本发明属于危险品运输安全检测
技术领域：
，尤其涉及一种危险品运输安全检测方法及其系统。
背景技术：
：目前，业内常用的现有技术是这样的：危险品(hazardousmaterial)，易燃、易爆、有强烈腐蚀性、有毒等物品的总称。如汽油、炸药、强酸、强碱、苯、萘、赛璐珞、过氧化物等。运输和贮藏时，应按照危险品条例处理。然而，在危险品的运输过程中，不能对对周边的环境安全性进行识别判断，容易导致危险品运输事故发生；同时一旦发生着火事件，不能及时进行灭火导致重大事故。图像的分辨率越高，提供的信息就越丰富。在各种各样的实际应用中，高分辨率图像都发挥着重要作用。高分辨率卫星图像有助于目标识别，交通及安全监控、模式识别等领域也需要高分辨率图像。由于受成像系统物理条件和天气影响，成像过程中往往存在运动模糊、下采样和噪声等退化过程，使得实际得到的图像分辨率低、质量差。要获得高分辨率图像，最直接的方法是采用高分辨率图像传感器，降低像素尺寸，提高单位面积的像素数量，但这种方法对图像传感器和光学器件的制造工艺和成本的要求很高，在很多场合中难以实现。图像超分辨重建技术可以从单帧或多帧低分辨率输入图像获得高分辨率图像，相比而言，使用超分辨重建技术成本更低，更容易实现。目前，图像超分辨率重建技术可分为三类：基于插值、基于重建和基于学习的方法。基于插值的方法是超分辨率研究中最直观的方法。常见的方法包括最近邻插值、双线性插值、双立方插值等。这类方法的优点是计算复杂度低，快速易行。但是引入的高频信息是基于预先假定的插值模板，当模板与实际情况不符时，可能导致重建图像质量不高。基于重建的方法根据图像退化模型，结合图像先验知识构造相应的正则项以恢复丢失的高频信息。包括迭代反向投影方法、最大后验概率方法等。这类方法能在一定程度上缓解基于插值方法所产生的模糊效果。但当图像放大倍数较大时，重建效果通常也不太理想。基于学习的方法是近年来超分辨率算法研究的热点方向。其基本思路是通过学习低分辨率图像和高分辨率图像之间的映射关系，将学好的映射关系用于低分辨率输入图像以获得高分辨率图像。但是当放大倍数较大时，高、低分辨率图像块在各自特征空间形成的局部结构不再相似，导致重建质量的下降。另一方面，当选取的近邻数k变化时，重建质量波动较大，因此，近邻数k的选取是一个亟待解决的问题。为此，chan等人在文献“chantm,zhangj,puj,etal.neighborembeddingbasedsuper-resolutionalgorithmthroughedgedetectionandfeatureselection[j].patternrecognitionletters,2009,30(5):494-502.”中针对边缘检测和特征选择对邻域嵌入方法进行了改进，对边缘图像块和非边缘图像块进行不同的处理，同时对图像块选取了新的特征表示，从而提高了重建质量。然而，该方法依赖边缘检测，不正确的边缘检测会使结果图像中存在人工痕迹。以恢复更多的高频细节信息，提高重建图像的质量。现有的相位噪声测量方法都是利用专门的硬件电路提取被测信号源的相位信息，并以此分析被测信号源的单边带相位噪声，这样相位提取电路的提取性能在很大程度上决定了相位噪声测量的性能，而且相位提取电路的频率响应也会对测量结果有影响。综上所述，现有技术存在的问题是：在危险品的运输过程中，不能对对周边的环境安全性进行识别判断，容易导致危险品运输事故发生；同时一旦发生着火事件，不能及时进行灭火导致重大事故。现有技术中，图像处理恢复的高频细节信息性能差，重建图像的质量差。现有的相位噪声测量方法采用相位提取电路的频率响应存在的测量结果准确度较低，造成图像数据的定位性能及效果差。技术实现要素：针对现有技术存在的问题，本发明提供了一种危险品运输安全检测方法及其系统。本发明是这样实现的，一种危险品运输安全检测系统，包括：视频监控模块，与中央控制模块连接，用于通过摄像头对危险品进行实时监控；具体包括：构建高分辨率训练图像集构建高分辨率训练图像块集输出高分辨率图像thr；温度检测模块，与中央控制模块连接，用于通过温度传感器对危险品进行实时温度检测；温度检测模块的数字调制信号x(t)的分数低阶模糊函数表示为：其中，τ为时延偏移，f为多普勒频移，0＜a,b＜α/2，x*(t)表示x(t)的共轭，当x(t)为实信号时，x(t)＜p＞＝|x(t)|＜p＞sgn(x(t))；当x(t)为复信号时，[x(t)]＜p＞＝|x(t)|p-1x*(t)；压力检测模块，与中央控制模块连接，用于通过压力传感器对危险品进行实时压力检测；压力检测模块接收信号y(t)表示为：y(t)＝z(t)+n(t)；其中，z(t)为数字调制信号，n(t)为服从标准sαs分布的脉冲噪声，z(t)的解析形式表示为：其中，n为采样点数，an为发送的信息符号，在mask信号中，an＝0，1，2，…，m-1，m为调制阶数，an＝ej2πε/m，ε＝0,1,2,…,m-1，g(t)表示矩形成型脉冲，tb表示符号周期，fc表示载波频率，载波初始相位是在[0,2π]内均匀分布的随机数；定位模块，与中央控制模块连接，用于通过定位器对危险品运输位置进行定位追踪；包括：通过振荡器信号的功率谱模型，利用信号功率谱测量数据，采用非线性最小二乘法进行曲线拟合，得到功率谱模型中的参数初值，并编写正则方程组对参数进行修正，最终得到满足既定要求的参数；再根据信号功率谱与其相位噪声幂律模型的关系，将求得的参数代入相位噪声幂律模型中，进而得到被测信号的相位噪声测量结果；对危险品运输位置进行定位追踪；环境识别模块，与中央控制模块连接，用于对危险品运输环境安全性进行识别判断；具体包括：建立运输环境安全性图像的显著性模型进行识别；利用预定过分割算法对所述运输环境安全性图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；确定每个所述区域的颜色值和质心；根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；所述显著性模型为：其中，si1为区域ri中任一像素点的显著性值，w(rj)为区域rj中的像素点的个数，ds(ri,rj)用于表征所述区域ri和所述区域rj之间空间位置差异的度量值，dc(ri,rj)用于表征所述区域ri和所述区域rj之间颜色差异的度量值，n为对所述图像进行过分割后得到的区域的总个数，ds(ri,rj)为：center(ri)为所述区域ri的质心，center(rj)为所述区域rj的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；存储模块，与中央控制模块连接，用于把事故发生前的车辆、危险品的状态数据存储，并通过数据传输模块实时转发到远程指挥中心，用于后续事故分析。进一步，构建高分辨率训练图像集包括：(a)搜集多幅彩色高分辨率自然图像；(b)将高分辨率自然图像从红、绿、蓝rgb颜色空间转换到亮度、蓝色色度、红色色度ycbcr颜色空间；(c)收集所有亮度图像作为高分辨率训练图像集其中表示第p幅高分辨率亮度图像，n表示图像的数量；构建高分辨率训练图像块集包括：(1)将高分辨率训练图像集中所有图像按从上到下、从左到右的顺序分成相互重叠的方形图像块；(2)将所有方形图像块分别用列矢量表示；(3)收集所有列矢量生成高分辨率训练图像块集其中表示中的第p个列矢量，ns表示训练图像块的数量，它们与是一一对应的；输出高分辨率图像thr包括：1)将所有得到的高分辨率图|像块拼接起来，重叠区域像素取平均值，得到最终的高分辨率输出亮度图像2)将彩色图像的色变图像和插值放大到与同样的大小，得到和联合高分辨率亮度图像由ycbcr颜色空间转换到rgb颜色空间，将转换结果作为高分辨率输出图像thr。进一步，采用非线性最小二乘法确定参数初值的方法具体包括：依据式采用非线性最小二乘法，确定参数的初值，取(β＝0,1,2,3,4)，即需要选择aβ的初值，将式表示为如下的矩阵形式：fa＝s；其中：a＝[a0a1…a4]ts＝[s0s1…s4]t；矩阵f中所要用的数据点是从n个{(fi,si)}i＝1,2,…,n中选取五个频率点，选取的数值应保证矩阵f是满秩可逆；由此得表示参数aβ初值的矩阵a的初值为：以为初始值进行迭代对矩阵a的值进行估计，l表示迭代次数，此时l＝0；参数估计的误差β＝0,1,…,4，由以下方程估算：其中系数和为：其中sk表示频率fk处的功率谱测量值，表示频率fk处对应的功率谱的第l次迭代值，即：噪声模型参数估计的判断方法为：判断如不满足误差要求，令：l＝l+1；并将修正后的和对应的功率谱测量数据代入正则方程组进行求解，得到各参数的修正值β＝0,1,···4，重新判断直至误差满足测量要求或达到设定的迭代次数；满足误差要求，则将参数值作为(β＝0,1,2,3,4)的值代入式即得到被测信号的相位噪声，并由此绘制相位噪声曲线。进一步，所述危险品运输安全检测系统还包括：中央控制模块，与视频监控模块、温度检测模块、压力检测模块、无线通信模块、定位模块、环境识别模块、报警模块、灭火模块连接，用于控制调度所述频监控模块、温度检测模块、压力检测模块、无线通信模块、定位模块、环境识别模块、报警模块、灭火模块正常工作；无线通信模块，与中央控制模块连接，用于通过无线发射器进行远程无线连接；报警模块，与中央控制模块连接，用于如果检查异常数据，则即可发出报警信息；灭火模块，与中央控制模块连接，用于向厢式货车车厢内喷洒液氮进行灭火。本发明另一目的在提供一种搭载有所述危险品运输安全检测系统的信息数据处理终端。本发明另一目的在提供一种危险品运输安全检测方法包括以下步骤：步骤一，通过视频监控模块、温度检测模块、压力检测模块对危险品进行实时视频、温度、压力检测；步骤二，工作人员通过无线通信模块进行远程无线连接；通过定位模块对危险品运输位置进行定位追踪；步骤三，通过环境识别模块对危险品运输环境安全性进行识别判断；步骤四，如果检查异常数据通过报警模块发出报警信息；并调度灭火模块向厢式货车车厢内喷洒液氮进行灭火。进一步，所述环境识别模块检测方法如下：首先，测试危险品本身的性状和周边环境要求；然后，以检测到的危险品本身的形状和周边环境要求为基础，检测影响危险品安全的周边环境因子；最后，根据危险品本身的形状和周边环境要求及影响危险品安全的周边环境因子对比判断危险品周边环境的安全等级，识别危险品运输时的周边环境。对影响危险品安全的周边环境因子对比判断危险品周边环境的安全等级的方法包括：建立因素集：影响危险品安全的各种参数组成因素集合，因素集合u＝{u1,u2,u3}＝{温度，压力，外部环境}；建立评价集：为了对各评价指标进行定量分析需要确定各指标的评价集，采用5级百分制评价把评价集v划分5个评价等级，即v＝{v1，v2，v3，v4，v5}＝{极小，很小，小，较大，大}，其中v1为危险品安全危险性极小，评分区间为90～100，中值为95；v2为危险性很小，评分区间为80～89，中值为84.5；依此类推；选择各区间的中值作为等级的参数，则5个等级所对应的参数为{95，84.5，74.5，64.5，49.5}，参数列向量为ν＝{95，84.5，74.5，64.5，49.5}t。本发明另一目的在提供一种实现所述危险品运输安全检测方法的计算机程序。本发明另一目的在提供一种实现所述危险品运输安全检测方法的信息数据处理终端。本发明另一目的在提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的危险品运输安全检测方法。本发明的优点及积极效果为：本发明通过环境识别模块以检测到的危险品本身的形状和周边环境要求为基础，检测影响危险品安全的周边环境因子；然后根据危险品本身的形状和周边环境要求及影响危险品安全的周边环境因子对比判断危险品周边环境的安全等级，识别危险品运输时的周边环境，可以有效识别危险品周边的环境，为危险品安全运输提供保障；同时通过报警模块、灭火模块可以快速灭火，降低事故的损失。本发明在可保证当放大倍数较高时，高分辨率图像块在各自特征空间中也可形成相似的局部结构，从而提高重建质量。本发明在求重建系数时，保证当近邻数k逐渐增大时，重建质量也逐渐提高并且趋于稳定，从而解决了近邻数k难以选取的问题。本发明的温度检测模块、压力检测模块的数据处理方法，保证了获得准确的实时数据，相比于现有技术提高近6个百分点。本发明定位模块的相位噪声数学模型的相位噪声测量方法，不同于现有的相位噪声测量方法，本发明方法没有采用硬件相位噪声提取电路提取被测信号的相位信息，而是利用振荡器信号功率谱与其相位噪声幂律谱模型的关系，通过非线性最小二乘法实现参数计算，从而基于相位噪声数学模型实现了振荡器信号相位噪声测量。本发明的方法相对于现有相位噪声测量方法的主要优势是回避了硬件相位噪声提取电路对测量性能的影响。本发明的方法相对于现有相位噪声测量方法的主要优势是回避了硬件相位噪声提取电路对测量性能的影响。从而获得准确的定位数据。附图说明图1是本发明实施提供的危险品运输安全检测系统结构框图。图2是本发明实施提供的危险品运输安全检测方法流程图。图1中：1、视频监控模块；2、温度检测模块；3、压力检测模块；4、中央控制模块；5、无线通信模块；6、定位模块；7、环境识别模块；8、报警模块；9、灭火模块；10、存储模块；11、数据传输模块。图3是本发明在仿真实验中使用的3幅高分辨率图像；图4是使用本发明和现有四种方法对蝴蝶图像进行超分辨重建得到的图像；图5是使用本发明和现有四种方法对叶子图像进行超分辨重建得到的图像；图6是使用本发明和ne-based方法对女孩图像进行超分辨重建的质量随近邻数k的变化趋势图；图7是本发明提供的超分辨的结果图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。下面结合附图及具体实施例对本发明的应用原理作进一步描述。如图1和图2所示，本发明提供的危险品运输安全检测系统包括：视频监控模块1、温度检测模块2、压力检测模块3、中央控制模块4、无线通信模块5、定位模块6、环境识别模块7、报警模块8、灭火模块、存储模块10。视频监控模块1，与中央控制模块4连接，用于通过摄像头对危险品进行实时监控；温度检测模块2，与中央控制模块4连接，用于通过温度传感器对危险品进行实时温度检测；压力检测模块3，与中央控制模块4连接，用于通过压力传感器对危险品进行实时压力检测；中央控制模块4，与视频监控模块1、温度检测模块2、压力检测模块3、无线通信模块5、定位模块6、环境识别模块7、报警模块8、灭火模块9连接，用于控制调度各个模块正常工作；无线通信模块5，与中央控制模块4连接，用于通过无线发射器进行远程无线连接；定位模块6，与中央控制模块4连接，用于通过定位器对危险品运输位置进行定位追踪；环境识别模块7，与中央控制模块4连接，用于对危险品运输环境安全性进行识别判断；报警模块8，与中央控制模块4连接，用于如果检查异常数据，则即可发出报警信息；灭火模块9，与中央控制模块4连接，用于向厢式货车车厢内喷洒液氮进行灭火。存储模块10，与中央控制模块连接，用于把事故发生前的车辆、危险品的状态数据存储，并通过数据传输模块11实时转发到远程指挥中心，用于后续事故分析。本发明提供的环境识别模块7检测方法如下：首先，测试危险品本身的性状和周边环境要求；然后，以检测到的危险品本身的形状和周边环境要求为基础，检测影响危险品安全的周边环境因子；最后，根据危险品本身的形状和周边环境要求及影响危险品安全的周边环境因子对比判断危险品周边环境的安全等级，识别危险品运输时的周边环境。如图2所示，本发明提供的一种危险品运输安全检测方法包括以下步骤：s101，通过视频监控模块、温度检测模块、压力检测模块对危险品进行实时视频、温度、压力检测；s102，工作人员通过无线通信模块进行远程无线连接；通过定位模块对危险品运输位置进行定位追踪；s103，通过环境识别模块对危险品运输环境安全性进行识别判断；s104，如果检查异常数据通过报警模块发出报警信息；并调度灭火模块向厢式货车车厢内喷洒液氮进行灭火。下面结合具体分析对本发明作进一步描述。本发明实施例提供的视频监控模块，与中央控制模块连接，用于通过摄像头对危险品进行实时监控；具体包括：构建高分辨率训练图像集构建高分辨率训练图像块集输出高分辨率图像thr；温度检测模块，与中央控制模块连接，用于通过温度传感器对危险品进行实时温度检测；温度检测模块的数字调制信号x(t)的分数低阶模糊函数表示为：其中，τ为时延偏移，f为多普勒频移，0＜a,b＜α/2，x*(t)表示x(t)的共轭，当x(t)为实信号时，x(t)＜p＞＝|x(t)|＜p＞sgn(x(t))；当x(t)为复信号时，[x(t)]＜p＞＝|x(t)|p-1x*(t)；压力检测模块，与中央控制模块连接，用于通过压力传感器对危险品进行实时压力检测；压力检测模块接收信号y(t)表示为：y(t)＝z(t)+n(t)；其中，z(t)为数字调制信号，n(t)为服从标准sαs分布的脉冲噪声，z(t)的解析形式表示为：其中，n为采样点数，an为发送的信息符号，在mask信号中，an＝0，1，2，…，m-1，m为调制阶数，an＝ej2πε/m，ε＝0,1,2,…,m-1，g(t)表示矩形成型脉冲，tb表示符号周期，fc表示载波频率，载波初始相位是在[0,2π]内均匀分布的随机数；定位模块，与中央控制模块连接，用于通过定位器对危险品运输位置进行定位追踪；包括：通过振荡器信号的功率谱模型，利用信号功率谱测量数据，采用非线性最小二乘法进行曲线拟合，得到功率谱模型中的参数初值，并编写正则方程组对参数进行修正，最终得到满足既定要求的参数；再根据信号功率谱与其相位噪声幂律模型的关系，将求得的参数代入相位噪声幂律模型中，进而得到被测信号的相位噪声测量结果；对危险品运输位置进行定位追踪；环境识别模块，与中央控制模块连接，用于对危险品运输环境安全性进行识别判断；具体包括：建立运输环境安全性图像的显著性模型进行识别；利用预定过分割算法对所述运输环境安全性图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；确定每个所述区域的颜色值和质心；根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；所述显著性模型为：其中，si1为区域ri中任一像素点的显著性值，w(rj)为区域rj中的像素点的个数，ds(ri,rj)用于表征所述区域ri和所述区域rj之间空间位置差异的度量值，dc(ri,rj)用于表征所述区域ri和所述区域rj之间颜色差异的度量值，n为对所述图像进行过分割后得到的区域的总个数，ds(ri,rj)为：center(ri)为所述区域ri的质心，center(rj)为所述区域rj的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；存储模块，与中央控制模块连接，用于把事故发生时的车辆、危险品的状态数据存储，并转发到远程指挥中心，用于后续事故分析。构建高分辨率训练图像集包括：(a)搜集多幅彩色高分辨率自然图像；(b)将高分辨率自然图像从红、绿、蓝rgb颜色空间转换到亮度、蓝色色度、红色色度ycbcr颜色空间；(c)收集所有亮度图像作为高分辨率训练图像集其中表示第p幅高分辨率亮度图像，n表示图像的数量；构建高分辨率训练图像块集包括：(1)将高分辨率训练图像集中所有图像按从上到下、从左到右的顺序分成相互重叠的方形图像块；(2)将所有方形图像块分别用列矢量表示；(3)收集所有列矢量生成高分辨率训练图像块集其中表示中的第p个列矢量，ns表示训练图像块的数量，它们与是一一对应的；输出高分辨率图像thr包括：1)将所有得到的高分辨率图像块拼接起来，重叠区域像素取平均值，得到最终的高分辨率输出亮度图像2)将彩色图像的色变图像和插值放大到与同样的大小，得到和联合高分辨率亮度图像由ycbcr颜色空间转换到rgb颜色空间，将转换结果作为高分辨率输出图像thr。进一步，采用非线性最小二乘法确定参数初值的方法具体包括：依据式采用非线性最小二乘法，确定参数的初值，取(β＝0,1,2,3,4)，即需要选择aβ的初值，将式表示为如下的矩阵形式：fa＝s；其中：a＝[a0a1…a4]ts＝[s0s1…s4]t；矩阵f中所要用的数据点是从n个{(fi,si)}i＝1,2,…,n中选取五个频率点，选取的数值应保证矩阵f是满秩可逆；由此得表示参数aβ初值的矩阵a的初值为：以为初始值进行迭代对矩阵a的值进行估计，l表示迭代次数，此时l＝0；参数估计的误差β＝0,1,…,4，由以下方程估算：其中系数和为：其中sk表示频率fk处的功率谱测量值，表示频率fk处对应的功率谱的第l次迭代值，即：噪声模型参数估计的判断方法为：判断如不满足误差要求，令：l＝l+1；并将修正后的和对应的功率谱测量数据代入正则方程组进行求解，得到各参数的修正值β＝0,1,···4，重新判断直至误差满足测量要求或达到设定的迭代次数；满足误差要求，则将参数值作为(β＝0,1,2,3,4)的值代入式即得到被测信号的相位噪声，并由此绘制相位噪声曲线。下面结合仿真实验对本发明作进一步描述。1.仿真条件：cpu:intel(r)core(tm)i3，主频:2.93ghz，内存:2g，操作系统:win7，仿真平台:matlab2013b。仿真图像选择图3所示的幅原始高分辨测试图像，其中，图(a)为蝴蝶(butterfly)图像，图(b)为叶子(leaves)图像。仿真实验中，利用本发明方法与现有的双立方插值方法(bi-cubicmethod)、ne-based方法、needfs方法和sc-based方法在测试图像上进行超分辨重建。其中ne-based方法指文献“changh,yeungdy,xiongy.super-resolutionthroughneighborembedding[c]//computervisionandpatternrecognition,2004.cvpr2004.proceedingsofthe2004ieeecomputersocietyconferenceon.ieee,2004,1:i-i.”提出的方法；needfs方法指文献“chantm,zhangj,puj,etal.neighborembeddingbasedsuper-resolutionalgorithmthroughedgedetectionandfeatureselection[j].patternrecognitionletters,2009,30(5):494-502.”提出的方法；sc-based方法指文献“yangj,wrightj,huangts,etal.imagesuper-resolutionviasparserepresentation[j].imageprocessing,ieeetransactionson,2010,19(11):2861-2873.”提出的方法。2.实验内容及结果分析：实验一：验证本发明对自然图像有较好的重建效果。将高分辨率butterfly彩色图像模糊、下采样3倍得到低分辨率butterfly彩色图像，利用本发明方法与现有的双立方插值方法(bi-cubicmethod)、ne-based方法、needfs方法和sc-based方法对低分辨率butterfly彩色图像进行超分辨重建。结果如图4所示，其中图4(a)是双立方插值方法(bi-cubicmethod)超分辨的结果；图4(b)是ne-based方法超分辨的结果；图4(c)是needfs方法超分辨的结果；图4(d)是sc-based方法超分辨的结果；图4(e)是本发明超分辨的结果；图4(f)是原始高分辨率图像。每幅图像有两个局部放大的矩形区域以便于观察重建的效果差别。从图4可见，本发明的结果中边缘清晰，纹理丰富，能有效减少人工痕迹，并减弱振铃效应，视觉效果自然。双立方插值方法(bi-cubicmethod)的结果边缘很模糊，且存在振铃效应；ne-based方法的结果中也有模糊现象，并存在人工痕迹；needfs方法的结果比ne-based方法好，但图片不自然；sc-based方法的结果有很强的振铃效应，视觉效果差，超分辨结果有待提高。从表1可见，客观评价方面，本发明的方法均高于前四种方法。表1.本发明和四种对比方法对图像butterfly重建得到的psnr值(单位为db)图像bi-cubicne-basedneedfssc-based本发明butterfly23.5724.6125.6425.4728.73实验二：验证本发明在有噪声情况下对自然图像有较好的重建效果。将高分辨率leaves彩色图像模糊、加噪声、下采样3倍得到低分辨率leaves彩色图像，其中噪声是均值为0方差为2的高斯噪声。利用本发明方法与现有的双立方插值方法(bi-cubicmethod)、ne-based方法、needfs方法和sc-based方法对低分辨率leaves彩色图像进行超分辨重建。重建的结果如图5所示，其中图5(a)是双立方插值方法(bi-cubicmethod)超分辨的结果；图5(b)是ne-based方法超分辨的结果；图5(c)是needfs方法超分辨的结果；图5(d)是sc-based方法超分辨的结果；图5(e)是本发明超分辨的结果；图5(f)是原始高分辨率图像。每幅图像有一个局部放大的矩形区域以便于观察重建的效果差别。从图5可见，本发明的结果中叶子和枝干边缘清晰，能恢复出较多的高频信息，对噪声有较强的鲁棒性。双立方插值方法(bi-cubicmethod)的结果边缘很模糊，受噪声影响严重；ne-based方法的结果叶片部分比较模糊，无法有效抑制噪声的干扰；needfs方法的细节处有些模糊，图像的亮度有轻微改变，视觉效果不好；sc-based方法的结果在叶子边缘存在振铃效应，产生了虚假信息。从表2可见，客观评价方面，本发明的方法均高于前四种方法。表2.本发明和四种对比方法对图像leaves重建得到的psnr值(单位为db)图像bi-cubicne-basedneedfssc-based本发明leaves22.9323.8224.6924.7625.71实验三：验证本发明可以有效解决近邻数k难以选取的问题。将高分辨率girl彩色图像模糊、下采样3倍得到低分辨率girl彩色图像，利用本发明方法与现有的ne-based方法对低分辨率girl彩色图像进行超分辨重建，依次将近邻数k设为1到50。结果如图6和图7所示，其中图6是ne-based方法超分辨的结果，当近邻数k逐渐增大时，重建质量不稳定，波动较大，导致难以有效选取k的大小；图7是本发明超分辨的结果，随着近邻数k的增大，重建质量逐渐提高并趋于稳定，从而可以更好的确定k的大小。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12