1 简介
高分辨率的影像能更详细地表示景物的细节信息,在诸多领域 (如计算机视觉、遥感、医学等 )有着广泛的应用。目前,高分辨率影像主要通过改进高精度的光 学 器 件 及 传 感 器 等 硬 件 设 备 来 获 得。然而,高精度硬件设备代价昂贵,人们往往希望在付出较低经济代价的前提下获得较高分辨率的影像。另外,由于传感器散粒噪声的影响,通过改进硬件设备性能的途径 并 不 能 无 限 制 地 提 高 获 取 影 像 的 分 辨率,而是有一个技术极限,当前的影像传感器技术已经较为接近这个技术极限。于是,通过软件途径来得到高分辨率影像的超分辨率 (ＳＲ)重建技术已经成为人们广泛研究的热点。
早期的超分辨率重建技术主要是针对单幅影像复原而言的,单幅影像复原技术经过长期的发展已经形成一套统一的理论框架,但这种方法固有的局限性严重阻碍了图像复原效果的大幅度提高.
超分辨率影像重建已经成为近年来人们广泛研究的热点,利用超分辨率重建技术,可以得到分辨率高于原始影像的重建影像.为此,提出了一个利用多幅具有亚像素位移的低分辨率欠采样影像重建一幅高分辨影像的超分辨率重建方法.该方法利用正则化技术,通过迭代运算解求重建影像的最优解.在迭代过程中,得到的重建影像用于求解下一次迭代的正则化参数,不断的循环迭代,最后求解出重建影像的最优解.对Lena影像进行了处理,并用PSNR影像评价方法对重建影像进行了定量评价.实验结果证明,该方法能较大限度地减弱噪声对重建结果的影响,当重建比率较大时,仍可得到高质量的高分辨率重建影像.
2 部分代码
function out = deconvtv(g, H, mu, opts)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% out = deconvtvl1(g, H, mu, opts)% deconvolves image g by solving the following TV minimization problem%% min mu || Hf - g ||_1 + ||f||_TV% min mu/2 || Hf - g ||^2 + ||f||_TV%% where ||f||_TV = sum_{x,y,t} sqrt( a||Dxf||^2 + b||Dyf||^2 + c||Dtf||^2),% Dxf = f(x+1,y, t) - f(x,y,t)% Dyf = f(x,y+1, t) - f(x,y,t)% Dtf = f(x,y, t+1) - f(x,y,t)%% Input: g - the observed image, can be gray scale, color, or images% H - point spread function% mu - regularization parameter% opts.method - either 'l1' or {'l2'}% opts.rho_r - initial penalty parameter for ||u-Df|| {2}% opts.rho_o - initial penalty parameter for ||Hf-g-r|| {50}% opts.beta - regularization parameter [a b c] for weighted TV norm {[1 1 0]}% opts.gamma - update constant for rho_r {2}% opts.max_itr - maximum iteration {20}% opts.alpha - constant that determines constraint violation {0.7}% opts.tol - tolerance level on relative change {1e-3}% opts.print - print screen option {false}% opts.f - initial f {g}% opts.y1 - initial y1 {0}% opts.y2 - initial y2 {0}% opts.y3 - initial y3 {0}% opts.z - initial z {0}% ** default values of opts are given in { }.%% Output: out.f - output images% out.itr - total number of iterations elapsed% out.relchg - final relative change% out.Df1 - Dxf, f is the output images% out.Df2 - Dyf, f is the output images% out.Df3 - Dtf, f is the output images% out.y1 - Lagrange multiplier for Df1% out.y2 - Lagrange multiplier for Df2% out.y3 - Lagrange multiplier for Df3% out.rho_r - final penalty parameter% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%path(path,genpath(pwd));if nargin<3 error('not enough inputs, try again \n');elseif nargin==3 opts = [];endif ~isnumeric(mu) error('mu must be a numeric value! \n');end[rows,cols,frames] = size(g);memory_condition = memory;max_array_memory = memory_condition.MaxPossibleArrayBytes/16;if rows*cols*frames>0.1*max_array_memory fprintf('Warning: possible memory issue \n'); reply = input('Do you want to continue? [y/n]: ', 's'); if isequal(reply, 'n') out.f = 0; return endendif ~isfield(opts,'method') method = 'l2';else method = opts.method;endswitch method case 'l2' out = deconvtvl2(g,H,mu,opts); case 'l1' out = deconvtvl1(g,H,mu,opts); otherwise error('unknown method \n');end
3 仿真结果
4 参考文献
[1]沈焕锋, 李平湘, 张良培. 一种基于正则化技术的超分辨影像重建方法[J]. 中国图象图形学报：A辑, 2005, 10(4):5.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
