基于EM迭代的超分辨率重建方法与系统文献综述

 2022-07-14 06:07

超分辨率图像重建文献综述

通常由于获取图像的硬件设备或者恶劣环境等原因,给图像的获取带来极大的干扰,这导致我们无法获取包含具体细节的高分辨图像。超分辨率重建方法,就是通过数字信号处理技术提高图像分辨率的方法。图像超分辨率重建是指在不升级成像系统的前提下,对于低分辨率的图像进行处理,从而提高图像的分辨率、改善视觉效果,得到高分辨率的图像的技术。这一过程综合成像系统采集到的多幅低分辨率图像,将其中互补的时域和空域信息提取出来,通过配准、重建等操作对其进行融合,可以达到提高图像分辨率的目的。超分辨率图像重建技术不涉及硬件,可以在不改变现有的成像系统的前提下提高图像分辨率,这种方法成本低、代价小,是一种经济可行的方案,在对图像分辨率要求较高的领域都有极大的应用价值。

目前,超分辨率重建的常用方法有两类:(1)基于学习的方法(2)基于重建的方法。而基于插值的方法,因为其效果一般,原理简单,没有多大提升空间,研究比较少。MAP方法属于基于重建的方法,它解决了凸集投影法解不唯一的问题,它是一种依赖统计学的方法。在MAP方法中需要一个先验知识也称为正则项来约束解,有的正则项形式复杂,这就导致了需要优化的代价函数求解很困难。对此问题,有人应用了基于EM迭代的MM算法来解决这个问题,是一种比较好的解决方法,化繁为简,化难为易。以下内容将分别介绍两类常用的超分辨率重建方法,MAP方法研究现状以及基于EM迭代的MM算法。

基于学习的方法

至今,随着人工智能和机器学习的发展,基于学习的方法出现了很多不同学习模型的方法[1-2],大量研究围绕其进行。该方法需要大量训练样本,来统计到这些高低分辨率图像之间对应关系,然后通过这种关系来决定重建[3-5]。常用的重建学习模型有卷积神经网络、深度卷积对抗生成网络模型、残差神经网络模型。这些模型都要求有很多训练样本,而且计算量很大,并不适合广泛推广,下面简单介绍两种该类型方法。

邻域嵌入方法及相关改进的算法

邻域嵌入方法由Chang等人[6]提出,该方法先在低分辨率图像块集合中选取与输入图像块最为接近的k个近邻,再对一个受约束的最小二值求解,获取适当的权值,并使用相同的权值针对高分辨率图像块进行重建。邻域嵌入方法简单、直接,对于样本集的依赖性有很大程度的降低,但是邻近数目k固定,并且由人为控制,所以会引起过拟合或者欠拟合的现象,从而导致最后的重建图像模糊。

李强等人[7]提出可以利用图像块方向的不同对训练集分类,这样每次搜索邻域的范围实际上是在减小的,这使得搜索效率大大提高了。然后在分类后的子训练集中选择与待重构图像块的方向相似的图像块作为领域进行重构,而非利用欧氏距离,计算量也大量减少。最后再对重构结果进行迭代反投影全局后处理。该方法不但使得重构的效率提高了10倍以上,而且进一步地提高了图像的重构质量。

稀疏表示法及相关改进的算法

稀疏表示法由Yang等人 [8] 提出,该方法需要学习并分析大量的高分辨图像以及与之对应的低分辨率图像之间的关系,建立超完备字典对。而后,针对待处理的低分辨率图像找到与其相应的矩阵列及稀疏表示系数,再把对应高分率图像的矩阵列加权组合得到超分辨率图像。所以,在稀疏表示方法中,需要计算低分辨率过完备字典和高分辨率过完备字典,而不是直接计算高分辨率图像块的稀表达。每一幅低分辨率图像都能在低分辨率过完备字典中找到对应的稀疏表达,然后将低分辨率过完备字典中的稀疏表达系数和高分辨率过完备字典就能得到对应的高分辨率块。使用稀疏表示法来重构超分辨率图像,只需要两个简洁的学习字典,而不是一个庞大的图像块训练库,所以该方法效率高,并且具有良好的扩展性和较好的抗噪性。但是该重建算法中系数表示系数正则化效果不明显、字典完备性不强(导致图像的超分辨率被局限于特定领域)并且重构的图像边缘细节质量不高。

基于重建的方法

基于重建的方法利用了低分辨率图像的先验信息,加上原始低分辨率图像两者共同作用,决定最后的高分辨率图像重建的原则。主要有以下三种方法。

迭代反投影法[9-10]

由Irani[11]等人提出的迭代反投影法,先通过插值获得一个迭代开始的初始值,如果由这个初始估计得到的低分辨率图像与观测到的低分辨率图像相同,那么初始估计就是得到的高分辨率图像;如果不一样,将低分辨率图像反投影并调整估计,开始迭代,到误差小于阈值得到最后的估计。这个方法计算量小,但是反投影矩阵不好选择,解不唯一,图像边缘重建效果不好。

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。