[发明专利]一种洛伦兹拟合模糊核的图像超分辨重建方法

说明书

一种洛伦兹拟合模糊核的图像超分辨重建方法，针对图像超分辨过程中现有的点扩散函数形式无法有效近似实际退化过程，即与实际退化函数模型有着较大的近似误差，直接影响了超分辨重建的最终效果。该方法充分考虑实际退化所形成的模糊效应，采用洛伦兹函数的线性组合对实际退化所造成的模糊效应进行建模，并以最小均方误差为准则对图像进行超分辨重建。本发明采用四个参量来具体描述客观的模糊过程会更加逼近于模糊的实际情况，通过理论分析及实验结果得到，该模型用于去模糊算法中，提高了图像重建的效果。

技术领域

本发明涉及视觉处理相关领域，具体涉及一种洛伦兹拟合模糊核的图像超分辨重建方法。

背景技术

随着科技的不断进步和视觉处理技术的广泛应用，人们对图像高质量的需求也大大提升。图像分辨率是衡量图像精度和清晰度的关键，图像分辨率与图像清晰度有着直接关系。因此，如何提高图像分辨率成为图像处理领域的一个研究热点。一幅高分辨率图像可以提供具有更多细节信息，获取图像的分辨率越高，则图像中包含的信息越丰富，这也是相关图像的各种研究的基础。提升成像设备的硬件条件是获得高分辨率图像最为直接有效的方法，但是目前如果单纯的从硬件设备入手来提高图像分辨率，CCD,CMOS等成像器件不但价格昂贵，而且这些成像器件改善效果已经无法有更大的突破。因此，必须实现新的软件手段来克服光学制造技术上的限制。

由于获取图像的设备的退化函数大部分是低通滤波器，这也就限制了所获取的图像截止频率以上的相关信息，早期的超分辨率技术被定义为估计衍射极限以上的图像的光谱信息的方法，其具体的理论支撑出自于解析延拓理论、信息叠加理论等，该方法以主要是线性解卷积和盲反卷积的手段。如今，“超分辨”拓展了其传统的含义，它被广泛定义为将一个或多个低分辨率图像恢复为高分辨率图像的技术。其根本目的是在不提高图像采集设备硬件水平的情况下，利用相关算法融合单个图像或一系列具有亚像素偏移的连续图像中的先验知识，进而重建高分辨率图像。由于采用了数据软处理的方式，实现成本远低于提高硬件水平。

对于低分辨率图像，其退化模型描述了从实际场景收集的单个或多个低分辨率图像的整体退化过程，因此超分辨率重建算法中退化模型的正确构建非常重要。一个通用的简化图像退化模型为：

y＝Hx+N (1)

其中，N为成像时引入的噪声，H为成像系统的点扩散函数(Point SpreadFunction,PSF)算子。由于大部分采集系统不理想，因此图像在获取的过程中会产生一些退化。例如，获取到的点光源则不可能是与原来场景相同的点，会产生由点扩散函数引起的模糊扩散。点扩散函数用于表现采集系统对原来高分辨率场景和图像的退化过程，其由图像采集系统决定。而且H往往是一个病态矩阵。常见的点扩散函数有：高斯形式、Sinc形式等。

假设原始的高分辨率图像经过某种图像退化(降质)过程得到一幅或多幅低分辨率图像，则单帧图像的退化模型可以表示为：

Y_k＝D_kB_kF_kX+N (2)

其中，Y_k是第k幅低分辨率图像，X是原始的高分辨率图像，D_k是下采样因子，B_k是系统的模糊因子，包括式(1)中的点扩散函数算子H，F_k是运动因子，可以通过运动估计方法来求得，N是噪声。通常多个低分辨率图像的退化过程是一样的，所以可以将式(2)简写成：

Y_k＝DBF_kX+N (3)

低分辨率图像数量不足和各种退化因素会导致图像重建问题的病态特征。一般来说，无约束的最优化方法解决这类问题是有效的。但是该方法的解不是唯一的，不稳定的。为了解决最优化问题的弊端，可以对最优化方法添加约束条件来限制解的可取范围，这种解决病态问题的带有约束性质的最优化方法，称为正则化方法。