[发明专利]一种基于像素强度的图像超分辨率重建方法

权利要求书

1.一种基于像素强度的图像超分辨率重建方法，其特征在于，具体按照以下步骤实施：

步骤1、将低分辨率图像进行图像配准，具体为：

对多幅低分辨率图像T_i(i＝1,2,…,N)进行峰值信噪比PSNR和特征相似性FSIMc质量评估，从中选择一副PSNR和FSIMc值最大的图像作为参考图像，设为T₁，采用SIFT算法提取低分辨率图像中T_i(i＝1,2,…,N)的特征点p_i，用特征点集合P_i分别表示如下：

P1={p1,1,p1,2,...,p1,m1}P2={p2,1,p2,2,...,p2,m2}...PN={pN,1,pN,2,...,pN,mN}]]>

上式中，每个特征点集合P_i中的m_i分别为每个低分辨率图像T_i的特征点数目，其中i＝1,2,…,N，对参考图像T₁中的每个特征点p_i，计算其它低分辨率图像T_i(i＝2,…,N)中的所有特征点到参考图像T₁的特征点的距离，距离表示如下：

d(P1,P2)=Σj=1128(p1,t1,j-p2,t2,j)2...d(P1,PN)=Σj=1128(p1,t1,j-pN,t2,j)2]]>

上式中，j表示128维SIFT特征的索引，t₁＝1,2,...,m₁，t₂＝1,2,...,max(m₂,m₃,...,m_N)，对上述距离进行升序排列，提取出上述距离中的最小距离d₁和次小距离d₂，并求出最小距离d₁和次小距离d₂的匹配比r，r＝d₁/d₂，当最小距离d₁和次小距离d₂的匹配比r>η时，η为阈值，说明参考图像T₁中的该特征点和与其距离最近的特征点匹配成功，当最小距离d₁和次小距离d₂的匹配比r<η时，说明参考图像T₁中的该特征点和与其距离最近的特征点匹配不成功，进而得到参考图像T₁与低分辨率图像T_i(i＝2,…,N)对应的匹配点q^im_i的匹配点对Q_i：

Q_i＝{q_i,1,q_i,2,…,q_i,mi} (2)

式(2)中，m_i为匹配点对的数目，

对式(2)通过仿射变换公式，得到仿射变换参数：两幅图像之间的旋转角度θ_i和位移量Δx_i、Δy_i，仿射变换公式表示为：

Q₁＝R_iQ_i+ΔD_i (3)

式(3)中，R_i为2×2的旋转矩阵，ΔD_i为2×1的平移向量，R_i和ΔD_i分别表示为：

Ri=cosθisinθi-sinθicosθi---(4)]]>

ΔDi=ΔxiΔyi---(5)]]>

θ_i为旋转角度，Δx_i、Δy_i分别为横坐标和纵坐标的位移量；

步骤2、将所述步骤1得到的配准后的图像进行图像融合；

步骤3、将所述步骤2得到的图像进行图像重建，得到最终的高分辨率像素值的图像，具体为：首先为所述步骤2中的每个高分辨率网格节点构造一个初始邻域进行曲面拟合，获得估计值，然后按步长扩大邻域范围再进行曲面拟合，获得估计值，最后用MAP方法估计高分辨率像素值，具体步骤如下：

步骤(3.1)、邻域扩展：对于步骤2中映射到高分辨率网格上的图像，为每个网格节点选择初始邻域值b₁和最大邻域值b₂，步长设为0.1；

步骤(3.2)、像素搜索：所述步骤(3.1)中的从b₁开始到b₂结束，对高分辨率网格上的节点进行邻域搜索得到K个邻域NB_i(i＝1,2,…,K),根据b₁、b₂和步长的值得相对应的搜索的低分辨率像素个数记为m_i(i＝1,2,…,K)；

步骤(3.3)、建立像素强度平面：以高分辨率网格节点所在的XOY平面为图像平面，以垂直于XOY面的方向为Z轴，构造坐标系，对所述步骤(3.2)中的邻域NB_i(i＝1,2,…,K)的每个低分辨率像素L_ij(j＝1,2,…,m_i)以其像素值的大小为高，平行于XOY坐标平面做平面，即得像素强度平面，记为L_ij平面，如下式:

FNBi(Lij)=fNBi(Lij)-----(6)]]>

是邻域NB_i内的L_ij的强度平面，为L_ij的像素值；

步骤(3.4)、计算像素强度：邻域NB_i内像素L_it到像素L_ij之间的距离定义为：L_it到L_ij平面的距离，计算邻域NB_i内除L_ij之外的每个低分辨率像素到L_ij的距离，即到L_ij平面的距离：

1≤k≤m_i且k≠j(7)

在邻域NB_i内，计算均方误差，均方误差的计算式表示如下：

ξj2=1mi-1Σk≠j(ζkj)2---(8)]]>

均方误差越大表示该平面对高分辨率像素估计的影响越小，因此，令得到所有的ω_j(j＝1,2,…,m_i)之后，然后通过加权计算对应于邻域NB_i的一个估计的像素值:

fNBi(Ph)=1Σj=1miωj(Σj=1miωjfNBi(Lij))---(9)]]>

步骤(3.5)、估计最大后验概率(MAP)：当所述步骤(3.4)中所有的被估计出来后，根据高斯假设，有：

f^(Ph)=argminf(Ph)[Σi=1Kλi(fNBi(Ph)-f(Ph))2+λ(f0(Ph)-f(Ph))2]---(10)]]>

式(10)中，f₀(Ph)是f(Ph)的先验估计，λ为经验参数，令公式(10)的梯度值为0，即得到高分辨率像素Ph的像素值:

f^(Ph)=1λ+Σi=1Kλi(λf0(Ph)+Σi=1KλifNBi(Ph))---(11)]]>

即最终得到高分辨率像素值的图像。