基于自适应变分超分辨率重建的方法与系统开题报告

全文总字数：6814字

1. 研究目的与意义

目前，在各种电子成像的应用中，高分辨率图像一直是我们追求的目标和迫切需要的。高分辨率图像（hr）意味着一张图像上的像素点密集程度更高。高分辨图像之所以在各种应用中显得如此重要，是因为它可能给予更多的图像细节信息。比如，高分辨率的医学影像图像能够帮助医生做出更加准确地诊断、高分辨率的卫星遥感图像使得我们更加容易的区分不同的地理信息、模式识别也因为高分辨率图像从而准确率大幅提升。正是由于上述应用对高分辨图像的依赖，我们的目标是通过一种方法大幅度改善图像分辨率低的问题。

其中，提高分辨率的最直接的方法是减小传感器的像素点尺寸，但是随着像素点尺寸的减小，可用光的数量也会减少，同时，还会引起噪声，使得图像的质量不升反降。更何况像素点尺寸越小，传感器密度越高导致硬件价格飙升，带来了成本过高的缺点。

当前比较普遍的解决办法是通过图像处理的算法，根据多幅低分辨率（lr）图像来获得高分辨率的图像或者序列。这种方法的优点是成本低，最终结果依然能被大多数应用接受。这种方法就叫做超分辨率重建（sr）。具体而言这种方法在视频监控、刑侦分析、图像识别、卫星成像、医疗成像等方面取得的比较好的效果，超分辨率重建涉及到许多计算机视觉，图像处理，最优化理论等领域的基本问题，其中典型的有图像复原、图像分割、机器学习、统计学习等，超分辨率重建是这些问题的具体应用，同时极大的推动了对这些问题的具体研究，目前超分辨率重建已经成为了图像识别以及机器学习领域的研究热点之一。

研究目的：本课题要研究若干种变分正则项的自适应方案，并用于超分辨率重建。通过仿真实验，对典型算法进行分析比较，总结典型算法的优缺点。在实验分析的基础上，设计一个较为有效的自适应变分正则化方法，用于超分辨率重建。

2. 国内外研究现状分析

目前，超分辨率算法根据类型可以分为以下几类：基于插值法的图像超分辨率方法、基于重建的图像超分辨率方法、基于学习的图像超分辨率方法。

1.基于插值的超分辨率方法^[1-2]

基于插值的方法是相对简单的一种算法，这种算法的核心是估计各帧图像的配准关系，获得高分辨图像在不均匀的间距上采样得到的像素值，接着通过非均匀的插值得到高分辨率图像上每个位置的像素，最后通过图像复原来去噪和去除模糊。其中典型的算法有：双线性插值，最近邻插值法。这类方法的优点是运算量小，简单直观，但是缺点也很明显：模糊了图像的边缘，适应性差，不容易加入图像的先验信息等。

3. 研究的基本内容与计划

研究的内容：

1.了解图像超分辨率重建问题的缘起、研究现状等基本情况。

2.针对图像超分辨率重建技术已有的几种基本方法、图像降质模型、图像配准等问题做出基本概述。

4. 研究创新点

1.提出一种基于 MM 算法的 GTV 图像复原方法。设计一套基于上述方法的超分辨率重建软件系统。2.该方法中的 GTV 正则项是在保留 TV 重尾特征和借鉴 BTV 双重加权机制的基础上推导出的，GTV 既能在形式上保持与 TV 一致，同时还考虑到了像素之间灰度和距离的双重关系。

3.针对 GTV 在最优化过程中的求解瓶颈，利用 MM 算法迭代求解优势，对给出的 GTV 正则化的代价函数进行寻优求解。视觉效果和信噪比的改善方面均验证了所给方法的有效性，在去噪的同时较好地保持了非连续点。