图像插值超分辨率重建算法研究

摘要

图像视频超分辨率是现在研究的热点问题，在高清电视、图像编码、人脸识别、医学图像和视频安全监控等方面都有重要的应用。图像的分辨率表示图像的细节信息，即图像的分辨率越高，图像所包含的细节就越多。经典的图像超分辨率重建算法首先是对低分辨率图像进行插值，然后建立相应的数学模型对图像进行复原和重建。图像插值算法的好坏对图像重建结果有直接的影响，好的插值算法会减少复原重建的工作量。而在通常的图像超分辨率应用中，由于运算资源的限制，通常不可能采用复杂的复原重建方法，甚至省去图像复原重建的步骤。因此需要一种稳定有效的图像插值方法。本文提出一种保边滤波的图像插值算法。
　　 图像超分辨率重建的主要目的是通过对输入的低分辨率图像进行去噪、去模糊、上采样来增加图像或者视频的分辨率。
　　 本文主要是对含噪图像和模糊图像进行超分辨率重建。针对含噪图像的超分辨率重建算法，分析了常见图像的去噪算法和混合噪声的去除算法，重点研究了基于维纳滤波和非局部均值分解的图像超分辨率重建算法。首先对输入的含噪图像，进行椒盐噪声点的判断，如果是椒盐噪声点则用中值滤波进行去除，然后对图像进行维纳滤波或非局部均值滤波处理，获得图像的基本层。将去除椒盐噪声后的图像减去基本层即为图像的细节层。图像的基本层主要包括图像的轮廓信息，而细节层包含纹理信息和噪声，因此对细节层进行滤波，然后再分别对基本层和滤波后的细节层进行基于边缘保持的插值放大，最后将两者线性融合，获得最终的高分辨率图像。
　　 针对模糊图像的超分辨率重建算法研究，主要分析了运动模糊和散焦模糊图像的复原、放大，然而模糊图像能够正确恢复的关键是点扩散函数的正确生成。本文首先介绍了模糊类型识别，然后根据不同的模糊类型进行参数估计。最后分析了模糊图像的恢复方法。算法的整个过程为对输入的一个模糊图像，根据Hough变换判断模糊类型，然后利用估计出来的点扩散函数对模糊图像进行维纳滤波恢复，最后对恢复的图像利用改进的保边滤波的图像插值算法对图像进行放大，获得高分辨率图像。
　　 针对低分辨率图像，即图像模糊并且有噪声污染的情况下，基于峭度图像超分辨率重建算法能获得较好的效果，但是运算速度比较慢，因此对其进行改进，研究了基于DoG算子的图像超分辨率重建算法。

目录

声明

摘要

第1章 绪论

1．1 课题研究的背景及意义

1．2 国内外研究现状

1．3 本文主要研究内容和章节安排

1．3．1 论文研究内容

1．3．2 章节安排

第2章 图像插值技术研究

2．1 传统的图像插值算法

2．2 基于边缘的图像插值算法

2．2．1 基于协方差的边缘导向插值算法(NEDI)

2．2．2 迭代曲率插值算法(ICBI)

2．2．3 基于边缘保持的图像插值算法

2．2．4 实验结果与分析

2．3 基于小波变换的图像插值算法

2．4 图像插值技术的评价

2．4．1 图像的主观评价方法

2．4．2 图像的客观评价方法

2．5 本章小结

第3章 含噪图像的超分辨率重建算法研究

3．1 传统图像去噪算法

3．2 混合噪声去除算法

3．2．1 基于中值滤波和维纳滤波结合的去噪算法

3．2．2 三边滤波算法

3．2．3 实验结果与分析

3．3 基于保边滤波的图像超分辨率重建算法

3．3．1 图像分解

3．3．2 图像插值放大

3．3．3 图像融合

3．3．4 算法基本流程

3．3．5 实验结果与分析

3．4 本章小结

第4章 模糊图像的超分辨率重建算法研究

4．1 图像模糊类型的识别

4．1．1 图像退化模型的种类

4．1．2 图像退化模糊类型识别算法研究

4．2 模糊图像参数的估计

4．2．1 运动模糊图像参数的估计

4．2．2 散焦模糊图像参数估计

4．3 图像去模糊算法研究

4．4 模糊图像的超分辨率重建算法研究

4．5 实验结果与分析

4．6 本章小结

第5章 基于DoG算子的图像超分辨率重建算法研究

5．1 DoG算子原理

5．2 低噪环境下的超分辨率重建算法

5．3 实验结果与分析

5．4 本章小结

总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文及参与的科研项目

攻读硕士学位期间发表的论文