[发明专利]一种基于多特征的POCS图像超分辨率重建方法

说明书

本发明公开了一种基于多特征的POCS图像超分辨率重建方法，属于图像重建技术领域。首先，根据图像的局部相似性特征和图像的梯度特征构建参考帧；然后运用LK光流法对上采样后的序列LR图像和参考帧进行配准；同时利用比值稀疏约束模型估计参考帧的PSF，并获取PSF作用窗口的中心坐标和PSF作用窗口的范围；最后利用参考帧和PSF生成重建图像的初始估计图像，根据重建图像残差对参考帧进行修正，得到最终重建图像。本发明的方法基于图像的局部相似性特征和图像梯度特征构建多特征参考帧图像，采用比值稀疏约束模型估计多特征参考帧图像的PSF，提高了重建图像的边缘保持能力和纹理细节信息，可以有效达到提升图像质量的目的。

技术领域

本发明属于图像超分辨率重建的技术领域，尤其涉及一种基于多特征的POCS图像超分辨率重建方法。

背景技术

图像超分辨率重建是指在不升级成像硬件系统的前提下，利用计算机对低分辨率图像或图像序列进行处理，重建出高分辨率图像的一种图像处理技术，在医学影像分析、安全监控、遥感成像等领域都有广泛应用。

目前基于序列图像的超分辨率重建方法主要分为：基于传统算法的重建和基于深度学习方法的重建。基于传统算法的超分辨率重建主要包括：基于插值的方法(参考：DeepuRajan,Subhasis Chaudhuri.Generalized interpolation and its application insuper-resolution imaging[J].Image and Vision Computing,2001,19(13).)、基于迭代反投影的方法(参考：Irani M,Peleg S.Improving resolution by image registration[J].GVGIP:Graphical Models and Image Processing,1991,53(3):231-239.)、基于最大后验概率的方法(Schultz R R,Stevenson R L.Improved definition video frameenhancement[C].International Conference on Acoustics.IEEE,1995.)和基于凸集投影的方法(Stark H,Oskoui P.High-resolution image recovery from image-planearrays,using convex projections[J].Journal ofthe Optical Society ofAmerica AOpticsImage Science,1989,6(11):1715.)等。近年来，基于深度学习的图像超分辨率重建成为人们研究的热点，2014年Chao等人提出一个含三个卷积层的网络-SRCNN，首次将深度学习用于图像超分辨率重建(参考：Chao D,Chen C L,He K,et al.Learning a DeepConvolutional Network for Image Super-Resolution[J].ECCV,2014.)该方法重建效果优且可以实现较大倍数的放大，但与此同时对网络结构的设计和训练过程要求很高，需要大量数据用于训练且运算量通常非常巨大(参考：谢海平,谢凯利,杨海涛.图像超分辨率方法研究进展[J].计算机工程与用,2020,56(19):34-41.)。相比于基于深度学习方法，传统方法可以加入图像先验信息，不需要大量的训练样本，具有独特的优势。在众多传统重建方法中，POCS算法由于具有算法原理直观、成像模型灵活、方便引入大量先验信息等优点(参考：房垚鑫,郭宝峰,马超.基于改进点扩散函数的遥感图像超分辨率重建[J].激光术,2019,43(05):123-128.)，是人们使用比较多的重建方法。但POCS算法在重建过程中使用插值方法构建参考帧，而且重建过程中没有对PSF(Point spread function，PSF)进行估计，导致重建的图像在边缘、细节信息方面效果不好。