[发明专利]一种基于类高斯模糊核的图像正则化超分辨重建方法

说明书

一种基于类高斯模糊核的图像正则化超分辨重建方法，综合考虑畸变和扰动因素即现有模型与实际退化的匹配误差，采用类高斯函数模型对实际退化所造成的模糊效应进行建模，并以最小均方误差为准则对图像进行超分辨重建。本发明采用四个参量来具体描述客观的模糊过程会更加逼近于模糊的实际情况，通过理论分析及实验结果得到，该模型用于去模糊算法中，提高了图像重建的效果。

技术领域

本发明涉及视觉处理技术领域，具体涉及一种改进模糊函数的图像正则化超分辨重建的方法。

背景技术

图像是对高分辨场景的二维表征，它可以直接或间接地影响人眼产生视觉感知，如何提高图像质量已成为近年来学者们的研究热点，评价图像质量的一个核心指标就是图像的分辨率。由于在图像的采集过程中，会受到像差和噪声的影响，以及相机与场景间的运动模糊，因而在成像过程中，会不得不产生失真，影响图像的分辨率。为了得到高分辨图像。首先，最直接的方法就是提高硬件的水平，缩小传感器的尺寸，提高传感器的排列密度，但也会产生散斑噪声。目前如果单纯的从硬件设备入手来提高图像分辨率，CCD,CMOS等成像器件不但价格昂贵，而且这些成像器件改善效果已经无法有更大的突破。因此，目前广泛采用的是低成本的软件方法来实现图像分辨率的提高，即超分辨率重建。超分辨率重建是指利用序列具有亚像素位移的低分辨率图像来得到一幅高分辨率图像，从而增加图像的高频信息，减弱由于成像系统自身光点扩散所带来的退化影响。其思路是组合多帧低分辨率图像中包含的非重叠信息，生成高分辨率图像。该处理方法可以提高图像分辨率，整个过程不包括硬件增强，成本低，易于实施。

对于低分辨率图像，其退化模型描述了从实际场景收集的单个或多个低分辨率图像的整体退化过程，因此超分辨率重建算法中退化模型的正确构建非常重要。一个通用的简化图像退化模型为：

y＝Hx+N

其中，N为成像时引入的噪声，H为成像系统的点扩散函数(Point SpreadFunction,PSF)算子。由于大部分采集系统不理想，因此图像在获取的过程中会产生一些退化。例如，获取到的点光源则不可能是与原来场景相同的点，会产生由点扩散函数引起的模糊扩散。点扩散函数用于表现采集系统对原来高分辨率场景和图像的退化过程，其由图像采集系统决定。而且H往往是一个病态矩阵。常见的点扩散函数有：高斯形式、Sinc形式等。

假设原始的高分辨率图像经过某种图像退化(降质)过程得到一幅或多幅低分辨率图像，则单帧图像的退化模型可以表示为：

Y_k＝D_kB_kF_kX+N

其中，Y_k是第k幅低分辨率图像，X是原始的高分辨率图像，D_k是下采样因子，B_k是系统的模糊因子，包括式(1)中的点扩散函数算子H，F_k是运动因子，可以通过运动估计方法来求得，N是噪声。通常多个低分辨率图像的退化过程是一样的，所以可以将上式简写成：

Y_k＝DBF_kX+N

低分辨率图像数量不足和各种退化因素会导致图像重建问题的病态特征。一般来说，无约束的最优化方法解决这类问题是有效的。但是该方法的解不是唯一的，不稳定的。为了解决最优化问题的弊端，可以对最优化方法添加约束条件来限制解的可取范围，这种解决病态问题的带有约束性质的最优化方法，称为正则化方法。

对于线性方程Ax＝b，当解不存在或者不唯一时，可以说是病态问题(ill posedproblem)。超分辨率重建问题根本上来说是一个病态问题，如果对问题施加一些约束限制条件会使得问题的解更具有稳定性，唯一性。当解不存在时，通过添加一些限制条件来得到一个近似解；当解不唯一时，通过增加一些约束条件(比如稀疏性、能量有界性等先验知识)限制解的可取范围。这种通过施加条件或约束来解决病态问题的方法称为正则化方法。