[发明专利]多尺度结构引导图像的红外图像超分辨率方法及系统

说明书

本发明公开了一种多尺度结构引导图像的红外图像超分辨率方法及系统，本发明将红外图像I_nir和可见光图像I_vis配准得到配准后的红外图像I_nir‑reg；将图像I_vis通过n次下采样得到多种下采样尺度i下的可见光图像Iⁱ_vis，将图像I_nir‑reg下采样得到图像I_nir‑ds；将图像Iⁱ_vis转换到HSV色彩空间，设定颜色阈值T将进行目标分类；然后将图像I_nir‑ds作为初始的当前待滤波图像，进行n次迭代将多种下采样尺度i下的可见光图像Iⁱ_vis作为引导进行联合双边滤波得到红外图像超分辨率图像。本发明能够通过可见光引导图像有效提升红外图像的分辨率，改善视觉效果，具有较高的实际应用价值。

技术领域

本发明涉及图像处理技术领域，具体涉及一种多尺度结构引导图像的红外图像超分辨率方法及系统。

背景技术

红外热成像相比于传统成像方式，具有其独特的优势。它抗干扰能力强，受环境影响较小，且对热辐射变化较为敏感，能有效获取场景中的温度信息。红外热成像技术主要是通过红外探测器和光学成像物镜接收来自目标的热辐射能量，并将其反映到红外探测器的光敏元件上，使得相机可以同时获取不同目标的温度信息。随着成像传感器技术的日趋成熟，其成本逐渐降低，从而使得其应用范围也变得更加广泛，在运输、建筑、安全等多个领域都具有很好的应用价值。然而现在大多数的红外探测器阵列密度还比较低，导致成像分辨率较低，难以满足人们对高分辨率红外图像的需求。如果通过改进硬件获取高分辨率红外图像，会极大增加相机成本，而利用算法来对红外图像进行超分辨率，可以在不增加相机硬件成本的情况下有效提升红外图像分辨率，满足获取高分辨率红外图像的需求。

目前，超分辨率技术可以分为两类，一类是基于学习的方法，一类是基于重建的方法。基于学习的方法需要大量的高分辨率图像构造学习库来学习模型，借助预先的训练学习来寻找或建立低分辨率图像与其对应的高分辨率图像之间的映射关系，提取高频信息，从而在给定低分辨率图像的情况下，通过优化方法获得相应的高分辨率图像；而基于重建的方法是通过单幅或多幅低分辨率图像预估出高分辨率图像。基于学习的方法对数据依赖大，对硬件的需求较高，局限性较为明显。考虑到同场景的可见光图像和红外图像是具有一定的对应关系的，使用同场景高分辨率可见光图像引导图像低分辨率红外图像超分辨率有利于低分辨率红外图像恢复高频信息，实现对红外图像超分辨率的需求。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种多尺度结构引导图像的红外图像超分辨率方法及系统，本发明能够通过可见光引导图像有效提升红外图像的分辨率，改善视觉效果，具有较高的实际应用价值。

为了解决上述技术问题，本发明采用的技术方案为：

一种多尺度结构引导图像的红外图像超分辨率方法，包括：