一种基于压缩感知理论的红外图像超分辨率重建方法
【技术领域】
[0001] 本发明涉及图像处理技术，具体涉及一种基于压缩感知理论的红外图像超分辨率 重建方法。
【背景技术】
[0002] 在图像应用领域，细节分辨能力不足是限制图像的视觉效果以及目标理解和识别 性能的重要因素。在红外影像等医学成像领域，图像分辨率严重受限于探测器阵列的像元 数量和尺寸。提高图像分辨率最直接方法是改进图像传感器制造工艺，即从硬件上减小像 元尺寸、增加探测器阵列的像元数量。但是，减小像元大小会引入图像噪声，增加像元数量 又会降低传感器的工作效率，使其可靠性降低。同时，高分辨率成像设备的制造成本急剧增 加，昂贵的价格也会限制其应用推广。
[0003] 如何基于已有硬件条件及当前的观测图像，尽可能恢复场景的本来面貌或进一步 提高图像分辨率，将是保障图像实际价值和应用可靠性的必然要求，也是图像科学研宄和 工程应用中的热点问题。超分辨率重建（SRR)是解决特定应用场景中图像细节分辨能力不 足的有效手段。图像超分辨率重建是指在现有成像条件下，以光学镜头模型和成像理论为 基础，采用图像处理理论与方法，利用有效的算法与计算机软件技术，依靠一帧或多帧低分 辨率（LR)图像来恢复或逼近真实场景的高分辨率图像，获得清晰的视觉效果并改善应用 性能。
[0004] 图像超分辨率技术已发展多年，无论在理论研宄和应用开发方面都取得了巨大 进展。随着信号处理领域理论上的突破，涌现了许多优秀的算法。小波分解、压缩感知 (Compressed Sensing，CS)理论、多目标优化理论为信号处理提供了更多有效途径，开辟 了广阔的研宄空间。近年发展起来的压缩感知理论，通过探寻信号的稀疏特性，在远小于 Nyquist采样率的条件下，用随机采样获取信号的离散样本，通过非线性算法完美重建信 号，被美国科技评论评为2007年度十大科技进展。
[0005] 超分辨率方法是一个从低分辨率图像向高分辨率图像的演变过程，是一个典型的 病态问题，必须引入附加信息。从附加信息的来源上看，可以将图像超分辨率重建方法分为 基于插值的方法、基于学习的方法和基于重建的方法。图像插值是一种最简单的方法，其特 点是速度快，容易实现。典型插值算法包括邻近点插值、双线性插值、双三次插值、样条插值 等。由于插值算法是一种数学运算结果，本质上并不产生丢失的高频信息，造成在高放大倍 数时容易模糊，效果差。因此，插值技术也在不断演化，主要方向是根据低分辨率图像的边 沿和纹理特征，图像空域和变换域的分布特性，以保护高频信息为目的，开发增强边沿的图 像插值算法。
[0006] 基于学习的图像超分辨率方法依赖于单帧图像或图像数据库，其特点是利用高、 低分辨率图像在空域或变换域具有关联特性，通过学习和训练获得高分辨率信息。其中，基 于单帧图像的学习方法是利用低分辨率图像不同区域间、整体与局部间的相似特性得到高 频信息，此类算法没有附加条件要求，实现容易。另一类基于学习的方法采用图像数据库， 依据样本训练获得图像的先验知识。但是学习过程需要对样本进行相似块搜索，计算复杂 度高，实时性效果差，而且样本训练方法不利于对图像个性的刻画。
[0007] 基于重建的超分辨率方法采用了低分辨率图像序列，用较为苛刻的条件获得了真 实的附加信息，取得了更为优秀的重建效果。在此领域涌现了很多有效的算法，主要可分为 频域法和空域法。但是，这种方法需要低分辨率图像序列的帧间具有亚像素位移特性，这往 往难以精确控制，并且会带来硬件成本的增加，难以得到广泛的应用。
【发明内容】
[0008] 针对现有技术存在的上述问题，本发明的目的是解决现有算法复杂度高，计算时 间长，缺乏稳定性的技术问题，提供一种基于压缩感知理论的红外图像超分辨率重建方法。
[0009] 为实现上述目的，本发明采用如下技术方案：一种基于压缩感知理论的红外图像 超分辨率重建方法，包括如下步骤：
[0010] Sl :通过红外成像器材获取图像，将所获取的图像视为对高分辨率图像的下采样 观测，所获取的图像记为低分辨率图像；
[0011] S2 :对所述低分辨率图像进行分块，得到低分辨率图像块集{Y}，Y表示低分辨率 图像块集中任意一个低分辨率图像块，大小为mXn，其中m，n分别为低分辨率图像块的行、 列像素点个数；
[0012] 设对低分辨率图像进行分块时，相邻低分辨率图像块在纵、横两方向重叠像素数 均为 k，其中，0 < k < min (m, η);
[0013] 记上述低分辨率图像块Y对应的高分辨率图像块为X，大小为2mX 2η ;
[0014] S2a :下采样模型为：Υ视为将X相邻四点取平均变成一点后得到的下采样结果；
[0015] S2b :将低分辨率图像块Y和与其对应的高分辨率图像块X分别按先行后列的顺序 组合成向量x、y，维数分别为4mnXl及mnXl ;
[0016] 下采样过程用下采样矩阵D描述，则得到数学表达式（1):
[0017] y = Dx (1)；
[0018] 所述下采样矩阵D维数为mnX4mn ;
[0019] S3:构造下采样矩阵D ;
[0020] S4 :构造稀疏变换矩阵H，则向量X由式（6)表示：
[0021] X = Hx' (6)；
[0022] 其中，V表示稀疏系数；
[0023] S5 :重建高分辨率图像块，重建步骤如下：
[0024] S5a :将式（6)代入式⑴得式（7):
[0025] y = DHx' = Ax' (7)；
[0026] 其中A为传感矩阵，A = DH，其维数为mnX4mn ;
[0027] S5b:采用正交匹配追踪算法重构稀疏系数V ;
[0028] S5c:采用重构的稀疏系数X'，由式（6)计算出高分辨率图像块X的向量X，将向 量X重新排列成2mX 2n的矩阵形式，得到高分辨率图像块X ;
[0029] S6 :对低分辨率图像块集{Y}中的每个低分辨率图像块均重复步骤S5的操作，得 到每个低分辨率图像块对应的高分辨率图像块；
[0030] 将得到的所有高分辨率图像块进行拼接，则得到所述低分辨率图像对应的高分辨 率图像。
[0031] 作为优化，所述步骤S3中构造下采样矩阵D的过程如下：