应用研究
热字执务与成用
基于学习的多图像超分辨率重建技术探究
孟庆玉闫娜
(永城职业学院河南永城476600)
摘要：多恢图像超分辨率重建技术主要是一种对图像进行处理的技术，是计算机图形学领域的一项重点研究,本文主要分析基于学习的多赖图像超分弊率重建技术基本理论,其中包括传统基于统计理论与多慎图像超分弊率算法的比较,分析两种技术的最新研究结累,提出基于学习的多慎图像超分释率重建技术的汞来展望
关键词：学多快图像超分辨率重建技术
中图分类号：TP391.41
文献标识码:A
多慎图像超分辨率主要是对图像进行序列重建的一种处理过程。将几幅在不同情况下拍摄得到的相同场景，且场录过于模翻并伴有噪声的低分辨率图像，但是这些图像均可以使用，且每幅参考顿都会有所位移，多赖图像超分辨率重建主要是将它们集中在一起进行融合处理，将其合成一张或者多幅高品质的超分辨率图像，其具有更高的空间分辨率，其中如何重建一副与原始输人图像相比较，都可以降低图像模糊、噪音等的现象，还可以有效获得更多原始场录的细节。
1多顿图像超分辨率重建
1.1低分舞率成像的数学模型
为了实现高分辨率图像的重建技术，首先要对图像的退化过程进行有效的分析与建模"。由于数字在图像采集中有可能会受到运动模糊和光学模糊等信号混叠，或者在采集中受到系统散弹噪声，环境噪声等影响，从而使得像受到不同程度的污染。Ead提出了矩阵一向量的方法来描述低分辨率图像的成像模型：
Y,=D,H,W,x+n
(1)
其中(1)式中：X主要表示高分辨率图像，而Y.则表示k顺低分辨图像，Ⅱ,为零均值加性高斯噪声。其中DH、W,等则分别表示下采样矩阵、模糊矩阵、几何变换矩阵等，因此矩阵一向量方程如下所述：
Y
D,RW
X+
D,HF
n
1.2超分辨率技术的发展
(2)
根据何林阳等研究指出，基于超分辨率技术重构在分辨率增加至8-15倍时，简单的平滑约束，就会很容易使高分辨率图像因高频信息丢失，而过于平滑。所以，引人基于识别的基础知识，主要是指识别决策集的函数。同时，基于识别主要包括：场景、特定的目标以及图像集合等，随后进行学习而获得。也就是通过对低分辨率输入图像与高分辨率训练图像进行计算，分别算出高斯金字塔、水平二阶梯度、拉普拉斯金字塔以及垂直一二阶梯度等结构，随后再以某种测度作为衡量标准。因此，构建低分辨率输人图像的像素、最匹配的高分辨率像素和高分辨率训练图像等的关系，随后与超分辨率重建结构进行合并，可计算出最大后验概率(MAP)。该计算方法比传统的基于重构方法取得的效果要显著的多，这就是基于学习的
收稿日期：2016-01-06
文章编号：1007-9416(2016)03-0134-0)
超分辨率方法。同时，该方法不仅可以克服基于重构带来的局限性，还可以有效实现单幅图像的超分辨率重建。
2传统理论的多慎图像超分辨率计算法—退化模型
为了完善处理好多慎图像超分辨率问题，首先需要假设一个低分辨率图像的退化模型，此模型主要是为了表现目标高分辨率图像与低分辨率图像两者之闻间的关系。通常假设目标高分辨率图像是通过低分辨率图像经运动、模糊、降采样以后的含噪版本。所以，给N个低分辨率的输入图像
和高分辨率图像X，其中每个低分辨率图
像输人的退化模型以下公式表示：
Y
(3)
Y,=D,H,F,X+V,K=1,2.... N
其中(3)式中，D,H,F主要表示运动、模糊、降采样操作等，而V, 则为成像过程中的噪声，
3基于学习的多顿图像超分辨率算法
基于学习的多顿图像超分辨率算法主要包括最大后验概率法最大似然法这两种，假如噪声设置为V，是加性高斯白噪，以下则为最大似然法的超分辨率重建公式：
x = Arg,Min ZII D,H,FX, Y I
般情况下，公式中的第一项主要为重构的约束项，第二项则
为先验项。
3.1建议框架
本文中的建议框架主要分为两个阶段：一是学习阶段，二是超分辨率重建阶段。
①学习阶段，该阶段主要是训练图像集中学习，其中包括高分辨率图像的特点，有关的图像先验知识等。近年来，基于学习的算法，主要以特征的选择与一个尚待解决的问题作为基于学习的单顿图像超分辨率计算，其中使用的特点有：原始图像数据、图像基元以及高频信息等，由于在超分辨率重建中主要是恢复成像中丢失的高频信息，因此本文选择高频信息作为学习的图像特点，
②超分辨率重建阶段：该阶段，主要是利用最大后验概率来进行预估椎架，将学习到的先验知识、重构约束、平滑性先验知识等进行有效的组合，再利用超分辨率重建，以此获得以下估计公式：
x = Arg,Min ZI D,H,FxXY I + βII PX F(X) +Ay(X)
...下转第136页
作者简介：孟庆五(1980一),男,汉河南洛阳人,硕士研究生，讲师，研究方向：计算机应用、多媒体技术；闽娜(1982一),女,汉,河南永城人,学士，
讲师，研究方向：计算机软件。
134