合特征来重建图像的细节并抑  
制伪影[1,10]  
本文所讨论的范围是基于正则化项的超分辨率图  
像重建方法5] 并且针对的是带有结构边缘的图像  
[7,8] 目前已经发展了很多方法来解决 SR 这一严重病  
收稿日期:2016⁃06⁃12;修回日期:2017⁃03⁃27;责任编辑马兰英  
基金项目国家自然科学基金o.61371045山东省重点研发计划项目o.2016JMRH0217,No.2016GGX103032)  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 报  
2017 年  
2626  
mages with Structured Edges,ISE由于数据量的不足  
和模糊核的不确定性导致 SR 问题呈现出严重的病态  
而正则化项是通过引入先验知识来改善 SR 的病态  
程度常用的一些正则化项包括全变分otal variation,  
TV[4,26] 稀疏约束补偿项等但是这些补偿项往往都  
是普适的并未深入挖掘特定类型图像ISE的高阶  
细节信息从而只获得了低性能的重建结果.  
3ꢀ 二阶广义方向性全变分DTGV)  
回 顾 之 前 的 工 作一 幅 图 像 DTV 定  
义为[27,28]  
DTV()  
αθ )  
(3)  
j  
其中 θ α 分别为旋转变换和尺度收缩矩阵具体表  
示为  
本文是在基于方向性全变分irectional Total Vari⁃  
ation,DTV[27] SR 方法的基础之上[28] 以数据驱动为核  
深入挖掘 ISE 更高阶的图像细节信息而提出的基于  
二阶广义方向性全变分( Second⁃order Directional Total  
Generalized Variation,DTGV) SR TGV 仅可  
以保持 DTV 在超分辨率重建过程中表现出的边缘保护  
和噪声抑制的优势还能够通过高阶处理减轻阶梯伪  
影并重建出更清晰的图像细节基于 DTGV SR 问题  
是一个凸优化问题可用交替方向乘子算法lternating  
cosθ  
sinθ  
α
ö
æ
ö
æ
ç sinθ cosθ  
ç 0 1÷  
÷
θ  
α  
(4)  
è
ø
è
ø
并且 θ W  
α ( ·)示该算子的共轭算  
θ
α
.  
近 来 提 出 的 广 义 全 变 分 ( Total Generalized  
Variation,TGVTV 的广义模型[31 33] 它利用高阶变  
差可显著减少 TV 在重建过程中产生的阶梯伪影综合  
考虑计算复杂度和性能二阶 TGV 是最为常用的版本,  
如无特殊声明本文所涉及的 TGV 均为二阶 TGV二阶  
Direction Method of MultipliersDMM) 效求解[29~30]  
TGV 本身是一个最小化问题其离散版本可表述为,  
实验结果表明基于 DTGV 的方法在超分辨率重建 ISE  
的性能上要优于目前很多方法并可以产生更多清晰  
的图像细节.  
αε)  
TGVα) minαH  
(5)  
基于 DTV 二阶 TGV 们提出了二阶  
DTGV 的概念即  
DTGVα) minααθ H  
2ꢀ 超分辨率图像重建  
αε)  
×
ꢀ ꢀ 一幅观测得到的低分辨率图像 m n 可以看作  
(6)  
×
是一幅高分辨率图像 M N经过模糊和  
其中 ε)  
示对称梯度以看出  
降采样处理得到的[1 3] 即  
DTGVα 在一阶差分和二阶差分之间作了一个优化均  
我们可以给出其直观的解释对于 的平滑区域,  
二阶差分要比一阶差分小很多所以最小化式6)趋向  
Ω)  
(1)  
×
×
其中 Ω M  
m n 的降采样算子是模糊核函数,  
是卷积处理过程超分辨率图像重建过程就是从低分  
辨率的观测图像 中重建出高分辨率图像 且分辨  
率的提高因子一般可达 倍以上≥3≥3.  
可以看出模型中的降采样过程导致了数据的大量缺  
并且模糊核函数的不确定性进一步加深了 SR 过程  
的病态程度基于正则化约束的 SR 方法是通过引进有  
效的先验信息约束项来补偿降采样过程中丢失的数据  
信息从而使问题向良态转化给定一个正则化补偿项,  
从低分辨率图像中重建高分辨率图像的过程可以转化  
为下面的优化求解问题.  
于选择 p Wα θ 从而会趋向于用二阶差分来描  
述平滑区对于 的跳变区域如边缘附近一阶差分比  
二阶差分小很多以趋向于选择 最小化式  
(6),因此 DTGVα 变成了 DTV 约束项来描述跳变区域,  
而这正是 DTV 的优势所在所以可以看出,DTGV 用高  
阶变分来描述平滑区用低阶变分描述跳变区可有效  
抑制低阶差分描述平滑区所带来的伪影从而对图像  
更具有自适应性.  
4ꢀ 基于 DTGV SR 方法  
λR)  
argmin  
ΩL  
(2)  
ꢀ ꢀ 给定了式(2)基于正则化项的模型和式6) TGV  
的概念可以整合得到基于 DTGV SR 模型那么就可  
以从一幅低分辨率图像中重建出高分辨率图像,  
β
H  
其中 分别是傅里叶变换和傅里叶反变换第一项  
为数据保真项第二项为作用在 上的正则化约束项,  
λ 为正则化参数的选择便成为了基于正则化约  
SR 方法的关键本文即针对 ISE 这一特殊类型的图  
像采用 DTGV 补偿项深入挖掘隐含的高阶图像细节信  
使重建出的高分辨率图像性能更佳.  
ΩL  
ꢀ ꢀ argmin  
H  
αα θ H  
(7)  
αε)  
其中 β 是数据保真项参数B Wα θ 也即是  

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载