论文部分内容阅读
视觉是人类获取外界信息的最主要的途径。图像,作为对客观世界的真实写照,成为人类认识世界的最常用的信息载体。在现实生活中,受成像设备的硬件成本、硬件的制造工艺以及信息传输条件的限制,通常人们所获得的图像只具备较低的分辨率,因而制约了人们对其做进一步的开发与利用。由此引出图像超分辨率重建问题,从退化的低分辨图像中估计出隐含的清晰的高分辨率图像。并且要求重建后的图像做到尽可能的清晰,尽可能的真实,以及尽可能少的出现人为痕迹。本文首先将图像超分辨率重建问题看做是图像降质过程的逆过程,通过对输入的低分辨率图像做去噪、上采样,以及去模糊处理,从而获得隐含的高分辨率图像。为此,本文提出了一种基于可控核回归的多点滤波器,用于解决图像去噪问题,提出了一种基于差分进化计算的图像盲解卷积算法,用于解决图像去模糊问题。本文提出的基于可控核回归的多点滤波器同时结合了可控核回归和引导滤波器两种算法的优点。可控核回归能够在噪声环境下高效地估计滤波权重,本文将滤波核用于加权引导滤波器的分析窗口,从而改进了引导滤波器中固定窗口的假设,使得图像的局部线性模型更加合理。引导滤波器以其强大的边缘保持特性而著称,然而其去噪能力却很差。通过实验分析,基于可控核回归的多点滤波器仍然具备良好的边缘保持特性,同时又提高了引导滤波器的去噪性能。与可控核回归相比,本文采用了简单的回归模型就能与高阶、多次迭代的回归结果相匹及,从而简化了计算。与经典的去噪算法相比,本文提出的滤波器能够有效地抑制图像中的高斯噪声。本文提出的基于差分进化计算的图像盲解卷积算法充分利用差分进化算法的简单优化过程,去优化复杂的图像盲解卷积问题。为了克服在经典贝叶斯推断中的无模糊解释的缺陷,我们为模糊核变量设计了分段形式的先验,从而避免出现图像无模糊解释的结果。考虑到模糊核变量的个数远小于图像变量的个数,本文选择模糊核变量作为差分进化算法的优化变量。由于差分进化算法是一个重复迭代的算法,目标代价需要重复计算多次。为了加快计算,本文先将图像的先验松弛为高斯先验,并且在选择操作加入了一步快速的粗略选择。最后,利用由差分进化计算优化得到的模糊核以及图像的稀疏先验,解卷积得到清晰图像。通过实验分析,本文提出的算法是有效的,并能够成功的处理散焦模糊图像和运动模糊图像。其次,为了进一步提高重建结果的质量,本文重点研究图像的盲超分辨率重建问题,也就是在估计高分辨率图像的同时,估计图像在退化过程中的模糊。本文从影响模糊估计的因素入手,逐一讨论在贝叶斯推断框架下利于模糊估计的有效边缘,并提出一种基于边缘选择的模糊估计算法,用来精确地估计在重建约束中的模糊,解决了现有超分辨率重建算法存在的由不精确的模糊估计而导致的重建结果模糊的问题。虽然图像超分辨率重建问题很早就被提出,但是截至目前为止,该问题仍然没有被完全解决。这是因为,每种图像超分辨率重建算法都对图像的退化过程有一种假设,当输入的图像满足假设时,就可以重建出理想的结果。当输入的图像不满足假设时,便会得到差强人意的重建结果。在一组合成数据上的实验结果表明,本文提出的基于边缘选择的盲超分辨率算法是有效可行的,并能够提高部分图像超分辨率重建算法的性能。最后,本文根据实际需求,提出图像的多显示终端适配显示的问题,该问题同时包含了图像重定向和图像超分辨率重建两个问题。为此,本文提出了一种基于内容的图像盲超分辨率重建算法,能够上采样输入图像到任意分辨率,并且同时保证上采样后的图像具有清晰锐利的边缘,并且不破坏输入图像的重要结构。此外,本文将重定向中的网格映射表达成线性的形式,从而公式化出一个稀疏矩阵。由于该矩阵具备采样的功能,并将矩阵定义为基于图像内容的采样矩阵。本文将基于内容的采样矩阵替换掉基于重建算法中的普通采样矩阵,因而可以同时解决图像重定向与图像超分辨率重建问题。就定性指标和定量指标而言,本文提出的算法是高效可行的。