圖像重建畢業(yè)論文

1、<p>　　圖像超分辨率重建技術研究</p><p><b>　　摘 要</b></p><p>　　超分辨率圖像重建是指將一系列各自包含一部分不同圖像細節(jié)的相似低分辨率圖像通過一定方法融合成一幅高分辨率圖像的處理方法。對于一定的數(shù)字成像系統(tǒng)，通過超分辨率圖像重建可以得到高質量的圖像而不需要提高系統(tǒng)的硬件性能，因此它可以被廣泛應用于圖像處理的各種領域中

2、。</p><p>　　超分辨率圖像重建算法可以分為兩大類，即頻域算法和空域算法。頻域算法是早期的超分辨率重建算法，只能對全局位移的圖像序列進行處理，空域算法使用通用的觀察模型，具有更好的適應性和重構效果，是目前的主要研究方向。其中POCS算法利用投影至凸集的原理進行圖像重建，算法直觀而且有效，是最有前途的超分辨率重建算法之一。</p><p>　　在序列圖像超分辨率重建算法中，本文對PO

3、CS方法做了比較細致的研究，針對用常規(guī)POCS算法重建的高分辨率圖像中出現(xiàn)的導致圖像邊緣質量下降的現(xiàn)象,分析了圖像邊緣模糊形成的原因，對算法進行了改進，提出了邊緣保持的POCS算法，用基于梯度的插值算法來獲取POCS的初始值，實驗結果表明，該方法能夠得到較好的視覺效果，明顯地提高重建圖像的邊緣質量。</p><p>　　關鍵詞：超分辨率復原，凸集投影，邊緣保持</p><p><b&

4、gt;　　ABSTRACT</b></p><p>　　Super-resolution image restoration is a method that combines multiple similar but not identical low-resolution images into a higher resolution single image. In a particular d

5、igital imaging system,using super-resolution methods can help to obtain higher quality images without up grading system hard- ware,therefore super-resolution techniques can be applied to vast image-processing areas.</

6、p><p>　　Super-resolution techniques can be divided into two main categories:frequency domain methods and spatial domain methods. Frequency domain methods are earlier super-resolution methods,they can only deal

7、with image sequences that only translational motions are allowed. Spatial methods use general observation models,they have better adaptability and performance. In POCS method,projection onto convex sets theories is emplo

8、yed to realize super-resolution restoration,it is intuitive in theoretical and</p><p>　　In sequence LR images reconstruction,the research work in this paper focuses on POCS,analyzing the factors which influe

9、nce the results of super resolution. According to the traditional super-resolution image reconstruction algorithm led to the blur edge of reconstructed high image. With an analysis of the reason which led to the blur edg

10、e of high-resolution reconstruction image,a new image interpolation based on gradient is proposed,it kept large information of the image edge. Use this new image</p><p>　　Key words：super-resolution restore,

11、projection onto convex sets, edge maintain </p><p><b>　　目 錄</b></p><p><b>　　中文摘要Ⅰ</b></p><p>　　ABSTRACTⅡ</p><p><b>　　1緒論1</b>&l

12、t;/p><p>　　1.1 研究背景及研究意義1</p><p>　　1.2 圖像超分辨率重建的應用2</p><p>　　1.3 本論文的主要研究內容及其完成的工作3</p><p>　　2 超分辨率圖像重建算法研究4</p><p><b>　　2.1 概述4</b></p>

13、;<p>　　2.2 頻域方法5</p><p>　　2.3 空域方法6</p><p>　　2.3.1 非均勻空間樣本插值算法6</p><p>　　2.3.2 迭代反投影算法7</p><p>　　2.3.3 凸集投影算法7</p><p>　　2.3.4 最大后驗概率估計和最大似然估計算法

14、7</p><p>　　2.3.5 混合MAP/POCS方法8</p><p>　　2.4常見的圖像重構算法的比較8</p><p>　　3 POCS算法及其改進算法的實現(xiàn)11</p><p>　　3.1凸集投影算法11</p><p>　　3.1.1用插值方法構造參考幀12</p><

15、p>　　3.1.2 運動估計12</p><p>　　3.1.3基于點擴散函數(shù)的修正13</p><p>　　3.1.4 POCS圖像重建算法步驟13</p><p>　　3.2保留邊緣信息的POCS超分辨率圖像重建算法14</p><p>　　4 試驗結果與分析16</p><p>　　4.1試驗低分

16、辨率圖像的生成16</p><p>　　4.2改進的POCS算法重建結果及其分析17</p><p><b>　　5 結論18</b></p><p>　　5.1 論文總結18</p><p>　　5.2 工作展望18</p><p><b>　　參考文獻20</b&g

17、t;</p><p><b>　　1 緒論</b></p><p>　　1.1研究背景及研究意義 </p><p>　　伴隨著計算機技術、信息處理技術和視覺通信技術的高速發(fā)展，人類進入了一個全新的信息化時代。人們所能能夠獲取的知識量呈爆炸式的增長，因此迫切的要求信息處理技術不斷的完善和發(fā)展，以便能夠為人們提供更加方便、快捷和多樣化的服務。

18、數(shù)字圖像及其相關處理技術是信息處理技術的重要內容之一，在很多領域得到了越來越廣泛的應用。對于數(shù)字圖像在一些情況下一般要求是高分辨圖像，如：醫(yī)學圖像要求能夠顯示出那些人眼不能辨別出的細微病灶；衛(wèi)星地面要求衛(wèi)星圖像至少能夠辨別出人的臉相甚至是證件；有些檢測識別控制裝置需要足夠高分辨率的圖像才能保證測量和控制的精度。因此提高圖像分辨率是圖像獲取領域里追求的一個目標。</p><p>　　1970年以來，CCD和CMOS

19、圖像傳感器廣泛的被用來獲取數(shù)字圖像，在很多的應用場合，需要獲取高分辨圖像，提高圖像分辨率最直接的方法是提高成像裝置的分辨力，但是受傳感器陣列排列密度的限制，提高傳感器的空間分辨率越來越難，通常采用的方法是減少單位像素的尺寸（即增加單位面積內的像素數(shù)量），對于數(shù)字攝機，比如CCD，就是減少其傳感單元的尺寸從而提高傳感器的陣列密度，使其能夠分辨出更多場景細節(jié)。但是這樣將導致數(shù)字攝像機的價格大幅度提高。技術工藝的制約也限制了圖像分辨率的進一步

20、提高。事實上隨著像素尺寸的減少，每個像素接收到的光照強度也隨之降低，傳感器自身的噪聲將嚴重影響圖像的質量，造成拍攝的影像信噪比不高，因此，像素尺寸不可能無限制的降低，而是有下限的，當CCD傳感器陣列密度增加到一定程度時，圖像的分辨率不但不會提高反而會下降，這是因為當CCD陣列密度增加到一定的程度即傳感單元變得相當小時，將使產(chǎn)生的圖像光電信號變得非常微弱而被傳感單元的噪聲嚴重污染甚至淹沒從而導致圖像退化。其他使圖像降質退化的因素還有將場景

21、物體的運動模糊、系統(tǒng)的點擴散函數(shù)模糊、采樣量化模糊以及電路噪聲等。所有這些制約圖像分辨率</p><p>　　解決這一問題的一個實用而有效的方法就是圖像的超分辨率重構技術，其不需要昂貴的圖像獲取設備，只需要通過計算機軟件的處理就能獲得更高分辨率的圖像。因此，用該方法來提高圖像分辨率所需要的代價很低。</p><p>　　1.2 圖像超分辨率重建的應用</p><p>

22、;　　由于超分辨率重建技術在一定條件下，可以克服圖像系統(tǒng)內在分辨率的限制，提高被處理圖像的分辨率，因而超辨率技術的應用正在快速的增長，在視頻、遙感、醫(yī)學和安全監(jiān)控等領域具都有十分重要的應用。例如：</p><p>　　(1) 在數(shù)字電視(DTV)向高清晰度電視(HDTV)過度階段，僅有部分電視節(jié)目會以HDTV的形式播出，不少節(jié)目采用的是DTV的形式。因此，可以利用超分辨率重建技術將DTV信號轉化為與HDTV接收機

23、相匹配的信號，提高電視節(jié)目的兼容性。</p><p>　　(2) 在采集軍事與氣象遙感圖像時，由于受到成像條件與成像系統(tǒng)分辨率的限制，不可能獲得清晰度很高的圖像,而通過利用超分辨率重建技術，在不改變衛(wèi)星圖像探測系統(tǒng)的前提下，可實現(xiàn)高于系統(tǒng)分辨率的圖像觀測。在公共安全領域，超分辨圖像重建技術也有著很廣闊的應用，超分辨率圖像重建技術可以利用普通監(jiān)視錄像資料，重建出高清晰的目標圖像，從而有利于相關人員的辨識。</

24、p><p>　　(3) 在醫(yī)學成像系統(tǒng)中（如CT、MRI和超聲波儀器等），可以用超分辨率重建技術來提高圖像質量，對病變目標進行仔細地檢測，在醫(yī)學檢測中往往需要通過層析成像技術識別并確定出病體的精確位置及詳細情況：如陰影的邊緣、病體占位的大小及位置等。由于硬件設備及現(xiàn)有的成像技術的限制，我們還不能夠獲取滿足更高要求的高清晰圖像。由于層析成像技術的特殊機理，超分辨率圖像重建技術可以在該領域獲得重要的應用。</p&g

25、t;<p>　　(4) 在銀行、證劵等部門的安全監(jiān)控系統(tǒng)中，當有異常情況發(fā)生后，可對監(jiān)控錄像進行超分辨率重建，提高圖像要害部分的分辨率，從而為事件的處理提供重要的線索。</p><p>　　(5) 可以將超分辨率重建技術用于圖像壓縮。平時存儲或傳輸?shù)头直媛实膱D像信息，當有不同需要時，再利用超分辨率重構技術獲得不同分辨率的圖像和視頻。此外，超分辨率圖像重建技術有可能使圖像實現(xiàn)從檢出水平(detecti

26、onl evel)向識別水平(recognitionlevel)的轉化，或更進一步實現(xiàn)向細辨水平(identification level)的轉化。超分辨率圖像重建技術可以提高圖像的識別能力和識別精度。</p><p>　　(6) 在資源與環(huán)境的衛(wèi)星遙感應用領域中，地球資源衛(wèi)星的發(fā)射是為了獲取多光譜圖像，通過對這些圖像進行一系列的處理，可以獲取不同的有用信息。例如：植被的分類及分布、區(qū)域地理結構以及水資源的分布面

27、積等信息。但是由于現(xiàn)有成像技術的限制，圖像的分辨率限制了圖像的判別和定位的精度。利用超分辨率圖像重建技術對這些圖像進行重建，從而提高所需資料的獲取精度。</p><p>　　總之，隨著超分辨率技術的發(fā)展和完善，其應用領域會繼續(xù)擴大，圖像超分辨率處理技術有著較為廣闊的發(fā)展空間。</p><p>　　1.3 本論文的主要研究內容及其完成的工作</p><p>　　本文主

28、要研究了灰度圖象超分辨率重構算法，考慮了圖象退化模型已知和未知，有噪聲和無噪聲等情況，對于提出的每個算法都進行了實驗結果分析。在深入研究現(xiàn)有圖像超分辨率處理技術的基礎上，希望提出一些新的思想，引入一些新的方法與途徑，來提高超分辨率復原圖像的質量，或者提高既有算法的性能和效率。在論文中首先建立超分辨率復原的降質退化模型，用軟件的方法生成低分辨率觀測序列圖像，并用基于圖像配準的運動參數(shù)估計方法對觀測序列圖像的運動信息進行估計。分析并比較時間

29、域以及空間域的各種超分辨率算法的性能，選取一種較為直接而且有效的算法作為本課題研究的主要算法。</p><p>　　第二章為已有的各種圖象超分辨率重構算法的綜述。首先介紹了圖象退化的模型和圖象超分辨率重構研究的概況，然后分頻域和空間域兩種情況介紹了己有的各種圖象超分辨率重構算法，空間域方法主要包括：非均勻空間樣本插值、迭代反投影、凸集投影、最大后驗概率估計、最大似然估計以及混合MAP/POCS方法等。并且從算法復

30、雜度以及圖像重構的效果等幾個方面對頻域算法與空間域算法進行了比較。同時對目前最熱門的兩種算法：MAP算法以及POCS算法進行了比較。</p><p>　　第三章主要是對目前最熱門的序列圖像重構算法的POCS算法進行了比較深入的研究。目前在POCS超分辨率圖像重構的實現(xiàn)中在初值的選取時普遍采用的是雙線性插值算法。雙線性插值是將原始圖像上的各點首先對應到放大圖像的各點上，在此基礎上進行插值并且不區(qū)分邊緣區(qū)域和平滑區(qū)域

31、，這是造成邊緣模糊的主要原因。因而就想到了要對圖像的邊緣點進行特殊的處理即用保持原始圖像的邊緣信息進行圖像插補的方法代替雙線性插值來求解POCS算法中高分辨率圖像的初始估計，然后在此基礎上進行POCS算法，并在MATLAB開發(fā)平臺上進行仿真試驗。</p><p>　　第四章主要是對上一章所提出的方法進行試驗仿真，仿真結果證明了基于邊緣保持的POCS算法的可行性以及有效性。</p><p>

32、　　第五章給出了一些結論以及未來要做的工作。</p><p>　　2 超分辨率圖像重建算法研究</p><p>　　2.1 超分辨率技術概述</p><p>　　超分辨率圖像復原是將多幅圖像的退化因素去除后再融合，這需要解決圖像的運動估計、退化圖像去模糊和去噪聲以及對還原后的圖像信息進行融合等，超分辨率圖像復原是一個病態(tài)問題，主要表現(xiàn)在：第一，圖像在獲取的過程中，

33、噪聲嚴重，觀測圖像與原始圖像嚴重不一致，無法進行估計，造成無解。第二，由于幅員的過程中，約束條件不充分得到的解不是唯一的；第三，圖像獲取過程中的噪聲增加了圖像的不確定性，造成解的不連續(xù)性。超分辨復原需要處理以下幾個問題：</p><p>　?。?）運動估計：估計低分辨率圖像序列的信息在待恢復HR圖像中的對應位置，確定由低分辨率圖像的子像素運動所形成的位移算子。</p><p>　　（2）幾

34、何形變：根據(jù)運動估計結果，將低分辨率圖像信息通過插值和幾何形變還原到HR圖像坐標中。</p><p>　?。?）信息融合：將還原到HR圖像坐標中的信息融合到一張圖片中，可以采用多種信息融合算法。</p><p>　?。?）去模糊和噪聲：在HR融合圖像中需要去除模糊和噪聲，如果圖像模糊和噪聲未知，需要先圖像序列中估計。</p><p>　　超分辨率影像重建技術于60年

35、代由Hamm和Goodman最初以單張影像復原的概念和方法提出，隨后許多人對其進行了研究，并相繼提出了各種復原方法，雖然這些方法做出了較好的仿真結果，但并沒有在實際中得到廣泛的應用。80年代末之后，隨著計算機技術、電子技術以及信號處理理論與技術特別是小波理論、自適應濾波理論以及一些優(yōu)化理論的發(fā)展，人們在超分辨率影像重建方法研究上取得了突破性進展，研究成果倍出，其應用涵蓋了航空航天遙感、目標識別、醫(yī)學計算機層析成像、空中目標光電監(jiān)視成像等

36、諸多領域。值得一提的是，國際著名的光學儀器制造公司Leica/Hellawa公司、法國國家航天研究中心已經(jīng)把該領域的理論研究成果轉化到硬件產(chǎn)品--交錯CCD傳感器陣列的設計中，并已將其分別應用于他們的遙感設備“ADS40”和“SPOT5”衛(wèi)星，取得了相當理想的效果。從目前的研究和應用成果來看，人們提出了很多圖象超分辨率算法。這些算法按照可以獲得的低分辨率圖象的數(shù)量可以分為兩類：1)序列圖象的高分辨率估計： 組合同一場景的多幅低分辨率圖象

37、以獲得一幅高分辨率圖象的過程；2)單幅圖象的高分辨率估計：由一幅低分辨率圖象得到一幅高分辨率</p><p>　　中在頻率域進行，但隨著更一般的退化模型的考慮，后期的研究工作幾乎都集中在空間域進行。</p><p><b>　　2.2 頻域方法</b></p><p>　　頻率域方法是圖像超分辨率重建中的一類主要方法，主要是基于傅氏變換和反變換

38、來進行的圖像復原。它通過在頻率域消除頻譜混疊而改善圖像的空間分辨率，由于圖像的細節(jié)靠高頻信息來表現(xiàn)，而通過消除頻譜混疊，就可以獲得更多的被淹沒掉的高頻信息，因此依靠在頻率域解頻譜混疊就是增加圖像的細節(jié)，提高分辨率。目前采用的主要是消混疊重建方法(Reconstruction via Alias Removal)，消混疊重建方法是通過解混疊而改善影像的空間分辨率，進行超分辨率重建。最早的研究工作是由Tsai和Huang在1984年進行的。

39、作為兩類主要的重建算法之一，頻域算法的基本思想就是將圖像數(shù)據(jù)先變換到頻域進行結合轉換，再變換回空間域形成高分辨率圖像。它主要利用了采樣定理以及連續(xù)傅立葉變換(CFT)，離散傅立葉變換(DFT)的性質等。在原始場景信號帶寬有限的假設條件下，利用離散Fourier變換和連續(xù)Fourier變換之間的平移、混疊性質，給出了一個由一系列欠采樣觀測影像數(shù)據(jù)重建HR影像的公式，使得多幀觀察圖像經(jīng)混頻的離散傅立葉變換系數(shù)與未知場景的連續(xù)傅立葉變換系數(shù)以

40、方程組的形式聯(lián)系起來，方程組的解就是原始場景的頻</p><p>　　頻域算法有以下的優(yōu)點：首先它是一種簡單而且直觀的方法，雖然實現(xiàn)起來有一定的復雜度，但是它的基本原理很清晰，使用的頻域法則也只是很容易理解的基本的傅立葉變換性質；其次，頻域算法的計算復雜度低，其主要計算量是求解線性方程組，由于超分辨率圖像的每個頻域采樣點值的計算是獨立的，所以可以支持大量的并行運算，提高處理速度。但是，頻域算法的缺陷也非常明顯：&

41、lt;/p><p>　　(1) 使用全局位移的運動模型：頻域算法的提出最初是為了處理衛(wèi)星圖片，不同的圖片之間只是拍攝角度有細微的差別，所以可以方便地應用全局位移模型，不過對于一般的圖像序列全局位移的要求很可能不被滿足，由于傅立葉變換的平移特性是頻域算法使用的基本技術之一，很難對運動模型進行調整以適應有局部運動情況的圖像序列，缺少靈活性，從而限制了在大多數(shù)實際情況。</p><p>　　(2)

42、退化模型與運動模型的問題類似，頻域算法因為要把所有像素點統(tǒng)一轉換到頻域進行處理，所以無法應用隨空間變化的退化模型，沒有考慮光學系統(tǒng)的點擴散函數(shù)PSF、運動模糊和觀測噪聲的影響。對觀察噪聲的處理能力也非常有限。</p><p>　　(3)先驗知識的應用：超分辨率圖像重構是病態(tài)求逆的過程，因此恢復過程中</p><p>　　利用各種先驗知識進行圖像調整是很重要的。通常最有用的先驗知識都是在空間

43、域對圖像的重構范圍進行限制的，它們很難被用于頻域，除非其效果是移不變的。</p><p>　　(4)圖像頻帶受限：圖像頻帶有限與全局位移都是進行頻域重構的基本假設。算法中L值的設置會限制重構圖像的質量，如果設置得高，就會導致線性方程組中的未知量過多，數(shù)據(jù)點不足的問題。</p><p><b>　　2.3 空間域方法</b></p><p>　　

44、空間域方法是圖像超分辨率重建應用中另一類主要的方法，是目前研究的熱點，它的性能要遠遠高于頻域的方法。它將復雜的運動模型與相應的插值、迭代及濾波重采樣放在一起進行處理，作為影像重建的全部內容，其線性空間域觀測模型涉及到全局和局部運動、光學模糊、幀內運動模糊、空間可變點擴散函數(shù)、非理想采樣及其他一些內容。空間域影像超分辨率重建方法主要包括非均勻間隔樣本內插(Interpolation of Non-Uniformly Spaced Samp

45、les)、后向投影迭代(IBP)，概率論方法(Probabilitic Methods)以及集合論方法(Set Theoretic Methods)、混合MAP/POCS方法以及自適應濾波方法等。</p><p>　　2.3.1 非均勻空間樣本差值算法</p><p>　　觀測影像序列經(jīng)過配準后，形成一幅由非均勻間隔采樣格網(wǎng)點上的樣本值形成的復合影像，這些非均勻間隔樣本點經(jīng)過內插和重采樣可

46、形成超分辨率的采樣格網(wǎng)。非均勻間隔樣本內插方法是超分辨率圖像復原最直觀的方法。在這一方法中，首先對圖像進行相對運動估算，即配準，然后進行非均勻插值以便產(chǎn)生一幅分辨率較高的圖像，最后對圖像進行去模糊。通用插值方法將包含原始函數(shù)的空間分解為適當?shù)淖涌臻g，在每一個子空間內進行以插值為目的的尺度變換，然后將插值空間逆變換到原始空間。這樣原始空間也就包含了插值函數(shù)，相當于在原始空間內插值。挑選這些子空間的原則是：尺度變換的操作能夠保持原始函數(shù)的特

47、性。使用估算的相對運動信息，可以獲得非均勻間隔樣點上的HR圖像。一旦通過非均勻插值獲得一幅HR圖像，就能處理復原問題以消除模糊與噪聲。可以使用任何考慮噪聲存在的去卷積方法來進行復原。Aizawa,Komatsu和Saito提出了另一種基于內插的方法，對通過立體相機獲取超分辨率影像的方法進行了討論Masayuki用內插濾波方法對遙感影像進行了模擬試驗，證明了超分辨率的可行性，但效果并不很理想。近年來，有的學者對基于小波的圖像超分辨率技術進

48、行</p><p>　　內插方法過于簡單化，因為觀察數(shù)據(jù)是從嚴格的欠采樣得到的，在復原這一步(典型的假設是脈沖采樣)不能得到比低分辨率圖像中更多的頻率成分。并且退化模</p><p>　　型是受限制的，它們只適用于模糊和噪聲特性對全部低分辨率圖像都一樣的情況，也能利用任何先驗信息。另外，由于復原步驟忽視了插值階段中產(chǎn)生的誤差，所以不能保證整個復原算法的最優(yōu)性。</p><

49、;p>　　2.3.2 迭代反投影法</p><p>　　Irani等提出了一種迭代反投影算法。這種算法首先用輸出圖像的一個初始估計作為當前結果，并把這個當前結果投影到低分辨率觀測圖像上以獲得低分辨率模擬圖像，低分辨率模擬圖像與實際觀測圖像的差值稱為模擬誤差，根據(jù)模擬誤差不斷更新當前估計。Tom等通過改進運動補償方法，進一步提高了迭代反投影算法的性能，并將迭代反投影算法推廣應用到彩色視頻序列的超分辨率圖像重建

50、上。迭代反投影算法的優(yōu)點是直觀、簡單；缺點是問題具有病態(tài)性，解不惟一，而且難以利用先驗信息。</p><p>　　2.3.3凸集投影算法</p><p>　　凸集投影算法是一種集合理論重建方法。超分辨率圖像的可行域是一組凸約束集合的交集，而這組凸約束集合代表了期望的超分辨率圖像的一些特性，如數(shù)據(jù)可靠、能量有限、正定、支撐域有界、平滑等。POCS算法是一種迭代過程，在給定超分辨率圖像可行域中

51、任意一個點的前提下，可以找到一個滿足所有凸約束條件的點（即收斂解）。Stark和Oskoui首先將POCS應用于超分辨率圖像重建。Tekalp等進行了改進，考慮了傳感器噪聲。Patti等又提出了考慮多種降質因素的圖像獲取模型，包括照相機運動、非零孔徑時間、傳感器單元的非零物理尺寸、由光學成像元件引起的模糊、傳感器噪聲、任意空間時間采樣等。</p><p>　　2.3.4最大后驗概率估計和最大似然估計算法</

52、p><p>　　最大后驗概率估計和最大似然估計算法是一種統(tǒng)計重建方法，它是把超分辨率重建問題看成一個統(tǒng)計估計問題。最大后驗概率估計的含義就是在已知低分辨率視頻序列的條件下，使出現(xiàn)高分辨率圖像的后驗概率達到最大。根據(jù)貝葉斯理論，高分辨率圖像的后驗概率等于以下兩項之積：1）已知理想高分辨率圖像的條件下，低分辨率視頻序列的條件概率；2）理想高分辨率圖像的先驗概率。條件概率項通常采用高斯模型，先驗概率項在不同的算法中采用不同

53、的模型。通常采用的先驗模型應該具有三個特點：1）是一個局部平滑函數(shù)；2）具有邊緣保持能力；3）是一個凸函數(shù)。大多數(shù)最大后驗概率估計算法的差別就是在先驗模型的選擇上。一種常用的先驗模型是Huber-Markov模型。將對數(shù)似然函數(shù)化簡，得到一個約束最優(yōu)化問題。MAP估計算法就是將目標函數(shù)最小化。若目標函數(shù)是凸函數(shù)，則保證了它在最優(yōu)化過程中的收斂性。</p><p>　　Schultz等提出了MAP超分辨率圖像重建算

54、法，它是單幀圖像插值算法的推廣。這種方法采用Huber-Markov模型作為圖像的先驗信息，這些先驗約束是解決超分辨率重建問題的病態(tài)性所必須的。Hardie等提出了一種與超分辨率圖像和配準參數(shù)同時有關的MAP目標函數(shù)，這種方法可以同時進行運動估計和圖像重建。為了解決MAP超分辨率重建方法的病態(tài)性問題，可以把Tikhonov-Arsenin正則化引入到超分辨率重建方法中Tikhonov-Arsenin正則化函數(shù)可以認為是貝葉斯框架中Mar

55、kov隨機場先驗的特例。</p><p>　　2.3.5混合MAP/POCS方法</p><p>　　混合MAP/POCS方法就是在最大后驗概率方法的迭代優(yōu)化過程中加人一些先驗約束。在對超分辨率重建進行深人研究的基礎上，有的學者提出將統(tǒng)計理論與集合論有機統(tǒng)一在一起，能同時考慮觀察圖像的隨機統(tǒng)計特征和凸集特征，這就是所謂的混合MAP/POCS方法，對于最大后驗概率估計算法，其優(yōu)點是可以在解中

56、直接加入先驗約束、能確保解的存在和惟一，其降噪能力較強且收斂穩(wěn)定性高；其缺點是收斂慢、運算量大。另外，最大后驗概率估計算法的邊緣保持能力不強，由這類方法超分辨率復原的圖像的細節(jié)信息容易被平滑掉，對于凸集投影算法，其優(yōu)點是可以方便地加入先驗信息，可以較好的保持高分辨率圖像上的邊緣和細節(jié)特征；缺點是解不唯一且依賴于初始估計，并且運算量大、收斂穩(wěn)定性不高等。另外，POCS算法中的圖像修正過程是基于數(shù)據(jù)一致性的，因而超分辨率估計圖像的邊緣振蕩效

57、應是它的一個明顯不足之處。比較MAP估計、POCS兩種算法的優(yōu)缺點，可以發(fā)現(xiàn)兩種算法有許多互補性，如：MAP估計的迭代收斂穩(wěn)定性比POCS算法好，但POCS算法的收斂速度卻比MAP估計快；MAP估計的降噪能力比POCS強，但POCS的邊緣保持能力卻比MAP估計來的好；M</p><p>　　2.4常見的圖像重構算法的比較</p><p>　　超分辨率圖像重構包括頻域和空間域兩類主要算法，頻

58、域算法首先被提出，但是目前的研究則基本都是對空間域算法進行的，通過前面的介紹我們己經(jīng)可以看到空間域算法具有更好的適應性和重構效果，下面對這兩類算法做一個詳細比較，可以更清楚地看到它們各自優(yōu)劣所在。</p><p>　　表2-1：頻域算法與空間域算法的比較</p><p>　　從表中可以看到，頻域算法中采用的各系統(tǒng)模型都是相對簡單的，而空間域算法則盡量采用通用的，能夠包含各種實際可能遇到情況

59、的模型，因此頻域算法只能在特定的情況下使用，空間域算法則適用于幾乎是所有的場合。當然這是因為二者的出發(fā)點不一樣，頻域算法本身就是為了對一種特定的圖像序列(衛(wèi)星拍攝圖像)進行處理而產(chǎn)生的，它的處理思想也是基于這樣的特殊情況，所以難以改進擴展;頻域算法的提出引出了超分辨率圖像重構的課題，而空間域算法是為了解決超分辨率圖像重構問題而產(chǎn)生的，在設計算法的時候自然要先考慮算法的適應范圍的問題。</p><p>　　頻域算法

60、的理論很簡單，只涉及到一些傅立葉變換的知識，進行圖像重構時的計算量也不大，空間域算法考慮了各種運動、降質、噪聲情況以及圖像的先驗知識，因此算法相對復雜，而且多數(shù)空間域算法要采用重復修正逼近的方法求解，計算量也非常大。從圖像重構的效果來看，空間域算法比頻域算法好，主要是因為它對先驗知識有較好的包容性，先驗知識對圖像的限制通常是非線性的，而從圖像復原的相關知識中我們可以了解到圖像頻譜的擴展是要通過非線性過程的作用來實現(xiàn)。</p>

61、<p>　　空間域算法中最有前途的是MAP算法與POCS算法，它們都具有高度的靈活性和良好的可擴展性，重構圖像的效果也比較令人滿意，貝葉斯算法與POCS算法相比有更嚴謹?shù)睦碚摽蚣?，其最大的?yōu)點是重構結果是唯一的，POCS算法的優(yōu)點則是算法比較直觀，對先驗知識的利用更加簡單靈活。下面把這兩種算法的一些特性作一比較。</p><p>　　表2-2：MAP算法與POCS算法的比較</p>&

62、lt;p>　　3 POCS算法及其改進算法的實現(xiàn)</p><p>　　超分辨率圖像重構是一個典型的病態(tài)求逆問題。所謂病態(tài)問題，用數(shù)學的語言來講，就是由方程的己知條件，無法唯一地確定方程的解。求解病態(tài)問題的通用方法是采用正則化方法，即利用圖像的各種有關信息來約束問題的可能解的空問范圍。在超分辨率圖像重構中，正則化一般是通過以下兩種方式來進行：</p><p>　　(1) 利用圖像序列所

63、能提供的額外的、有關圖像的空間一時間約束信息(低分辨率圖像序列通常能夠提供有關約束同一場景高分辨率圖像的亞像素信息)。</p><p>　　(2) 利用各種有關圖像的先驗知識來約束高分辨率圖像的解空間(例如有關圖像的局部平滑先驗知識，邊界先驗知識，能量有界性先驗知識等)。</p><p>　　凸集投影(Projection onto convex sets,POCS)是圖像重構的重要理論方

64、法之一，該方法以其強大的先驗知識包含能力，成為近年來圖像復原領域中一種主要方法，并在圖像超分辨率重構方面也得到了很好的應用。POCS方法之所以在圖像超分辨率重構領域收到如此重視，主要在于該方法存在著以下優(yōu)點：</p><p>　　(1) 原理簡單POCS方法原理直觀，實現(xiàn)算法簡單。唯一的困難在于投影操作算子的確定。</p><p>　　(2) 靈活的空域觀測模型，因為POCS方法是空間域的

65、典型公式，非常一般的運動模型、觀測值模型均能適應其中，運動即觀測值模型的復雜度對POCS方法幾何沒有影響。</p><p>　　(3) 強大的先驗信息包含能力，POCS方法最有用的一面可能就是其很容易利用先驗信息。一般來說，確定包含理想解特點的限制集比較易于實現(xiàn)，但可能施加的其他限制條件如正定性、光滑性以及能量有界性則較難用代價函數(shù)來表示。</p><p>　　POCS方法的缺點主要有：其

66、一，解的不唯一性。對基于POCS的超分辨率重構來說，其解空間定義為所有凸集的交集，除非該交集是單點集，否則其解就是不唯一的；其二，對初始值的依賴性；其三，POCS方法需要可觀的計算代價和較多的迭代次數(shù)。本章在介紹凸集投影概念、特點以及其重構算法的基礎上，針對POCS算法的第二個缺點，本章將基于邊緣保持的插值算法與其相結合提出了基于邊緣保持的POCS超分辨率圖像重構算法，并對其進行實現(xiàn)仿真，仿真結果表明該算法具有良好的重構效果。</

67、p><p>　　3.1 凸集投影算法</p><p>　　基于凸集投影(POCS)的高分辨率圖像重建算法就是給定一組低分辨率圖像，假設為參考圖像，利用圖像和其它的圖像（其中且））重建高分辨率圖像的過程。通常的POCS</p><p>　　重建算法可以分作三個具體的步驟：構造參考幀、進行運動估計、對參考幀進行修正。</p><p>　　3.1.1

68、用插值方法構造參考幀</p><p>　　實現(xiàn)POCS算法的第一步就是根據(jù)觀察圖像序列構造參考幀，也就是預估的超分辨率圖像。從理論上來說，從整個成像空間圖像集合的任一點開始，在經(jīng)過向所有約束集投影的過程后，都可以找到它在交集上的投影，也就是說以任意的圖像作為參考幀開始重構，最后都能得出可以接受的重構結果。但實際上初始估計值對于算法是否可行的影響是比較大的。實際中通常為了加快收斂速度，減少重復修正需要的次數(shù)，降低算

69、法的計算量和消耗時間，構造的參考幀與最后的重構結果越相似越好。一般來說初始點是由一幀低分辨率圖像經(jīng)過插值得到的，也就是構造出來的參考幀。在后續(xù)的處理中，都是與預估計出來的參考幀作為基礎的。</p><p>　　插值是將圖像的像素點恢復到更高速率的采樣柵格上。通過插值，我們可以得到和超分辨率重建圖像的分辨率相同的重建圖像初始估計。并且，對原始LR圖像插值可以提高下一個步驟中的運動估計的準確性。通常采用的插值方法有三

70、種：a)最鄰近插值，b)雙線性插值，c)高階插值。這三種插值方法相比起來，最近鄰插值的計算最簡單；在許多情況下，其結果也可以令人接受。但是，當圖像中包含像素之間灰度級有變化的細微結構時，最鄰近插值所獲取的圖像中經(jīng)常帶有明顯的鋸齒現(xiàn)象，可能對重構圖像的效果有不良影響。雙線性插值和最近鄰插值法相比可能產(chǎn)生會更令人滿意的效果，只是它稍微復雜一些，運行時間稍長一點。但是雙線性插值對圖像有平滑作用，因此會使圖像的細節(jié)部分產(chǎn)生退化，造成插值后圖像的

71、邊緣模糊。相比較而言，高階插值對圖像細節(jié)的退化影響最小，但是由于采用的插值核函數(shù)更加復雜，所以其運算的復雜度比較高。</p><p><b>　　3.1.2運動估計</b></p><p>　　在獲取圖像序列的過程中，由于物體的運動以及相機位置的改變而導致圖像內容發(fā)生變化。主要包括物體的平移、旋轉、形狀變化、相機的變焦、傾斜、鏡頭抖動等。運動估計實際上就是求同一對象在

72、兩幀圖像中的位置差，也就是這個對象的兩幀圖像中的“運動”。在對同一場景進行拍攝后，假設總共拍攝到N幀分辨率為、各自含有不同亞像素信息的低分辨率圖像，并用來表示這些低分辨率圖像，那么我們最終目的是要從這些低分辨率圖像中重構出一幅分辨率為的高分辮率圖像，其中是放大倍數(shù)。為了能將這N幀低分辨率圖像中的不同亞像素信息甄別出來，就需要在高分辨率網(wǎng)格上重新將所有這N幀低分辨率圖像進行對準，這就是運動估計的目的所在。在凸集投影方法中，要把低分辨率圖像

73、序列投影到參考幀上進行修正，為保證低分辨率圖像中的點投影到參考幀圖像中的正確的位置上就必須進行運動估</p><p>　　計，實際上運動估計的好壞直接影響超分辨率復原的結果。</p><p>　　3.1.3 基于點擴散函數(shù)的修正</p><p>　　參考幀的修正過程其實就是成像空間的初始點在各個凸集中的投影過程。絕大多數(shù)的成像系統(tǒng)并不是理想的光學系統(tǒng)，圖像在經(jīng)過攝像

74、頭的時候總會有一定的退化，考慮一個光點源，透過攝像頭形成圖像，不可能與原先一樣就是一個點，而是會產(chǎn)生一些模糊，這個模糊是由點擴散函數(shù)(PSF)造成的。低分辨率圖像序列由理想高分辨圖像通過采樣產(chǎn)生，其中某點的像素灰度值是由理想圖像的一個小圖像塊中的點決定的。至于觀察的低分辨圖像中一個像素點對應于重構圖像中多大范圍內的點，是由低分辨率傳感器單元的PSF決定的，因此在超分辨率圖像重構中不僅要考慮光學模糊，而且還要考慮高低分辨率之間轉換產(chǎn)生的P

75、SF。</p><p>　　POCS算法的圖像修正方法是把一個觀察圖像像素投影到參考幀上，找出參考幀中在它的PSF范圍內的像素，由PSF計算出這個像素的灰度估計值，與實際值相比較，如果誤差超出允許范圍，就對參考幀中的像素灰度值進行修正使得灰度估計值與實際值的誤差減小到允許范圍內。對所有觀察圖像中的每個像素都進行這種處理。因為像素點在參考幀上的PSF影響范圍可能部分重疊，在使用后面的點修正圖像后，前面處理過的點的誤

76、差值可能會再超出閾值，所以進行修正的時候一般不會一次修正到位，而是采取循環(huán)修正的方法，在達到一定的循環(huán)次數(shù)，或者確定誤差值已收斂至足夠小才結束修正過程。</p><p>　　3.1.4 POCS圖像重建算法步驟</p><p>　　POCS圖像重建算法的具體步驟如下：</p><p>　　步驟1：對圖像進行運動估計：</p><p>　　1）

77、把每幀低分辨率圖像進行雙線性插值放大，放大到跟高分辨率圖像一樣大小。</p><p>　　2）對插值以后的低分辨率圖像與參考圖像進行運動估計。</p><p>　　步驟2：在運動軌跡精確的每一個像素點定義集合。</p><p>　　步驟3：在集合定義的每一個像素點計算模糊函數(shù)。</p><p>　　步驟4：對參考圖像進行雙線性插值，把插值以后

78、圖像作為高分辨率圖像的初始估計。</p><p>　　步驟5：對集合定義每一個像素點進行如下操作：</p><p>　　a.根據(jù)式計算殘差。</p><p><b>　　b.使用 </b></p><p>　　式中，投影算子投影殘差。</p><p>　　步驟6：基于式的幅值投影。</

79、p><p>　　步驟7：如果滿足終止判據(jù)，結束迭代。</p><p>　　3.2 保留邊緣信息的POCS超分辨率圖像重建算法</p><p>　　從步驟4可以看出重建圖像質量的好壞與雙線性插值出來的高分辨率圖像的初始估計有著直接的聯(lián)系。而雙線性插值是將原始圖像上的各點首先對應到放大圖像的各點上，在此基礎上作插值，并且不區(qū)分邊緣區(qū)域和平滑區(qū)域，這是造成邊緣模糊的主要原因。

80、因而我們就想到了要對圖像的邊緣點進行特殊的處理，即用保持原始圖像的邊緣信息進行圖像插補的方法代替雙線性插值來求解POCS算法中高分辨率圖像的初始估計，然后在此基礎上進行POCS算法。本文假設原始圖像的邊緣信息完整，那么在這種假設條件成立的情況下，對于邊緣與靠近邊緣的像素點我們就不應該去進行中間插值，簡單的將其移動到邊緣周圍即可。我們所要重點處理的應該是沿邊緣方向、沿邊緣兩側、邊緣到平滑區(qū)域的過渡處理以及邊緣密集區(qū)的處理。</p&g

81、t;<p><b>　　1.圖像的邊緣檢測</b></p><p>　　由于對數(shù)字圖像進行插補放大處理的視覺質量主要依賴于圖像輪廓邊緣，所以第一步驟就是采取邊緣檢測算法檢測出原始圖像的邊緣。</p><p><b>　　2.保持邊緣信息</b></p><p>　　所謂的邊緣信息即指跨越邊緣方向的灰度值變化情

82、況和沿邊緣方向的灰度值變化情況。本文指出的邊緣方向有兩個含義：1)在邊緣之上；2)緊靠邊緣兩側。所以保持邊緣信息的處理就分為以下兩個步驟：</p><p>　　第一步：首先將邊緣像素點的原始值對應映射到放大圖像上，然后跟蹤邊緣在邊緣之上沿邊緣方向進行插值。</p><p>　　第二步：對邊緣兩側沿邊緣方向進行平滑處理。</p><p><b>　　1) 保

83、護邊緣信息</b></p><p>　　所謂保護邊緣信息指的是將放大圖像中經(jīng)過插補的邊緣用一個沿著邊緣方向兩側的一系列像素點將邊緣封閉。目的是為了在以后的插補計算中對插補像素點</p><p>　　的計算不涉及到邊緣像素點，這樣會使放大圖像的灰度變化平滑，而且不會在邊緣附近引進噪聲。</p><p>　　2)與邊緣不相接觸的平滑區(qū)處理</p>

84、<p>　　所謂與邊緣不相接觸的平滑區(qū)是指在原始圖像中4×4局部區(qū)域沒有邊緣點，這時我們只對其中心的2×2區(qū)域進行處理，將其原始圖像中平滑區(qū)像素點映射到放大圖像上并作插值處理。</p><p>　　3)平移的非邊緣像素點與平滑區(qū)域的過渡處理</p><p>　　非邊緣點和那些不滿足在步驟2中的與邊緣相接觸的平滑區(qū)域的像素點分為兩種情況，第一種是與平滑區(qū)相接

85、近，第二種是與圖像的邊緣相接近。與平滑區(qū)相接近的未分配像素點我們可以以1／3的兩點灰度值之差沿著我們在第二步中的非邊緣點的移動方向向平滑區(qū)過渡，這樣我們每次插補兩個點。</p><p>　　4)未分配點在邊緣密集區(qū)域的處理</p><p>　　對于在邊緣密集區(qū)域的尚未分配的像素點，我們處理的主要依據(jù)是根據(jù)第2步驟中移動方向進行判斷和處理。我們沿其移動的反方向查找第2個像素點的值，這個值會有

86、兩種情況：第一種情況，它就是一個邊緣點，這說明插值點在兩個邊緣之間(緊靠兩邊緣)，這說明插值點要不在斜坡邊緣的頂或底上，要不就是在邊緣上，并且還是線性的邊緣，所以我們賦予插值點的值為原始圖像上對應點的像素值。第二種情況是它還沒有賦值，這說明插值點不是緊緊夾在兩邊緣之間，這說明插值點是在斜坡邊緣的過渡帶上，所以可以將原始圖像中對應的像素點的像素值賦予這個點，然后對插值的點進行1/3增量式賦值。</p><p>　　

87、5)填補其余未分配的像素點</p><p>　　通過以上的處理，圖像中所有的關鍵點、有特征的點都被賦予了值，剩下的工作就是將未分配的點與周圍的點進行雙線性插值處理即可達到平滑的效果。</p><p>　　經(jīng)過以上的處理得到了邊緣比較清晰的圖像作為高分辨率圖像的初始估計，然后再按照POCS算法的其他步驟對圖像進行重建處理生成高分辨率圖像。</p><p><b&

88、gt;　　4 試驗結果與分析</b></p><p>　　4.1 試驗低分辨率圖像的生成</p><p>　　超分辨率圖像重構的對象是描述同樣的場景，彼此相似而又不完全相同的圖像序列，可以用不同的方法獲取符合這樣要求的圖像序列，比如用數(shù)碼相機連續(xù)拍攝的相片，或者直接從一段錄像中抽取的連續(xù)幾幀。在實驗中用到的初始的低分辨率圖像序列可以是模擬生成低分辨率圖像序列和數(shù)碼相機實際拍攝圖

89、像序列，這兩種圖像序列進行復原的結果的評價標準是不一樣的。模擬生成低分辨率圖像序列的復原結果由于有原始高分辨率圖像的存在，因此可以進行直觀的數(shù)字比較如MSE等。也可以使用人眼觀察的方式進行；而實際拍攝的圖像序列的復原結果則只能采用人眼觀察的模式進行比較。</p><p>　　本論文中供測試程序進行重構試驗的圖像序列主要是通過對一幀圖像進行亞采樣產(chǎn)生的圖像序列。進行亞采樣的方法如圖4-1所示，以2*2的小塊為單位將

90、4個像素分別抽樣到不同的低分辨率圖像中，這樣就生成了4幀低分辨率圖像：</p><p>　　高分辨率圖像 低分辨率圖像序列</p><p>　　圖4-1：圖像亞抽樣方式</p><p>　　也可以使用隨機抽取的辦法，每幀低分辨率圖像都是在4個像素里面隨機抽取一點，但是前面的一種方式有一個好處，就是原圖像中的所有像素都存在于低分辨率

91、圖像序列中。。此外，我們也可以掃描的方式來獲取低分辨率序列圖像，對一幅圖案進行多次掃描，將掃描精度設得比較低時，每次掃描的結果在圖像細節(jié)上會有不少不同處，這正好符合超分辨率圖像重建的本來目的。圖5-2表示一幀圖像經(jīng)過亞抽樣以后得到的低分辨圖像序列。圖4-2表示一幀圖像經(jīng)過亞抽樣以后得到的低分辨圖像序列。</p><p>　　圖4-2：抽樣生成的圖像序列</p><p>　　4.2 改進的P

92、OCS算法重構結果及其分析</p><p>　　圖像序列生成了以后，就可以利用測試程序對POCS算法進行重構試驗。本次實驗首先將圖像進行抽樣生成一組LR圖像序列，使用生成的這組噪聲污染小的LR圖像序列來重建原來的高分辨率圖像。各幀LR圖像的大小均為128*128，復原的HR圖像為256*256。試驗結果如圖4-4、4-5、4-6所示</p><p>　　圖4-3 LR圖像

93、 圖4-4雙線性插值后的結果</p><p>　　圖4-5普通POCS算法處理結果 圖4-6基于邊緣保持的POCS算法的結果</p><p>　　由仿真結果可以看出雙線性插值的結果出現(xiàn)了邊緣模糊的情況，出現(xiàn)這種情況的主要原因是雙線性插值將原始圖像上的各點首先對應到放大圖像的各點上，在此基礎上做插值并且不區(qū)分邊緣區(qū)域和平滑區(qū)域。對比圖4-5和4-6，基于邊緣保持

94、的POCS算法得到的結果在細節(jié)的保持方面要優(yōu)于普通的POCS算法得到的結果。</p><p>　　實驗結果表明保留邊緣信息的POCS超分辨率圖像重建算法是可行的，并且重建的圖像效果比普通的POCS算法重建圖像的效果有了明顯的提高。 </p><p><b>　　5 結論</b></p><p><b>　　5.1 論文總結</b

95、></p><p>　　本文簡要回顧圖像序列的超分辨重構的發(fā)展現(xiàn)狀，綜合考察了超分辨率及超分辨率復原的國內外發(fā)展現(xiàn)狀，對SR重構的可行性進行了理論分析，建立了SR重建的空域模型。并介紹了超分辨率復原中的基本理論知識和基礎技術，按照超分辨率復原技術的發(fā)展過程，詳細闡述了超分辨率復原技術的各種方法，重點分析了目前的一些主流方法，并對各種主流方法的性能進行了比較。針對目前某些方法的不足，提出了一些改進的算法。本論

96、文的主要研究工作主要包括以下幾個方面：</p><p>　?。?）考察了高分辨率場景經(jīng)成像系統(tǒng)時逐步退化的整個過程，并用數(shù)學模型描述了這個過程，從而建立起超分辨率復原模型；將基于圖像配準的運動參數(shù)估計方法運用于超分辨率復原技術中，提高了復原序列圖像運動信息的估計精度和估計速度，為圖像超分辨率復原的各個環(huán)節(jié)提供基礎。</p><p>　　（2）對POCS算法進行了比較深入的研究，對影響算法的

97、各個因素進行了分析，并對其中的初值選取的方法進行改進，提出了一種改進的凸集投影算法，并通過試驗證明了本文改進的方法能夠重建后的圖像的邊緣起到很好的保護作用。不管是從視覺上還是對重建后的圖像進行客觀上的評價，都有很大的改進。</p><p><b>　　5.2 展望</b></p><p>　　雖然目前的超分辨率研究己經(jīng)取得了比較大的成就，但是仍然不能滿足現(xiàn)在實際圖像處

98、理領域要求的日益提高，而超分辨率作為一種切實可行的、有效的圖像處理方法，以其優(yōu)越的性能及廣泛的應用，必將越來越受到人們的推崇，也必將會更得到更大的發(fā)展。今后的超分辨率研究主要需要從以下幾個方面進行改進：</p><p>　　(1) 如何建立更加符合實際情況的圖像模型</p><p>　　目前的超分辨率重建算法的成像模型都做了某些假設，忽略了一些更一般的問題，因而具有一定的局部性，不能適合于

99、所有的應用場合。實際成像過程中包含了各種退化，包括各種模糊、各種噪聲、各種運動等，建立、擴展反映成像系統(tǒng)降質過程的精確觀測模型，能使算法具有更好的適應性，進一步提高SR復原技術的性能。此外將圖像的先驗信息有效的引入退化，可以使復原效果更好。</p><p>　　(2) 超分辨率圖像重構算法的創(chuàng)新研究</p><p>　　高分辨率圖像恢復的算法在圖像運動估計、圖像模糊估計方面需要進一步研究。

100、在運動估計方面，如果能準確的得到圖像序列的運動場就可以從足夠多幀的</p><p>　　低分辨率圖像序列中完全復原出投影到成像平面上的圖像率復原成功的關鍵是魯棒的、具有子像素精度的運動估算技術。這樣，超分辨超分辨圖像復原算法的計算量非常大，為了將超分辨復原技術應用于實際情形，開發(fā)一些計算效率高的超分辨算法是很重要的。如何將新的數(shù)學算法引入到超分辨率算法中，提高超分辨率恢復的能力、減小運算量、加快運算的收斂速度，成

101、為實時研究的主要工作。除了圖像序列本身以外，實際應用中還可以得到許多關于被拍攝景物的先驗信息。這是超分辨率算法的另一個信息來源。先驗信息在超分辨率中的運用與其它圖像處理和分析環(huán)節(jié)相互關聯(lián)，成為超分辨率算法研究的新熱點。另外，針對模型誤差以及不同類型的噪聲具有較強穩(wěn)健性和適應性的算法，也是實際應用中所需的。</p><p>　　(3) 如何擴展超分辨率的應用</p><p>　　要將超分辨率

102、復原擴展到多通道和彩色圖像、三維立體成像、動態(tài)多媒體序列、壓縮圖像、CCD陣列成像和核磁共振成像的超分辨率恢復與增強。將超分辨率技術應用于彩色超分辨率算法和超分辨率算法在壓縮系統(tǒng)中，是今后超分辨率技術發(fā)展的重要方向。彩色超分辨率重建中一個重要的問題是對顏色濾波器陣列和顏色插值過程的特性進行分析，并要考慮到重建過程中顏色成分之間的交叉相關性。圖像在傳輸和保存之前需要進行例行壓縮，因此有必要將超分辨率算法應用于壓縮系統(tǒng)中。</p>

103、;<p>　　總之，對超分辨率重建技術的進一步深入研究必將導致這一技術拓寬到一些新的應用領域。</p><p><b>　　參考文獻</b></p><p>　　[1] 沈煥鋒，李平湘，張良培等. 圖像超分辨率重建技術與方法綜述[J]. 光學技術， 2009, 35(2): 194-199.</p><p>　　[2] 浦劍，張軍

104、平，黃華. 超分辨率算法研究綜述[J]. 山東大學學報， 2009, 39(1): 27-32.</p><p>　　[3] 劉良云，李英才，相里斌. 超分辨率圖像重構技術的仿真實驗研究[J]. 中國圖象圖形學報, 2001, 6A(6): 629-635.</p><p>　　[4] 彭潔，徐啟飛，呂慶文，等. 一種快速超分辨率圖像重建算法[J]. 南方醫(yī)科大學學報，2009, 29

105、(4): 656-658.</p><p>　　[5] 朱福珍， 李金宗，李冬冬. 基于BP神經(jīng)網(wǎng)絡的超分辨率圖像重建[J]. 系統(tǒng)工程與電子技術，2009，31(7): 1746-1749.</p><p>　　[6] KimS.P.,SuW.Y. Recursive high-resolution reconstruction of blurred multiframe images[