[发明专利]基于尺度类推的单幅红外图像的超分辨率重建方法

说明书

技术领域

本发明属于图像信号处理技术领域，涉及超分辨率图像重建方法，具体涉及一种基于尺度类推的单幅红外图像的超分辨率重建方法。

背景技术

红外成像设备作用距离远，隐蔽性好，具有理想的环境适应性，与可见光相比，红外图像除具有干扰小、图像信息简洁等特点外，还能反映物体的热辐射特征。因此，它被广泛的应用于军事和民用领域。但是，红外图像普遍具有整体偏暗、目标和背景对比度低、纹理弱、噪声大、图像的灰度分布较为集中等不足，不易于观察图像的细节。由于以上特点，对红外图像进行超分辨率重建，成了改善图像质量、提高图像分辨率、突出目标细节的一种途径。

图像空间分辨率是对图像细节分辨能力的一种度量，也是评价目标细微程度的关键性指标。为了提高图像的分辨率，最常见的传统方法是插值法：包括最近邻插值、双线性插值和立方卷积插值等。这些算法实现简单，运行速度快，且能适用于任何图像。但从信息的角度来看，并没有增加任何细节，且会导致放大后的图像轮廓模糊，高频信息受损。因而此类方法获得高分辨率图像的效果不是很好。超分辨率技术突破了传统方法的束缚，提出利用多幅具有互补信息的低分辨率图像来重构一幅高分辨率图像。目前，超分辨率重建技术主要分为频域法和空域法。频域法最早是由Tsai和Huang在1984年提出的，该方法缺乏灵活性，不能推广到一般的非平移运动模型。相比于频域法，空域法能够方便的融合各种先验信息，降质模型涉及范围广，具有更大的灵活性，主要有非均匀插值法，迭代反投影(IBP)算法，凸集投影(POCS)算法，最大后验概率估计算法(MAP)和最大似然估计方法(ML)，混合ML/MAP/POSC，自适应滤波法，超分辨率盲重建法等。空域法不依赖于其他外界信息，简单、易用，但由于所需信息只能从输入图像序列获得，而需要增加的信息本质上是无法预测的，随着分辨率放大系数的增加，所需信息更多，无论增加多少输入图像，都无法再改善重建效果。近年来，人们又提出基于学习的超分辨率重建方法，通过一个训练集合来作为学习样本，用一种搜索匹配方式将样本的细节信息添加到待处理图像中，用一幅低分辨率图像来复原高分辨图像。基于学习的超分辨率方法为了获得更准确的细节信息，训练集合中的样本数量往往很大，导致算法运行速度较慢。2001年纽约大学的Herzmann等人提出了图像类推，并可以通过图像类推来实现超分辨率重建，但是由于图像的灰度值变化范围比较大，会导致类推过程产生较大的误差。国内的古元亭和吴恩华提出基于图像类推的超分辨率技术，用一种自我类推的方法来提高图像的清晰程度。该方法能产生较为合理的细节以增强图像，但此方法因为学习样本只有自身，能获取供学习的信息量较低，使获取的超分辨率图像效果不是很理想，会产生一定的人工痕迹和视觉上过硬的边缘。对于分辨率低、边缘纹理模糊的红外图像，常用的超分辨率重建方法大都存在边缘模糊、纹理细节弱、信噪比低、实时性弱等问题。

发明内容

本发明的目的是要提供一种边缘纹理较突出、信噪比高、视觉效果好的基于尺度类推的红外图像的超分辨率重建方法。

本发明实现上述目的所采用的技术方案是，一种基于尺度类推的红外图像的超分辨率重建方法，其特征在于：对待超分辨率重建的红外图像s进行超分辨率重建，包括以下步骤：

(1)对高分辨率的红外图像H进行非下采样轮廓波分解，得到1个低通子带和N个带通方向子带，N为正整数；

(2)对待超分辨重建的红外图像s进行立方插值，得到立方插值后的图像B；

(3)将步骤(1)中的高分辨率的红外图像H的低通子带作为用于学习的低分辨率图像A，再将高分辨率的红外图像H的N个带通方向子带依次作为用于学习的高频细节图像，同时依次记作A₁，A₂...A_m...A_N，其中A_m代表第m个用于学习的高频细节图像；