[发明专利]基于多尺度几何分析的图像超分辨率重建方法

说明书

技术领域

本发明属于图像超分辨率重建技术领域，涉及一种基于多尺度几何分析的图像超分辨率重建方法。

背景技术

在数字图像采集过程中，由于成像设备性能的限制以及拍摄条件的影响，会使采集到的图像呈现较低的分辨率。图像超分辨率重建(Super-Resolution Image Reconstruction，SR)是一种从单帧或多帧低分辨率(LP)图像获得高分辨率(HP)图像或图像序列，从而提高图像质量、改善图像视觉效果的信号处理方法。

图像超分辨率重建技术，针对图像成像过程中诸如运动变形、光学模糊、低采样率、随机噪声等各种退化因素引起的图像降质问题进行研究，在空间目标成像、遥感成像、医学成像、层析成像等众多领域具有广泛的应用前景，对于各种微波成像、多光谱成像、超声成像等的高清晰图像恢复也将具有参考作用，此外，在医学领域、计算机成像、金融系统等重要场合的录像监控资料的高清晰图像恢复、特殊目标的辨识与取证等方面也具有重要应用。

从数学角度看，图像超分辨率重建是Hardmard意义下的非适定数学反问题，因此成为应用数学、图像处理、计算机视觉、计算调和分析等多学科领域国际上众多研究者关注的热点问题。

图像超分辨率重建方法主要可以分为以下几类：频(率)域方法、空(间)域方法、基于学习的方法。频域法的基本思想是：用图像变换把低分辨率图像变换到频域，在频率中采用合适的方法去除频谱混叠，然后再通过逆变换到空域，得到超分辨率重建的结果。频域方法理论简单，运算复杂度低，很容易实现并行处理。但这类方法的缺点是所基于的理论前提过于理想化，只能局限于全局平移运动和线性空间不变降质模型，不能有效地应用于多数场合。该类方法的最新研究结果[1]中利用抗混叠轮廓波构造了一种超分辨率重建方法。该方法用抗混叠塔式滤波器组替代轮廓波变换中的拉普拉斯塔式滤波器组来对图像进行尺度变换，减少频谱混叠；根据不同尺度的高频子带之间的相似性，对高频分量进行子带插值，并通过方向滤波器组进行方向分解，对高频信息进行选择性融合处理和轮廓波逆变换，从而获得重建图像。

空域方法具有较强的包含空域先验约束的能力，主要方法包括：

非均匀样本内插法：这种方法的理论基础是，低分辨率图像经过运动估计算法后映射到高分辨率图像网格上时是非均匀的，因此通过对非均匀采样点的内插就可以得到高分辨率图像网格上的采样点的像素值。典型代表如[2]中提出的利用多面拟合实现基于插值的图像超分辨率重建方法，该方法通过对低分辨率图像的像素进行多重采样实现对空间结构信息的充分利用，还有[3]中的基于稀疏邻域插值的图像超分辨率重建方法。

反向迭代投影法：最早是在[4]中提出的，其原理是利用估计的高分辨率图像模拟图像降质过程，生成估计的低分辨率图像；然后计算与观测的低分辨率图像的差；把残差投影到估计的高分辨率图像中。重复这个过程，直到估计的高分辨率图像满足迭代终止条件。

凸集投影法：是一种基于集合论的图像超分辨率重建方法，该方法具有灵活性和可扩展性，能够较好地保存图像的边缘等细节信息，但计算复杂度高，受初始估计值的影响较大，而且，没有有效的方法选择最好的初始估计值，另外，这种方法的解不唯一，在很多应用中难以满足具体问题的要求。

统计学方法-最大后验概率估计和最大似然估计：超分辨率重建问题是一个病态问题，欲使病态问题转化为可解问题，需要预先引入先验附加条件。最大后验概率的思想就是在已知低分辨率图像序列的条件下，使得高分辨率图像的后验概率最大。该类方法还可以结合图像去模糊和去噪等，使得重建结果具有唯一性和稳定性，其缺陷是计算量巨大。

基于学习的超分辨率重建方法：该类方法首次由Freeman在文献[5]中提出，其基本思想是先学习低分辨率图像与高分辨率图像之间的关系，然后利用这种关系指导超分辨率重建。最新研究结果[6]中提出了一种基于非局部均值和调整核回归(Steering Kernel Regression)的单帧图像超分辨率重建方法，该方法通过学习低分辨率图像中的非局部和局部规则先验来实现高分辨率重建。文献[7]提出了一种基于多重几何字典的聚类稀疏编码方案，用于图像的超分辨率重建。该方法支持从训练图像集中随机提取大量高分辨率图像，并聚类成几何区域，从中学习对应的几何词典，稀疏编码低分辨率图像中每一个局部块。文献[8]使用基于数值积分的非参数贝叶斯推理方法，统计文献中被称为“集成嵌套拉普拉斯近似”，构造超分辨率重建方法。