图像超分辨率重建技术背景.doc

《图像超分辨率重建技术背景.doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、图像超分辨率重建技术（SRR技术）介绍（一）：概况                                                               ——默谈   超分辨率重建是数字图像处理的一个重要研究方向，也是近年来的研究热门，它是指利用多帧低分辨率图像，通过一定的重建算法得到高分辨率图像。图像超分辨率重建的概念和方法最早是由Harris和Goodman于60年代提出，他们的方法是将单帧图像上进行线性插值或样条函数插值，这样只能提高单幅图像的空间分辩率起到放大的效果，而且插值后图像的某些高频细节被丢失了

2、。后来又有很多人进行了研究，也提出了很多方法，比如长椭球波函数法，线性外推法，叠加正弦模板法等。但是这些方法在实际应用中的效果并不理想。到80年代时，随着人们对该项技术的深入研究，超分辨率技术取得了突破性进展，Hunt等人从理论上证明了超分辨率的可能性，并且提出了凸集投影法等方法。但这些都是针对单帧图像进行处理，它只有一幅输入图像信息可以利用,这就严重阻碍了图像恢复效果的大幅度提高。于是，利用序列图像进行超分辨率图像的复原成了人们的研究热点，因为它充分利用了不同相邻帧图像之间类似而又不同的信息，也就是图像序列中的附加空域时域信息，所

3、以其超分辨率复原能力好于利用单帧图像进行复原所获得的超分辨率能力。到1981年Tsay第一次提出了从多帧互有位移的图像序列中插值产生一帧高分辨率图像的概念。后来Kim又将Tsay建立在频域上的算法模型扩展到包含噪声的情况。M.Irani提出了迭代背向投影算法，它的优点是运算量小，收敛速度快。Stark从集投影理论发展出凸集投影算法POCS（ProjectionontoConvexSets），求解的速度又得到的进一步的提高。后来Tekalp在Stark的理论基础上对POCS方法进行了发展和一些改进。而Schultz则提出了基于Baye

4、sian估计的多帧图像超分辨率算法，提高了超分辨率图像的质量，但其缺点是模型复杂，计算量大。一般，可把SRR算法分为基于重建和基于学习两类，基于重建的算法如POCS、MAP等利用一些先验知识来约束求解过程，以达到增加细节信息的目的；基于学习的算法首先需要学习高低分辨率图像之间的非线性降质关系，然后再根据这种降质关系恢复高分辨率图像。超分辨率重建的过程可分为三个步骤进行：（1）预处理，如去噪，剪切。（2）配准，估计低分辨率序列之间的运动矢量（3）重建，融合多帧低分辨率图像的信息