基于自适应变分超分辨率重建的方法与系统文献综述

 2022-07-14 06:07

文献综述

目前,在各种电子成像的应用中,高分辨率图像一直是我们追求的目标和迫切需要的。高分辨率图像(HR)意味着一张图像上的像素点密集程度更高。高分辨图像之所以在各种应用中显得如此重要,是因为它可能给予更多的图像细节信息。比如,高分辨率的医学影像图像能够帮助医生做出更加准确地诊断、高分辨率的卫星遥感图像使得我们更加容易的区分不同的地理信息、模式识别也因为高分辨率图像从而准确率大幅提升。正是由于上述应用对高分辨图像的依赖,我们的目标是通过一种方法大幅度改善图像分辨率低的问题。

其中,提高分辨率的最直接的方法是减小传感器的像素点尺寸,但是随着像素点尺寸的减小,可用光的数量也会减少,同时,还会引起噪声,使得图像的质量不升反降。更何况像素点尺寸越小,传感器密度越高导致硬件价格飙升,带来了成本过高的缺点。

当前比较普遍的解决办法是通过图像处理的算法,根据多幅低分辨率(LR)图像来获得高分辨率的图像或者序列。这种方法的优点是成本低,最终结果依然能被大多数应用接受。这种方法就叫做超分辨率重建(SR)。具体而言这种方法在视频监控、刑侦分析、图像识别、卫星成像、医疗成像等方面取得的比较好的效果,超分辨率重建涉及到许多计算机视觉,图像处理,最优化理论等领域的基本问题,其中典型的有图像复原、图像分割、机器学习、统计学习等,超分辨率重建是这些问题的具体应用,同时极大的推动了对这些问题的具体研究,目前超分辨率重建已经成为了图像识别以及机器学习领域的研究热点之一。

目前,超分辨率算法根据类型可以分为以下几类:基于插值法的图像超分辨率方法、基于重建的图像超分辨率方法、基于学习的图像超分辨率方法。

1.基于插值的超分辨率方法[13-15]

该类方法虽然对于待定像素块的插入采用的生成方式不同,但计算量小,具有很好的实时性。以图像的连续性为前提,假设图像的灰度值连续,并认为低分率图像的灰度值即为较理想的采样值,也没有保存高频的信息,从而对待定像素块进行延续。这种延续仅通过复制周围的已确定像素。所以,基于插入的图像超分辨率算法的适应性不好,尤其在处理边缘和纹理时,会表现的比较模糊。

为了更好地处理图像的细节,赵秀影等[1]提出了一种基于小波域的双三次插

值算法,该方法结合了插值处理和小波处理。插值处理易于将图像放大,忽略了全局的相关性,而结合小波处理(小波处理针对全局,并且对于高频成分能够聚焦到细节)后能克服插值造成的的局部受损。之后出现的基于重建的图像超分辨率算法,虽然能取得不错的效果,但如果提高图像的分辨率,该方法的性能会急剧地下降,也会出现丢失高频细节、边缘模糊等问题。

2.基于重建的超分辨率方法

基于重建的方法[17-18]在利用低分辨率作为约束的前提下,结合图像的先验知识进行还原。该方法主要包括两个部分,即:配准与重建。通过配准可以获得低分辨率图像与被参考的低分辨率图像之间的相对运动,再利用先验知识对低分辨率图像进行处理。基于重建的超分算法是用图像的退化模型来平衡低、高分辨率图像之间变量一致性,从而得到大致的高分辨图像。这种方法可以分为频域法和空域法两种。频域法是不断消除频谱混叠提高图像分辨率,但由于频域法不能加入图像先验正则项,也会导致适用性差。空域法则弥补了频域法的不足,算法适用性更强。空域法主要包括以下几种:

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。