2.3.5 混合算法 6
2.4基于学习的算法 6
1) Example-based方法 7
2) 领域嵌入方法 7
3) 支持向量回归方法 7
4) 虚幻脸 8
5) 稀疏表示法 8
三 常见的图像重构算法比较 8
四 POCS算法及其改进算法的实现 10
4.1POCS算法 10
4.1.1用插值方法构造参考帧 12
4.1.2 运动估计 13
4.1.3基于点扩散函数的修正 13
4.2 POCS图像重建算法步骤 13
4.3保留仿射变换的POCS超分辨率图像重建算法 14
4.3.1仿射变换的具体原理 14
(1)图像配准原理 14
(2)仿射变换与防射变换的简化模型 15
4.3.2基于仿射变换的POCS算法的具体步骤 15
4.4实验结果 15
五 结论 17
5.1 论文总结 17
5.2 图像分辨率的发展前景展望 18
参考文献 19
一 绪论
1.1 、研究背景和研究意义
数字图像处理技术是信息处理技术的重要内容之一,是20世纪60年代随着计算机技术和VLS(Very Large Scale Integrator)的发展而产生、发展和不断成熟起来的一个新兴技术领域,它在很多领域得到越来越广发的应用,理论上和实际应用中都取得了巨大的成就[1]。
对图像空间分辨率进行增强的技术叫做超分辨率技术(super-resolution),或亚像元分析技术。图像分辨率是图像质量的重要指标,分辨率越高,细节越精细,图像提供的信息越丰富。在遥感监测、军事侦察、交通及安全监控、医学诊断和模式识别等应用中,都需要高分辨率图像。
由于成像系统物理条件和天气条件的影响,成像过程中常常会存在光学和运动模糊、下采样和噪声等退化过程,使实际得到的图像质量差,分辨率低。在图像采集和处理过程中,有许多因素会导致图像分辨率的下降,主要表现为模糊、噪声和变形。造成模糊的因素很多,如传感器的尺寸、光学仪器的性能(如点扩散函数:PSF)引起的光学模糊以及采样对象的运动带来的运动模糊。另外,在成像、传输、存储过程中,会引入不同类型的噪声(如 高斯、椒盐噪声等),且其引入方式也不同(加性和乘性噪声),这都会直接影响到图像的分辨率。
提高图像分辨率最直接的办法就是提高采集系统传感器的密度,然而高密度的图像传感器的价格相对昂贵,在一般应用中难以承受;另一方面,成像系统受其固有传感器排列密度的限制,目前已接近极限。另一种方法是提高芯片尺寸,但这将导致电容的增加和电荷转移速度的下降。加上所有制约图像分辨率提高的因素或者是物理客观的,或者是随机存在的,很多都不是现有的技术能够控制的。因此通过改善成像装置设置硬件的分辨率来提高图像的分辨率是有限的也是不切实际的。