【正文】 術對這些圖像進行重建，從而提高所需資料的獲取精度。(4) 在銀行、證劵等部門的安全監(jiān)控系統(tǒng)中，當有異常情況發(fā)生后，可對監(jiān)控錄像進行超分辨率重建，提高圖像要害部分的分辨率，從而為事件的處理提供重要的線索。 圖像超分辨率重建的應用 由于超分辨率重建技術在一定條件下，可以克服圖像系統(tǒng)內(nèi)在分辨率的限制，提高被處理圖像的分辨率，因而超辨率技術的應用正在快速的增長，在視頻、遙感、醫(yī)學和安全監(jiān)控等領域具都有十分重要的應用。技術工藝的制約也限制了圖像分辨率的進一步提高。在序列圖像超分辨率重建算法中，本文對POCS方法做了比較細致的研究，針對用常規(guī)POCS算法重建的高分辨率圖像中出現(xiàn)的導致圖像邊緣質(zhì)量下降的現(xiàn)象,分析了圖像邊緣模糊形成的原因，對算法進行了改進，提出了邊緣保持的POCS算法，用基于梯度的插值算法來獲取POCS的初始值，實驗結果表明，該方法能夠得到較好的視覺效果，明顯地提高重建圖像的邊緣質(zhì)量。超分辨率圖像重建算法可以分為兩大類，即頻域算法和空域算法。因此提高圖像分辨率是圖像獲取領域里追求的一個目標。因此，需要一種有效的方法來克服圖像傳感器的這些限制。(3) 在醫(yī)學成像系統(tǒng)中（如CT、MRI和超聲波儀器等），可以用超分辨率重建技術來提高圖像質(zhì)量，對病變目標進行仔細地檢測，在醫(yī)學檢測中往往需要通過層析成像技術識別并確定出病體的精確位置及詳細情況：如陰影的邊緣、病體占位的大小及位置等。(6) 在資源與環(huán)境的衛(wèi)星遙感應用領域中，地球資源衛(wèi)星的發(fā)射是為了獲取多光譜圖像，通過對這些圖像進行一系列的處理，可以獲取不同的有用信息。分析并比較時間域以及空間域的各種超分辨率算法的性能，選取一種較為直接而且有效的算法作為本課題研究的主要算法。因而就想到了要對圖像的邊緣點進行特殊的處理即用保持原始圖像的邊緣信息進行圖像插補的方法代替雙線性插值來求解POCS算法中高分辨率圖像的初始估計，然后在此基礎上進行POCS算法，并在MATLAB開發(fā)平臺上進行仿真試驗。（4）去模糊和噪聲：在HR融合圖像中需要去除模糊和噪聲，如果圖像模糊和噪聲未知，需要先圖像序列中估計。 頻域方法頻率域方法是圖像超分辨率重建中的一類主要方法，主要是基于傅氏變換和反變換來進行的圖像復原。但是，頻域算法的缺陷也非常明顯：(1) 使用全局位移的運動模型：頻域算法的提出最初是為了處理衛(wèi)星圖片，不同的圖片之間只是拍攝角度有細微的差別，所以可以方便地應用全局位移模型，不過對于一般的圖像序列全局位移的要求很可能不被滿足，由于傅立葉變換的平移特性是頻域算法使用的基本技術之一，很難對運動模型進行調(diào)整以適應有局部運動情況的圖像序列，缺少靈活性，從而限制了在大多數(shù)實際情況。它將復雜的運動模型與相應的插值、迭代及濾波重采樣放在一起進行處理，作為影像重建的全部內(nèi)容，其線性空間域觀測模型涉及到全局和局部運動、光學模糊、幀內(nèi)運動模糊、空間可變點擴散函數(shù)、非理想采樣及其他一些內(nèi)容。使用估算的相對運動信息，可以獲得非均勻間隔樣點上的HR圖像。并且退化模型是受限制的，它們只適用于模糊和噪聲特性對全部低分辨率圖像都一樣的情況，也能利用任何先驗信息。POCS算法是一種迭代過程，在給定超分辨率圖像可行域中任意一個點的前提下，可以找到一個滿足所有凸約束條件的點（即收斂解）。通常采用的先驗模型應該具有三個特點：1）是一個局部平滑函數(shù)；2）具有邊緣保持能力；3）是一個凸函數(shù)。Hardie等提出了一種與超分辨率圖像和配準參數(shù)同時有關的MAP目標函數(shù)，這種方法可以同時進行運動估計和圖像重建。鑒于兩種算法有這樣的特點，很多學者提出了將基于概率理論的方法與基于集合理論的方法統(tǒng)一起來形成混合MAP/POCS算法，以期待新算法能將數(shù)學的嚴格性、解的唯一性與先驗約束的方便性有機地結合。空間域算法中最有前途的是MAP算法與POCS算法，它們都具有高度的靈活性和良好的可擴展性，重構圖像的效果也比較令人滿意，貝葉斯算法與POCS算法相比有更嚴謹?shù)睦碚摽蚣?，其最大的?yōu)點是重構結果是唯一的，POCS算法的優(yōu)點則是算法比較直觀，對先驗知識的利用更加簡單靈活。POCS方法之所以在圖像超分辨率重構領域收到如此重視，主要在于該方法存在著以下優(yōu)點：(1) 原理簡單POCS方法原理直觀，實現(xiàn)算法簡單。 凸集投影算法基于凸集投影(POCS)的高分辨率圖像重建算法就是給定一組低分辨率圖像，假設為參考圖像，利用圖像和其它的圖像（其中且））重建高分辨率圖像的過程。插值是將圖像的像素點恢復到更高速率的采樣柵格上。相比較而言，高階插值對圖像細節(jié)的退化影響最小，但是由于采用的插值核函數(shù)更加復雜，所以其運算的復雜度比較高。絕大多數(shù)的成像系統(tǒng)并不是理想的光學系統(tǒng)，圖像在經(jīng)過攝像頭的時候總會有一定的退化，考慮一個光點源，透過攝像頭形成圖像，不可能與原先一樣就是一個點，而是會產(chǎn)生一些模糊，這個模糊是由點擴散函數(shù)(PSF)造成的。 步驟2：在運動軌跡精確的每一個像素點定義集合。而雙線性插值是將原始圖像上的各點首先對應到放大圖像的各點上，在此基礎上作插值，并且不區(qū)分邊緣區(qū)域和平滑區(qū)域，這是造成邊緣模糊的主要原因。第二步：對邊緣兩側(cè)沿邊緣方向進行平滑處理。第二種情況是它還沒有賦值，這說明插值點不是緊緊夾在兩邊緣之間，這說明插值點是在斜坡邊緣的過渡帶上，所以可以將原始圖像中對應的像素點的像素值賦予這個點，然后對插值的點進行1/3增量式賦值。進行亞采樣的方法如圖41所示，以2*2的小塊為單位將4個像素分別抽樣到不同的低分辨率圖像中，這樣就生成了4幀低分辨率圖像： 111122221212 343412123434 33334444 高分辨率圖像 低分辨率圖像序列 圖41：圖像亞抽樣方式也可以使用隨機抽取的辦法，每幀低分辨率圖像都是在4個像素里面隨機抽取一點，但是前面的一種方式有一個好處，就是原圖像中的所有像素都存在于低分辨率圖像序列中。對比圖45和46，基于邊緣保持的POCS算法得到的結果在細節(jié)的保持方面要優(yōu)于普通的POCS算法得到的結果。 展望 雖然目前的超分辨率研究己經(jīng)取得了比較大的成就，但是仍然不能滿足現(xiàn)在實際圖像處理領域要求的日益提高，而超分辨率作為一種切實可行的、有效的圖像處理方法，以其優(yōu)越的性能及廣泛的應用，必將越來越受到人們的推崇，也必將會更得到更大的發(fā)展。除了圖像序列本身以外，實際應用中還可以得到許多關于被拍攝景物的先驗信息。 總之，對超分辨率重建技術的進一步深入研究必將導致這一技術拓寬到一些新的應用領域。先驗信息在超分辨率中的運用與其它圖像處理和分析環(huán)節(jié)相互關聯(lián)，成為超分辨率算法研究的新熱點。實際成像過程中包含了各種退化，包括各種模糊、各種噪聲、各種運動等，建立、擴展反映成像系統(tǒng)降質(zhì)過程的精確觀測模型，能使算法具有更好的適應性，進一步提高SR復原技術的性能。 5 結論 論文總結本文簡要回顧圖像序列的超分辨重構的發(fā)展現(xiàn)狀，綜合考察了超分辨率及超分辨率復原的國內(nèi)外發(fā)展現(xiàn)狀，對SR重構的可行性進行了理論分析，建立了SR重建的空域模型。圖52表示一幀圖像經(jīng)過亞抽樣以后得到的低分辨圖像序列。經(jīng)過以上的處理得到了邊緣比較清晰的圖像作為高分辨率圖像的初始估計，然后再按照POCS算法的其他步驟對圖像進行重建處理生成高分辨率圖像。目的是為了在以后的插補計算中對插補像素點的計算不涉及到邊緣像素點，這樣會使放大圖像的灰度變化平滑，而且不會在邊緣附近引進噪聲。本文假設原始圖像的邊緣信息完整，那么在這種假設條件成立的情況下，對于邊緣與靠近邊緣的像素點我們就不應該去進行中間插值，簡單的將其移動到邊緣周圍即可。步驟4：對參考圖像進行雙線性插值，把插值以后圖像作為高分辨率圖像的初始估計。至于觀察的低分辨圖像中一個像素點對應于重構圖像中多大范圍內(nèi)的點，是由低分辨率傳感器單元的PSF決定的，因此在超分辨率圖像重構中不僅要考慮光學模糊，而且還要考慮高低分辨率之間轉(zhuǎn)換產(chǎn)生的PSF。主要包括物體的平移、旋轉(zhuǎn)、形狀變化、相機的變焦、傾斜、鏡頭抖動等。并且，對原始LR圖像插值可以提高下一個步驟中的運動估計的準確性。 用插值方法構造參考幀實現(xiàn)POCS算法的第一步就是根據(jù)觀察圖像序列構造參考幀，也就是預估的超分辨率圖像。(2) 靈活的空域觀測模型，因為POCS方法是空間域的典型公式，非常一般的運動模型、觀測值模型均能適應其中，運動即觀測值模型的復雜度對POCS方法幾何沒有影響。表22：MAP算法與POCS算法的比較MAP算法POCS算法使用的理論大量有限先驗知識使用先驗概率密度，容易應用，沒有大的限制使用凸集，容易應用，有效而且簡單重構結果唯一的MAP估計值不唯一，凸集的交集優(yōu)化方法標準的迭代算法，收斂性好迭代投影法，收斂較慢計算量高較高3 POCS算法及其改進算法的實現(xiàn)超分辨率圖像重構是一個典型的病態(tài)求逆問題。超分辨率圖像重構包括頻域和空間域兩類主要算法，頻域算法首先被提出，但是目前的研究則基本都是對空間域算法進行的，通過前面的介紹我們己經(jīng)可以看到空間域算法具有更好的適應性和重構效果，下面對這兩類算法做一個詳