大视场高分辨率光学系统计算成像算法研究

摘要

大视场高分辨率一直以来都是成像领域中两个对立而统一的目标，大视场主要注重观测目标的整体信息，而高分辨率主要注重物体的细节信息，大视场高分辨率成像，不管是在航拍还是在显微领域都有广泛的应用。
　　传统光学系统存在探测器制造水平限制、光学设计以及衍射极限等限制，所以传统成像系统很难直接通过光学设计得到理想的图像。特别的，在大视场下得到高分辨率的均匀光照图像尤为困难。本文提出了一种基于分块重叠的对比度增强算法以及基于稀疏表示的超分辨率重建的计算成像算法，旨在提高传统光学系统得到的中间像的亮度均匀度和分辨率。
　　首先，本文采用基于分块重叠的对比度增强算法，将亮度不均匀图像分块并对图像块的灰度值进行调整，主要调整图像的较高灰度值以及较低灰度值处，从而增加图像细节信息。最后输出图像的图像熵（图像细节信息量）以及亮度均匀度都能提高10％～15％，同时能够减少噪声以及色彩的失真。
　　之后，本文采用基于稀疏表示的超分辨率重建算法，将图像分块并采取基于稀疏表示的字典学习理论，首先讨论了字典学习的方法及其优化算法，其次讨论了在已有字典的情况下，如何确定稀疏表示系数，最后通过稀疏表示系数以及过完备字典，将低分辨率图像重建为高分辨率图像，分辨率提高了1.5～2倍，并且峰值信噪比比起其他方法减少了5％。
　　最后，将两种方法结合对图片进行计算成像算法处理，将得到的图片进行对比度增强处理，得到亮度均匀后的图片。由于对比度增强算法相当于一个平滑滤波器，会使得图片中的细节和高频信息丢失，所以将图片进行基于稀疏表示的高分辨率图像重建，提高了图像的分辨率，获取更多的细节信息。
　　综上，本文采用基于计算成像的算法，使得大视场高分辨率传统光学系统得到的图像的亮度均匀度和分辨率都提高了，并在之后讨论了本文方法与其他方法的优劣，最后提出了本文的计算成像算法的改进方法与展望。

目录

声明

致谢

摘要

1 绪论

1．1 意义与目的

1．2 计算成像算法发展现状

1．2．1 计算成像像差校正

1．2．2 图像超分辨率重建算法

1．2．3 图像深度重建与复原

1．2．4 波前编码

1．3 对比度增强算法发展现状

1．3．1 直方图均衡

1．3．2 Retinex方法

1．4 图像超分辨率重建发展现状

1．4．1 前向观测模型

1．4．2 基于插值的超分辨率重建算法

1．4．3 基于先验的图像超分辨率重建算法

1．4．4 基于学习的图像超分辨率重建算法

1．5 编码曝光方法研究现状

1．6 研究内容和方法

2 基于分块重叠的对比度增强算法

2．1 图像分块与灰度平均算法

2．1．1 图像分块平均灰度计算

2．1．2 图像分块重叠算法

2．2 图像背景运算算法

2．3 图像自适应算法研究

2．4 编码曝光算法

2．5 算法小结与效果

3 超分辨率模型、稀疏表示及字典学习

3．1 超分辨率模型

3．1．1 稀疏表示基础

3．1．2 稀疏表示的方法

3．1．3 稀疏表示的优化方法

3．2 过完备字典设计

3．2．1 K-SVD方法

3．2．2 稀疏字典学习方法

4 基于稀疏表示的超分辨率图像重建算法

4．1 样本集选取以及算法流程

4．1．1 样本集选取

4．1．2 算法流程

4．2 字典构建算法

4．3 PSF优化算法建立

5 实验结果与分析

5．1 图像对比度增强实验结果与分析

5．1．1 实验结果

5．1．2 实验分析理论

5．1．3 算法对比

5．1．4 编码曝光实验结果

5．2 图像超分辨重建实验结果与分析

5．2．1 实验结果

5．2．2 实验分析理论

5．2．3 算法对比

6 总结与展望

参考文献

作者简介

攻读硕士学位期间所取得的科研成果