本发明专利技术公开了一种基于含积分的平差模型的超分辨率图像重建方法，包括以下步骤：步骤1：对多幅低分辨率图像进行亚像素级配准，获得图像之间的空间位置关系；步骤2：将低分辨率图像像素值作为观测值，建立含观测方程，对观测方程进行线性化处理并依据最小二乘原理解算出未知参数，利用获得的未知参数解算高分辨率像素值；步骤3：对高分辨率象元重叠区域加权平均，获得超分辨率图像。该基于含积分的平差模型的超分辨率图像重建算法原理直观，易于编程实现和扩展，是一种稳健、可行性高的重建算法，可以广泛应用于各种图像实现超分辨率重建。不但可以提高图像信噪比，而且能够保持较好的图像结构信息，获得了更优的图像质量。
【技术实现步骤摘要】
本专利技术涉及平差理论在超分辨率图像重建中的应用，具体涉及一种基于含积分的 平差模型的超分辨率图像重建算法。
技术介绍
在数字图像处理中，理想的高分辨率图像有着重要的应用。高分辨率图像意味 着在一定区域内获得的图像的像素密度较大，因此其能够提供更为精细、丰富的图像信 息。在遥感领域，影像空间分辨率是影像质量评价的一项关键性指标，也是衡量一个国 家航天遥感水平的重要标志。目前，米级甚至亚米级空间分辨率的遥感影像已取得了广 泛的应用，然而其时间分辨率较低；对于低空间分辨率影像拥有较高的时间分辨率，这种 时间和空间的矛盾阻碍了遥感影像的发展与应用。超分辨率重建（Superresulotion reconstruction,SRR)技术是解决这一问题的有效途径，图像超分辨率重建能够突破硬件 的限制来提高图像的分辨率，其对多幅具有互补信息的低分辨率图像进行处理，重建出一 幅或多幅高质量的图像，因而得到广泛的关注和推崇，其在遥感领域、医学图像领域、数码 相片处理有着广泛的应用背景。 虽然超分辨率重建主要关注如何从一系列欠采样的低分辨率图像中重建出高分 辨的图像，但在实际中所获得低分辨率图像往往受噪声、光学模糊、运动模糊以及混叠因素 的影响，所以超分辨率技术涵盖了从有噪声、模糊的图像产生高质量的图像复原技术，所不 同的是，传统的图像复原技术所关注的是恢复一幅降质的图像，并不改变图像的尺寸，因此 将超分辨率重建认为是第二代图像复原问题。 目前图像超分辨率重建的算法大致可以分为两类：一是频率域算法，即利用傅里 叶变换将图像变换到频率域进行有关的重建计算；二是空域算法，即直接在空间域对图像 灰度进行操作。频率域方法由于局限于全局平移运动和线性空间不变降质模型，且包含空 域先验知识的能力有限，导致其适用范围非常有限，因此不能有效地应用于多数场合；而空 域算法，如非均匀空间内插法、迭代反投影方法等，其结合先验信息的能力很弱，在改善超 分辨率复原效果方面受到极大的限制。传统对重建图像进行定量评价时，需有高分辨率图 像进行比对，而利用平差模型时，在计算高分辨率像素值过程中就可以依据残差进行定量 评价。 实际上，图像超分辨率重建过程就是对同一目标进行多次观测，获取多幅低分辨 率影像，利用低分辨率影像求取目标的真实影像，即求取高分辨率影像的过程。这一过程与 测绘领域中对同一对象进行观测，用测量平差求取对象最佳值的过程类似，但这一过程不 能简单的用线性或非线性平差模型来描述。 因此，急需提出一种新的超分辨率图像重建方法。
技术实现思路
本专利技术提出了一种，利用含积分 的平差模型应用到超分辨率图像重建中，提高了图像的质量。 以一种积分关系建立起来的平差模型可称为含积分的平差模型。尽管含积分 的平差模型也是一种非线性模型，但观测量与待求量之间是一个积分关系，平差中的待求 量是函数而不是参数，它与传统观念的非线性平差模型有本质的区别，从而弥补了传统的 最小二乘平差模型、加权最小平差模型以及带有约束条件的最小平差模型等没有考虑的情 形。 -种，包括以下几个步骤： 步骤1:获取同一场景的η张原始分辨率图像，用于重建该场景的超分辨率图像， n^ 2； 令重建的超分辨率图像的分辨率为原始分辨率图像分辨率的T倍，T>1 ; 步骤2 :对低分辨图像进行图像像素坐标配准； 从N张原始分辨率图像中选取任意一张图像作为参考图像，对其他原始分辨率图 像进行坐标配准，得到参考图像到其他原始分辨率图像的配准参数，使得所有原始分辨率 图像中表示同一物体的像素均在同一坐标系中，其中，参考图像的分辨率为NXM; 步骤3:利用参考图像中每个像素点u的像素集合{uj，基于含积分的平差模型建 立所述场景的观测方程A+C=?/(Λ%.ν)?': 像素集合IuJ包括参考图像中像素点u及该像素点u的8邻域像素点，以及该像 素点u对应表示在其他原始分辨率图像中实际所在位置的像素点及对应像素点的8邻域像 素点，个数为9η,η为原始分辨图像的张数； 其中，所述该像素点U对应表示在其他原始分辨率图像中实际所在位置的像素点 可能是其他原始分辨率图像中的亚像素点，因此，寻找距离该亚像素点最近的像素点代替 该亚像素点； 其中，Li为像素点Ui原始分辨率像素，Vi为像素点Ui的观测像素值与真实像素值 之间的观测误差，i为整数，取值范围为[l，9n]，f(x，y)为待求的场景的超分辨率灰度函 数； 步骤4:将观测方程进行线性化处理，转换为矩阵形式，基于最小二乘准则求解场 景的超分辨率灰度函数，代入像素坐标计算得到超分辨率图像中对应像素点的像素值，实 现超分辨率图像的重建； 选用二元二次方程对f(X，y)进行线性化处理，f(X，y)= (ao+aiX+aj+aZ+ay+asXy)，将乙+K-J 转换为误差方程矩阵形式Vi =BiX-Li, 则待求的场景的超分辨率灰度函数的线性系数即为X= (?aia2a3a4a5)T，X= (BtPB)4BtPL; 对于求解出的X只适用于像素u及其周围8个像素所形成的范围内，因此可以按 照不同的分辨率要求，积分解算出高分辨率值； P为每个像素点U所对应的像素集合IuJ中的像素点的观测值的权值矩阵，所述 权值矩阵为对角线矩阵，权值矩阵中每个元素的取值范围为（〇，1); Bi为误差方程系数5,_ = Jifc JVa JVds' J.r 2i/.v JVi/.v。 Ui Uj Uj U i Ui Uj 【由于在计算f(x，y)对应的线性系数的过程中，不需利用Vi的值，故即使\属于 未知数，也不影响整个计算过程，仍能完成超分辨率图像的重建。】 所述像素点u的像素集合{uj中的每个像素点的观测值的权值确定方法如下： 像素集合IuJ中的任一除像素点u以外的像素点Ui的观测值的权值C 其 中，Cli是该像素点Ui与像素集合IuJ中其他的9n_l像素点之间的最短距离； 像素点u的观测值的权值为一xscale为参考图像中相邻像素中心位置点 XscaliT 之间距离的一半。 所述对观测方程进行线性化处理，还包括将待求的场景的超分辨率灰度函数采用 傅里叶级数、小波函数、多项式或三角函数代替。 当分辨率扩展倍数T< 3时，对相邻原始分辨率像素周围求出的超分辨率像素重 叠区域，进行加权取平均值，获得对应像素的超分辨率像素值。 【当扩展倍数>3时，则不存在象元重叠区。】 所述重建的超分辨率图像的分辨率为参考图像分辨率的T倍，T的取值范围为 2_4〇 所述同一坐标系是指像素中心位置的坐标值代表本像素在图像中的位置，以参考 图像的列为X轴，行为Y轴，X，Y坐标轴取值范围分别为〇?M、0?N，N、M为原始分辨率图 像的行列数。 所述同一坐标系是指像素中心位置的坐标值代表本像素在图像中的位置，以参考 图像的列为X轴，行为Y轴，X轴和Y轴上的坐标间隔均为原点位于X轴的中央，X取值 2*M 范围是-1?1，Y取值范围是〇?一^r。 N 上述坐标的标准化处理，是为了使得在计算过程中不出现病态问题。 有益效果 本专利技术提供了一种，将平差本文档来自技高网...
【技术保护点】
一种基于含积分的平差模型的超分辨率图像重建方法，其特征在于，包括以下几个步骤：步骤1：获取同一场景的n张原始分辨率图像，用于重建该场景的超分辨率图像，n≥2；令重建的超分辨率图像的分辨率为原始分辨率图像分辨率的T倍，T>1；步骤2：对低分辨图像进行图像像素坐标配准；从N张原始分辨率图像中选取任意一张图像作为参考图像，对其他原始分辨率图像进行坐标配准，得到参考图像到其他原始分辨率图像的配准参数，使得所有原始分辨率图像中表示同一物体的像素均在同一坐标系中，其中，参考图像的分辨率为N×M；步骤3：利用参考图像中每个像素点u的像素集合{ui}，基于含积分的平差模型建立所述场景的观测方程Li+Vi=∫uif(x,y)ds;]]>像素集合{ui}包括参考图像中像素点u及该像素点u的8邻域像素点，以及该像素点u对应表示在其他原始分辨率图像中实际所在位置的像素点及对应像素点的8邻域像素点，个数为9n，n为原始分辨图像的张数；其中，Li为像素点ui原始分辨率像素，Vi为像素点ui的观测像素值与真实像素值之间的观测误差，i为整数，取值范围为[1,9n]，f(x,y)为待求的场景的超分辨率灰度函数；步骤4：将观测方程进行线性化处理，转换为矩阵形式，基于最小二乘准则求解场景的超分辨率灰度函数，代入像素坐标计算得到超分辨率图像中对应像素点的像素值；选用二元二次方程对f(x,y)进行线性化处理，f(x,y)＝(a0+a1x+a2y+a3x2+a4y2+a5xy)，将转换为误差方程矩阵形式Vi＝BiX‑Li，则待求的场景的超分辨率灰度函数的线性系数即为X＝(a0 a1 a2 a3 a4 a5)T，X＝(BTPB)‑1BTPL；P为每个像素点u所对应的像素集合{ui}中的像素点的观测值的权值矩阵，所述权值矩阵为对角线矩阵，权值矩阵中每个元素的取值范围为(0,1)；Bi为误差方程系数Bi=∫uids∫uixds∫uiyds∫uix2ds∫uiy2ds∫uixyds.]]>...
【技术特征摘要】
1. 一种基于含积分的平差模型的超分辨率图像重建方法，其特征在于，包括以下几个 步骤： 步骤1 :获取同一场景的η张原始分辨率图像，用于重建该场景的超分辨率图像， n ^ 2 ； 令重建的超分辨率图像的分辨率为原始分辨率图像分辨率的T倍，T>1 ; 步骤2 :对低分辨图像进行图像像素坐标配准； 从N张原始分辨率图像中选取任意一张图像作为参考图像，对其他原始分辨率图像进 行坐标配准，得到参考图像到其他原始分辨率图像的配准参数，使得所有原始分辨率图像 中表示同一物体的像素均在同一坐标系中，其中，参考图像的分辨率为NXM ; 步骤3 :利用参考图像中每个像素点u的像素集合IuJ，基于含积分的平差模型建立所 述场景的观测方程及+ K = i/Cv，.vVis'; Ui 像素集合IuJ包括参考图像中像素点u及该像素点u的8邻域像素点，以及该像素点u 对应表示在其他原始分辨率图像中实际所在位置的像素点及对应像素点的8邻域像素点， 个数为9η，η为原始分辨图像的张数； 其中，Li为像素点Ui原始分辨率像素，Vi为像素点Ui的观测像素值与真实像素值之间 的观测误差，i为整数，取值范围为[1，9n]，f (X，y)为待求的场景的超分辨率灰度函数； 步骤4 :将观测方程进行线性化处理，转换为矩阵形式，基于最小二乘准则求解场景的 超分辨率灰度函数，代入像素坐标计算得到超分辨率图像中对应像素点的像素值； 选用二元二次方程对f (X，y)进行线性化处理，f (X，y) = (ad+aj+aj+apWajS+apy), 将A+ C '转换为误差方程矩阵形式Vi = BiX-Li,则待求的场景的超分辨率灰度 ui 函数的线性系数即为 X = (aQ ai a2 a3 a4 a5)T，X = (BtPB)-1BtPL ; P为每个像素点u所对应的像素集合{uj中的像素点的观测值的权值矩阵，所述权值 矩阵为对角线矩...
【专利技术属性】
技术研发人员：朱建军，樊东昊，周璀，周靖鸿，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。