[发明专利]基于总广义变分的红外图像多传感器超分辨率重建方法

权利要求书

1.一种基于总广义变分的红外图像多传感器超分辨率重建的方法，其特征主要包括以下步骤： 

(1)将低分辨率红外图像的像素点均匀扩散到高分辨率可见光图像的坐标空间，得到稀疏的红外图像，并由此稀疏的红外图像求出数据项的加权系数； 

(2)对步骤(1)得到的稀疏红外图像进行归一化处理，得到归一化的红外图像； 

(3)依据相位一致性算法提取高分辨率可见光图像的边缘，获得高分辨率可见光图像的高频边缘信息； 

(4)由步骤(1)得到的数据项加权系数和步骤(2)得到的归一化红外图像构造数据项； 

(5)将步骤(3)得到的边缘信息对一阶梯度算子改进的总广义变分(TGV)正则项加权，得到正则约束项； 

(6)将步骤(4)得到的数据项和步骤(5)得到的正则约束项相加作为获取高分辨率红外图像的目标函数，利用步骤(2)得到的归一化红外图像作为初始值，采用主-对偶优化算法迭代求解目标函数，获得高分辨率红外图像。 

2.根据权利要求1所述的基于总广义变分的红外图像多传感器超分辨率重建方法，其特征在于，步骤(1)由稀疏的红外图像求出数据项加权系数的具体规则为：在稀疏的红外图像没有像素点覆盖的坐标点处系数值为0，否则为1。 

3.根据权利要求1所述的基于总广义变分的红外图像多传感器超分辨率重建方法，其特征在于，步骤(2)采取下述方法计算出归一化的红外图像： 

1)求出步骤(1)得到的稀疏红外图像像素灰度值大于0的集合，然后求出此集合中像素灰度值的最小值和最大值； 

2)依据上述像素灰度值的最小值、最大值和稀疏红外图像求得归一化红外图像。 

4.根据权利要求1所述的基于总广义变分的红外图像多传感器超分辨率重建方法，其特征在于，步骤(3)依据相位一致性算法提取可见光图像边缘的计算公式如下： 

上式中θ∈[0，π]，表示角度；φ_n(x，θ）表示信号在x处第n个傅里叶分量的相位值； 是使得上式在x处取最大值时其傅里叶各分量局部相角的加权平均；P表示信号在x处的相位一致性的值；W(x，θ)为频率传播加权量；A_n(x，θ)为信号在x处第n个傅里叶分 量的幅度值；ε是一个避免分母为0的很小的常量；T为噪声阈值；是一个数学运算，当所求值为正时最终结果取自身，否则为0。 

5.根据权利要求1所述的基于总广义变分的红外图像多传感器超分辨率重建方法，其特征在于，步骤(4)所构造数据项的表达式为： 

上式中u为每次迭代计算后的高分辨率红外图像运算结果，I_n为步骤(2)得到的归一化红外图像，ω为步骤(1)得到的数据项加权系数，C为高分辨率可见光图像的坐标空间。 

6.根据权利要求1所述的基于总广义变分的红外图像多传感器超分辨率重建方法，其特征在于，步骤(5)构造正则约束项的方法如下： 

1)利用一阶梯度算子改进TGV正则项，所得表达式如下： 

上式中常数α₂、α₁和α₀为权重参数，v为TGV正则化算法中的对称矩阵； 

2)利用步骤(3)求得的边缘信息P对改进的TGV正则项进行加权，所得表达式为： 

上式即为最终的正则约束项。 

7.根据权利要求1所述的基于总广义变分的红外图像多传感器超分辨率重建方法，其特征在于，步骤(6)所述获取高分辨率红外图像I_H的目标函数的表达式为： 

上式由数据项和正则约束项相加构成。 

8.根据权利要求7所述的基于总广义变分的红外图像多传感器超分辨率重建方法，其特征在于，对目标函数采用一阶主-对偶优化算法迭代计算，将目标函数转化为下述表达式： 

其中p，q为主-对偶优化算法中的双变量，其所在集合分别如下： 

9.根据权利要求8所述的基于总广义变分的红外图像多传感器超分辨率重建方法，其特征 在于，采用一阶主-对偶优化算法结合梯度下降法具体迭代计算时将主变量选为u和v，步长θ_p和θ_q为大于0的常数，第一次迭代时，u取为I_n,取v,p,q，u₀，v₀均为0，包括以下步骤： 

1)对偶变量通过梯度上升迭代更新： 

上式中u₀和v₀为迭代计算的中间结果； 

2)主变量通过梯度下降迭代更新： 

上式中k_u、k_v为步长，其取值随输入图像的不同而变化； 

3)主变量进一步优化，计算公式如下： 

上式中μ的值在每次迭代时都进行特定的更新； 

4)本发明设定迭代次数上限，当前后两次迭代运算的结果满足以下条件时输出计算结果： 

上式中e为误差阈值，所求高分辨率红外图像的分辨率为M×N，若不满足上述条件，则循环如上迭代优化算法的1)～3)步骤直到上限次数，然后输出高分辨率红外图像的计算结果。