发明内容
本发明的目的是提供一种能够进一步提高超分辨率图像增强的能力,适用于不同的应用需求的图像序列的加权自适应超分辨率重建方法。
为了达到上述目的,本发明提供一种图像序列的加权自适应超分辨率重建方法,包括如下步骤:
步骤1取同一传感器获得的连续K帧M1×M2大小的低分辨率图像,得到低分辨率图像序列{Yk(x,y):k=1,2,...,K},其中,M1和M2分别为每帧低分辨率图像的图像矩阵的行数和列数,M2、M1以及K为正整数,用Yk(x,y)二维函数形式表示低分辨率图像序列中第k帧图像,坐标(x,y)的值为离散量并且x和y都为非负整数,然后对该低分辨率图像序列进行重采样,得到重采样的低分辨率图像序列,对该低分辨率图像序列进行重采样的方法为
(1.1)选取参考帧,建立图像序列中偏移图与参考帧图像之间的运动变形变换关系模型
以第一帧图像Y
1(x,y)为参考帧图像,则第k帧图像Y
k(x,y)为第一帧图像Y
1(x,y)经过旋转角度
水平平移
垂直平移
所得,即:
所述的旋转角度
水平平移
及垂直平移
为运动变形参数,所述的运动变形参数
以及
的确定方法为:
步骤1.1:利用维纳滤波对低分辨率图像序列{Yk(x,y):k=1,2,...,K}进行预处理,预处理后的低分辨率图像序列仍记为{Yk(x,y):k=1,2,...,K};
步骤1.2:利用公知的建立图像金字塔的方法,分别对预处理后的K帧低分辨率图像进行分层,其算法如下:对第k帧预处理后的图像Yk(x,y)经过低通滤波后并做隔行隔列降采样,即
其中,f
k,l(x,y)表示第k帧图像Y
k(x,y)的图像金字塔中第l层图像;f
k,0(x,y)为原图像Y
k(x,y),作为第k帧图像Y
k(x,y)的图像金字塔的底层;L表示第k帧图像Y
k(x,y)的图像金字塔的总层数;C
k,l为第k帧图像Y
k(x,y)的图像金字塔中第l层图像的列数;R
k,l为第k帧图像Y
k(x,y)的图像金字塔中第l层图像的行数;其中,l、m、n、L、C
k,l以及R
k,l为大于零的正整数,
为5×5大小的窗口函数,其中,m′和n′为正整数,
为服从高斯密度分布的函数,
服从高斯密度分布的函数满足如下三个约束条件:
1)归一化:m″为整数;
3)奇偶项等贡献:
由上面三个约束条件可以得到
窗口函数w(m′,n′)则可以表示为
由{fk,l(x,y):l=1,2,...,L}构成了第k帧预处理后的低分辨率图像Yk(x,y)的图像金字塔;
步骤1.3:利用梯度法来估计第k帧图像Y
k(x,y)的图像金字塔第L层图像相对于参考帧图像Y
1(x,y)的图像金字塔的第L层的旋转角度
水平平移
垂直平移
其算法如下:以第一帧图像
的图像金字塔第L层图像f
1,L(x,y)作为参考帧图像,第k帧图像Y
k(x,y)的图像金字塔第L层f
k,L(x,y)作为f
1,L(x,y)经过旋转角度
水平平移
垂直平移
则f
k,L(x,y)表示为
进一步将f1,L用泰勒级数展开到一阶,可近似得
则f1,L和fk,L之间的误差函数表示为
对式(6)关于
求偏导数并令其等于零,忽略高阶项后可以得到
其中
解线性方程组(7)-(9),得到旋转角度
水平平移
垂直平移
步骤1.4:利用公式
以及
得到最佳运动变形参数
以及
的值;
(1.2)几何位置校正
以参考帧图像Y1(x,y)的坐标系作为标准坐标系,按照运动变形变换关系模型,把预处理后的低分辨率图像序列{Yk(x,y):k=1,2,...,K}分别投影到标准坐标系中的相应位置,得到几何位置校正后的低分辨率图像序列,几何位置校正后的低分辨率图像序列仍然记为{Yk(x,y):k=1,2,...,K};
(1.3)低分辨率图像序列的初始重采样
利用加权拉格朗日插值算法对几何位置校正后的低分辨率图像序列{Yk(x,y):k=1,2,...,K}进行重采样,得到初始重采样的低分辨率图像序列;
(1.4)确定图像区域的输出范围
首先把初始重采样的低分辨率图像序列投影到标准坐标系中,然后分别找出投影图像的横坐标和纵坐标的最大值和最小值,并以此确定图像区域的输出范围,输出重采样的低分辨率图像序列
重采样的低分辨率图像序列中每帧图像的大小为N
1×N
2,其中N
1和N
2为正整数且分别为重采样的每帧低分辨率图像的图像矩阵的行数和列数;
步骤2.利用重采样的低分辨率图像序列
重建一帧大小为pN
1×pN
2的高分辨率图像
其中放大因子p为正整数,重建一帧高分辨率图像的方法为:
(2.1)建立高分辨率图像的退化模型
首先将重采样的低分辨率图像序列按行排成列向量,重排后的低分辨率图像序列记为
同样将高分辨率图像
按行排成列向量后,重排后的低分辨率图像序列记为
其中
为包含N
1N
2个元素的列向量、
为包含p
2N
1N
2个元素的列向量以及T表示转置;令N=N
1N
2和M=p
2N
1N
2,则建立如下高分辨率图像的退化模型
1≤k≤K,
其中,
表示高分辨率图像;
表示第k帧重采样后的低分辨率图像;B表示大小为M×M的模糊矩阵;D表示大小为L×M的降采样矩阵,
(2.2)建立高分辨率图像的重建优化模型
根据(1.2)给定的高分辨率图像的退化模型以及正则化理论,将退化模型中高分辨率图像的求解过程转化为如下高分辨率图像的重建优化模型解的优化过程
其中,wk表示加权因子,λ(·)表示正则项系数,ρ(·)表示数据残差项,Γ(·)表示正则项;ρ(·)和Γ(·)分别为
和
其中,i和j为正整数、||·||2 2表示2范数的平方、γ为退火参数且0<γ<300;
正则化系数λ(·)的选取应该遵循这样的原则:1)正则化系数λ(·)与数据残差项ρ(·)成正比;2)正则化系数λ(·)与正则项Γ(·)成反比;3)正则化系数λ(·)非负;4)在边缘和纹理点等非光滑区域的像素点对应的正则化系数值小;根据正则化系数λ(·)的选取应该遵循这样的原则,构造如下公式来确定正则化系数λ(·)
其中,0<τ<1、0<δ<20;
所述的高分辨率图像的重建优化模型中加权因子wk、模糊矩阵B以及降采样矩阵D的确定,所述的wk、B以及D的确定方法为:
(a)加权因子wk的确定:定义第k帧图像所在的数据残差项ρ(·)赋予的权值wk为:
wk=w1-a(Hk)|k-1|,1≤k≤K (10)
其中w1表示参考帧图像所在的数据残差项ρ(·)赋予的权值、Hk表示重采样的低分辨率图像序列中第k帧图像的熵值以及a(Hk)的表达式为
其中μ是一个正的实常数;
把式(11)代入式(10)中得
w1和δ的最优值分别为0.5和0.2,则加权因子wk表示为
(b)模糊矩阵B的确定
通过模糊核位移确定模糊矩阵B,模糊核为h=(h1,h2,h3)T,其中h1+h2+h3=1,则
且所述h1=0.25、h2=0.5、h3=0.25;
(c)降采样矩阵D的确定
降采样矩阵D为:
对于i′=1,2,...,N
其中,N=N1N2、N1和N2为正整数且分别为重采样的每帧低分辨率图像的图像矩阵的行数和列数;
(2.3)利用逐渐非凸算法对高分辨率图像的重建优化模型进行优化,得到高分辨率图像的最优估计值,利用逐渐非凸算法进行优化的具体步骤如下:
步骤2.3.2:用三次线性插值法对熵值最高的低分辨率图像进行插值,获得高分辨率图像的初始值
步骤2.3.3:令
取γ
(0)=2ρ,其中k′=1,2,...,M-1,
表示高分辨率图像的初始值
的第k′个分量,γ
(0)表示退火参数的初始值且0<γ
(0)<300;
步骤2.3.4:n″=0;
步骤2.3.5:按以下公式求解第n″次迭代的正则项系数λ(n″):
其中
步骤2.3.7:令n″=n″+1,γ
(n″)=ηγ
(n″-1),如果
转至步骤2.3.5;否则,转至步骤2.3.8;
步骤2.3.8:输出超分辨率重建图像
其中,n″为非负正整数、0<τ<1,0<η<1,0<τ<1、0<δ<20、γ(n″)为第n″次迭代的退火参数、ε是一个大于零的迭代终止系数,β表示的迭代步长,所述η=0.7,τ=0.4,ε=0.0001,β=0.9以及δ=5。
与现有技术相比,本发明的有益效果和特点在于:
为了获得高质量的高分辨率图像,满足不同的实际应用要求,本发明提供了一种图像序列的加权自适应超分辨率重建方法,该方法利用同一传感器获得的连续多帧低分辨率图像间的互补信息,重建一帧高分辨率图像,不但能提高图像的像素数,而且通过考虑图像的退化过程来获得图像更多的细节和信息。
1.本发明提出的图像序列的加权自适应超分辨率重建方法,针对低分辨率图像序列中每帧图像所包含信息量的不同,在重建过程中对每帧图像赋予不同的权值,以提高重建后高分辨图像的质量;
2.本发明所建立的高分辨率图像的重建优化模型中正则项系数决定了图像正则化得强度,对重建结果影响很大,为了得到好的重建效果,针对本发明所建立的高分辨率图像的重建优化模型的特点,提出了一种简单的自适应求解正则项系数的方法,使得正则化作用的强度随着重建图像光滑程度而自适应地改变,有利于更好地抑制光滑区域的噪声同时保持图像细节;
3.本发明从实际应用出发,提出一种图像序列的加权自适应超分辨率重建算法,次方法对实际场景拍摄到的低分辨率图像序列有很好的重建结果,图3.1显示了这6帧低分辨率图像序列,图3.2是三次样条插值方法的结果,图3.3是本发明提出的图像序列的加权自适应超分辨率重建方法的结果,从图中可以看出,本发明提出的方法在图像细节保持方面明显好于三次样条插值方法;
总之,本发明所述的图像序列的加权自适应超分辨率重建算法的鲁棒性和有效性从实验结果可以看出是令人满意的。
具体实施方式
在具体的实施方式中,将结合附图,清楚、完整地描述图像序列的加权自适应超分辨率重建方法的详细过程。
1.一种图像序列的加权自适应超分辨率重建方法,其特征在于,包括如下步骤:
步骤1取同一传感器获得的连续K帧M1×M2大小的低分辨率图像,得到低分辨率图像序列{Yk(x,y):k=1,2,...,K},其中,其中,M1和M2分别为每帧低分辨率图像的图像矩阵的行数和列数,M2、M1以及K为正整数、用Yk(x,y)二维函数形式表示低分辨率图像序列中第k帧图像,坐标(x,y)的值为离散量并且x和y都为非负整数,Yk(x,y)用矩阵形式表示为
然后对该低分辨率图像序列进行重采样,得到重采样的低分辨率图像序列。下面结合附图2来说明对低分辨率图像序列进行重采样的方法:
(1.1)选取参考帧,建立图像序列中偏移图与参考帧图像之间的运动变形变换关系模型以第一帧图像Y
1(x,y)为参考帧图像,则第k帧图像Y
k(x,y)为第一帧图像Y
1(x,y)经过旋转角度
水平平移
垂直平移
所得,即:
所述的旋转角度
水平平移
及垂直平移
为运动变形参数,所述的运动变形参数
以及
的确定方法为:
步骤1.1:利用维纳滤波对低分辨率图像序列{Yk(x,y):k=1,2,...,K}进行预处理,预处理后的低分辨率图像序列仍记为{Yk(x,y):k=1,2,...,K};
步骤1.2:利用公知的建立图像金字塔的方法,分别对预处理后的K帧低分辨率图像进行分层,其算法如下:对第k帧预处理后的图像Yk(x,y)经过低通滤波后并且隔行隔列降采样,即
其中,f
k,l(x,y)表示第k帧图像Y
k(x,y)的图像金字塔中第l层图像;f
k,0(x,y)为原图像Y
k(x,y),作为第k帧图像Y
k(x,y)的图像金字塔的底层;L表示第k帧图像Y
k(x,y)的图像金字塔的总层数;C
k,l为第k帧图像Y
k(x,y)的图像金字塔中第l层图像的列数;R
k,l为第k帧图像Y
k(x,y)的图像金字塔中第l层图像的行数;其中,l、m、n、L、C
k,l以及R
k,l为大于零的正整数,
为5×5大小的窗口函数,其中,m′和n′为正整数,
为服从高斯密度分布的函数,
服从高斯密度分布的函数满足如下三个约束条件:
3)奇偶项等贡献:
由上面三个约束条件可以得到
窗口函数w(m′,n′)则可以表示为
由{fk,l(x,y):l=1,2,...,L}构成了第k帧预处理后的低分辨率图像Yk(x,y)的图像金字塔;
步骤1.3:利用公知的梯度法来估计第k帧图像Y
k(x,y)的图像金字塔第L层图像相对于参考帧图像Y
1(x,y)的图像金字塔的第L层的旋转角度
水平平移
垂直平移
其算法如下:以第一帧图像
的图像金字塔第L层图像f
1,L(x,y)作为参考帧图像,第k帧图像Y
k(x,y)的图像金字塔第L层f
k,L(x,y)作为f
1,L(x,y)经过旋转角度
水平平移
垂直平移
则f
k,L(x,y)表示为
进一步将f1,L用泰勒级数展开到一阶,可近似得
则f1,L和fk,L之间的误差函数表示为
对式(6)关于
求偏导数并令其等于零,忽略高阶项后可以得到
其中
解线性方程组(7)-(9),得到旋转角度
水平平移
垂直平移
步骤1.4:利用公式
以及
得到最佳运动变形参数
以及
的值;
(1.2)几何位置校正
以参考帧图像Y1(x,y)的坐标系作为标准坐标系,按照运动变形变换关系模型,把预处理后的低分辨率图像序列{Yk(x,y):k=1,2,...,K}分别投影到标准坐标系中的相应位置,得到几何位置校正后的低分辨率图像序列,几何位置校正后的低分辨率图像序列仍然记为{Yk(x,y):k=1,2,...,K};
(1.3)低分辨率图像序列的初始重采样
利用公知的加权拉格朗日插值算法对几何位置校正后的低分辨率图像序列{Yk(x,y):k=1,2,...,K}进行重采样,得到初始重采样的低分辨率图像序列;(加权拉格朗日插值算法见“敬忠良,肖刚,李振华.图像融合理论与应用.北京:高等教育出版社,2007”)
(1.4)确定图像区域的输出范围
为了避免重采样的低分辨率图像序列空白过多,确定图像区域的输出范围,获得恰当的图像区域的输出范围的方法为:首先把初始重采样的低分辨率图像序列投影到标准坐标系中,然后分别找出投影图像的横坐标和纵坐标的最大值和最小值,并以此确定图像区域的输出范围,输出重采样的低分辨率图像序列
重采样的低分辨率图像序列中每帧图像的大小为N
1×N
2,其中N
1和N
2为正整数且分别为重采样的每帧低分辨率图像的图像矩阵的行数和列数;
步骤2.利用重采样的低分辨率图像序列
重建一帧大小为pN
1×pN
2的高分辨率图像
其中放大因子p为正整数,重建一帧高分辨率图像的方法为:
(2.1)建立高分辨率图像的退化模型
将重采样的低分辨率图像序列
按行排成列向量,按行排成列向量的具体方法为:假设第k帧低分辨率图像
的矩阵表示形式为
则排成列向量变为
同样将高分辨率图像
按行排成列向量后,记为
其中,
为包含N
1N
2个元素的列向量、
为包含p
2N
1N
2个元素的列向量以及T表示转置;令N=N
1N
2和M=p
2N
1N
2,则建立如下高分辨率图像的退化模型
其中,
表示高分辨率图像;
表示第k帧重采样后的低分辨率图像;B表示大小为M×M的模糊矩阵;D表示大小为L×M的降采样矩阵,
(2.2)建立高分辨率图像的重建优化模型
根据(2.1)给定的退化模型:
1≤k≤K,图像序列的超分辨率重建相当于根据低分辨率图像序列
求解
因为模糊矩阵B和降采样矩阵D的乘积是个有高度病态性的系数矩阵,从数值分析的角度分析,模糊矩阵B和降采样矩阵D的乘积的高度病态性造成超分辨率重建的不适定性,换句话说,退化模型:
1≤k≤K的解不能完全满足“存在性、唯一性、稳定性”三个条件,这里稳定性的含义是模糊矩阵B和降采样矩阵D的微小误差都可能会导致超分辨率重建图像与真实的高分辨率图像偏离甚远。下面将把上面的不适定问题转化为适定性问题,同时保证与退化模型真实解的保真度。根据(1.2)给定的高分辨率图像的退化模型以及正则化理论,将退化模型中高分辨率图像的求解过程转化为如下高分辨率图像的重建优化模型解的优化过程
其中,wk表示加权因子,λ(·)表示正则项系数,ρ(·)表示数据残差项,Γ(·)表示正则项;ρ(·)和Γ(·)分别为
和
其中,i和j为正整数、||·||2 2表示2范数的平方、γ为退火参数且0<γ<300;
正则化系数λ(·)的选取应该遵循这样的原则:1)正则化系数λ(·)与数据残差项ρ(·)成正比;2)正则化系数λ(·)与正则项Γ(·)成反比;3)正则化系数λ(·)非负;4)在边缘和纹理点等非光滑区域的像素点对应的正则化系数值小;根据正则化系数λ(·)的选取应该遵循这样的原则,构造如下公式来确定正则化系数λ(·)
其中,0<τ<1、0<δ<20;
所述的高分辨率图像的重建优化模型中加权因子wk、模糊矩阵B以及降采样矩阵D的确定,所述的wk、B以及D的确定方法为:
(a)加权因子wk的确定:定义第k帧图像所在的数据残差项ρ(·)赋予的权值wk为:
wk=w1-a(Hk)|k-1|,1≤k≤K (10)
其中w1表示参考帧图像所在的数据残差项ρ(·)赋予的权值、Hk表示重采样的低分辨率图像序列中第k帧图像的熵值,重采样的低分辨率图像序列中第k帧图像的熵值Hk的计算表达式为
其中,Q为图像的灰度等级,对于256灰度等级的图像Q=255以及
其中,nk(q)表示灰度级为q在重采样的低分辨率图像序列第k帧图像中包含的像素数;
通过分析知,a(Hk)需要满足如下三条重要的性质:
1)a(Hk)与信息熵Hk成反比;
2)a(Hk)大于或等于0;
3)a(Hk)需要保证(10)式中的wk≥0(k=1,...,K)。
基于上面描述的几条性质,定义a(Hk)的表达式为
其中Φ(·)是单调递增函数。为了提高速度且不影响结果的前提下,本发明用线性函数来定义Φ(·)
其中μ是一个正的实常数;
把式(11)代入式(10)中得
w1和μ的最优值分别为0.5和0.2,则加权因子wk表示为
(b)模糊矩阵B的确定
通过模糊核位移确定模糊矩阵B,模糊核为h=(h1,h2,h3)T,其中h1+h2+h3=1,则
且所述h1=0.25、h2=0.5、h3=0.25;
(c)降采样矩阵D的确定
本发明基于低分辨率图像中产生的混叠效应是由平均算子所造成的这个事实来构造降采样矩阵D,则降采样矩阵为:
对于i′=1,2,...,N
其中,p为放大因子且为正整数、N=N1N2、N1和N2为正整数且分别为重采样的每帧低分辨率图像的图像矩阵的行数和列数;
(2.3)利用逐渐非凸算法对高分辨率图像的重建优化模型进行优化,得到高分辨率图像的最优估计值,利用逐渐非凸算法进行优化的具体步骤如下:
步骤2.3.2:用三次线性插值法对熵值最高的低分辨率图像进行插值,获得高分辨率图像的初始值
步骤2.3.3:令
取γ
(0)=2ρ,其中k′=1,2,...,M-1,
表示高分辨率图像的初始值
的第k′个分量,γ
(0)表示退火参数的初始值且0<γ
(0)<300;
步骤2.3.4:n″=0;
步骤2.3.5:按以下公式求解第n″次迭代的正则项系数λ(n″):
其中
步骤2.3.7:令n″=n″+1,γ
(n″)=ηγ
(n″-1),如果
转至步骤2.3.5;否则,转至步骤2.3.8;
其中,n″为非负正整数、0<τ<1,0<η<1,0<τ<1、0<δ<20、γ(n″)为第n″次迭代的退火参数、ε是一个大于零的迭代终止系数,β表示的迭代步长,所述η=0.7,τ=0.4,ε=0.0001,β=0.9以及δ=5。
序列图像的加权自适应超分辨率重建方法在实拍低分辨率图像的应用试验
在应用试验中,利用分辨率为320×240的摄像机对实际场景拍摄一段视频流,选取视频流中的连续6帧图像,并截取其中94×102大小的感兴趣区域作为低分辨率图像序列,然后利用本发明提出的加权自适应超分辨率重建方法对这一低分辨率图像序列进行重建实验,取放大因子为2。图3.1显示了这6帧低分辨率图像序列,图3.2是三次样条插值方法的结果,图3.3是本发明提出的超分辨率重建方法。从直观效果看,三次样条插值的结果非常模糊,几乎所有的字符很难去辨认,而本发明提出的方法恢复出更多的细节,获得了比较好的直观效果。