〇,〇.!，···，〇. 9,然后将重建效果分别与源图进行比较。比较时采用两种定量 的方式：计算它们的SSIM指数和PSNR指标，运两种指标越大说明重建效果越好。
[0118] 图9和图10分别为莉娜图的SSIM指数和PSNR指标；图11和图12分别为轮船图 的SSIM指数和PSNR指标；图13和图14分别为摄影师图的SSIM指数和PSNR指标。从结 果来看，对于运Ξ种图像来说，不管是SSIM指数还是PSNR指标，它们都在标准差是0. 4的 时候达到最大，也就是说，重建过程中的高斯点扩散函数与退化时的点扩散函数完全一致 时，重建效果最好，运一点反映出本技术的可靠性。此外，从图9-14中每幅图左侧较平缓可 W看出，本技术在高斯点扩散函数的标准差小于0. 6时具有很好的鲁棒性。
[0119] 本实施例说明本发明对高斯点扩散函数的错误估计具有一定的鲁棒性。
[0120] 实施例四
[0121] 请参照图15-17,本实施例同样用于验证高斯点扩散函数对该技术的影响。
[0122] 图15-17所示的第一张图为512X512的高分辨率源图，图中左下角为局部放大 图；将运些高分辨率源图分别按照S31中所述的退化模型进行退化，随机产生32个几何变 换，从而随机产生32帖128X128的低分辨率图像，在灰度值归一到0-1的情况下，加入标 准差为0.001的高斯白噪声。为了显示方便，将32帖低分辨率图像随机挑出16帖按照4X4 的方式排列，分别如图15-17的第二张图所示；退化过程中选用高斯函数模拟成像设备的 点扩散函数，其标准差为0.4。
[0123] 分别将每组32帖的低分辨率图像作为输入，按照实施例一所述的方法，得到相应 的高分辨率图像，如图15-17的第四张图所示。为了对比重建结果与低分辨率图像，将低分 辨率图像序列的第一帖，即参考帖进行插值，放大到与重建结果相同的尺寸，如图15-17的 第Ξ张图所示。
[0124] 从图15-17的第Ξ张图来看，低分辨率图像基本无法分辨细节信息，比如飞机中 的编号和logo完全看不清楚，另外两幅图中的数字也无法辨认。从图15-17的第四张图， 即重建结果来看，可W重建出很多低分辨率图像中原本丢失的细节信息，而且与高分辨率 源图比较，也会发现重建结果基本与源图接近。
[0125] 本实施例也说明本发明对高斯点扩散函数的错误估计具有一定的鲁棒性。
[0126] 实施例五
[0127] 请参照图18-20,本实施例也用于验证高斯点扩散函数对该技术的影响，但本实施 例W相机拍摄的方式产生低分辨率图像。
[0128] 拍摄时使用佳能600d机身，佳能EF-S18-55mmISII镜头。拍摄参数设置为：快口 速度1/100秒，光圈值巧.5,iso200,18mm广角，物距约120mm，无闪光，画质设置为S3,即图 像尺寸480X720,拍摄氛围设置为单色黑白。拍摄方式位Ξ脚架拍摄，相机上下移动最大幅 度约20mm，旋转角度最大幅度约10度。对准包含如图18所示的场景进行拍摄，对拍摄的 32张尺寸为480X720的图像分别进行裁剪，截取一部分尺寸为100X200作为低分辨率图 像序列，其中6帖如图19所示.
[0129] 将拍摄到的32帖的低分辨率图像作为输入，按照实施例一所述的方法，得到相应 的高分辨率图像，如图20中的下图所示；为了对比低分辨率图像与重建结果，将低分辨率 图像序列的第一帖，即参考帖进行插值，放大到与重建结果相同的尺寸，如图20中的上图 所示。
[0130] 对比图20中两幅图像，可W看出原本在低分辨率图像中无法分辨的细节信息，在 重建结果中可W较清楚的分辨出来。比如《点击拓扑学》、《数字图像处理》及《MTLAB编程》 等书名，在低分辨率图像中完全看不清楚，而在重建结果中可W清楚地辨识出来。
[0131] 本实施例说明本发明有较好的重建效果。
[0132] 综上所述，本发明提供的一种基于图割算法的图像超分辨率重建方法及系统，通 过预估高分辨率图像，然后对其进行反卷积，提高了重建效果和重建速度；在预估高分辨率 图像过程中，考虑了低分辨率像素对重建贡献的差异性，引入高斯函数确定贡献度；同时W 逐像素的方式进行重建，便于并行化处理，易于推广到在GPU上实现并行运算。
[0133] W上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发 明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括 在本发明的专利保护范围内。
【主权项】
1. 一种基于图割算法的图像超分辨率重建方法，其特征在于：包括如下步骤： 51、 输入低分辨率图像序列g，确定几何变换T，确定点扩散函数Η ; 52、 预估高分辨率图像./;具体包括： 521、 根据公式pk〃 = DTkp计算每个高分辨率像素 ρ在每帧低分辨率图像中的投影，其 中D为降采样算子，Tk为第k帧低分辨率图像的几何变换； 522、 根据投影计算每帧低分辨率图像中低分辨率像素的贡献度，对于投影区外的低分 辨率像素，贡献度为0,对于投影区内的低分辨率像素，离高分辨率像素的投影Pk"越近，贡 献越高；所述贡献度根据函数：计算，其中为高斯函数， P/为第k帧低分辨率图像中的低分辨率像素，P为投影区半径； 523、 根据公式，对低分辨率像素的灰度值加权求和，得到预估的 高分辨率图像；53、 模拟高分辨率源图像的退化过程，根据预估的高分辨率图像，构造似然函数； 54、 根据似然函数确定能量函数，通过图割算法对其进行极小化求解，得到高分辨率图 像。2. 根据权利要求1所述的基于图割算法的图像超分辨率重建方法，其特征在于：所述 步骤S3,具体包括： 531、 模拟源高分辨率图像的退化过程，根据图像退化模型gk= DHTf+ τι k和预估的高分 辨率图像构造似然函数《其中D为降采样算子，f为高分辨率源图像，ρ为 高分辨率像素 ，n 成像过程中的噪声； 532、 根据点扩散函数H，确定模糊核h ; 533、 根据模糊核更新似然函数：其中ωρρ为模糊核 的中心权重，ωΜ为模糊核的边缘权重，Νρ为高分辨率像素 ρ的领域。3. 根据权利要求1所述的基于图割算法的图像超分辨率重建方法，其特征在于：所述 步骤S4,具体包括： 541、 根据预估高分辨率图像#，对f (q)近似，即 得到满足图割算法要求的 数据项542、 在数据项中引入先验项 ........得到能量函数..其中I)，Θ是阈值； 543、 使用图割算法对能量函数极小化，得到高分辨率图像。4. 一种基于图割算法的图像超分辨率重建系统，其特征在于：包括： 获取模块，用于输入低分辨率图像序列g，确定几何变换T，确定点扩散函数Η ; 预估模块，用于预估高分辨率图像具体用于： 根据公式pk" = DTkp计算每个高分辨率像素 ρ在每帧低分辨率图像中的投影，其中D 为降采样算子，Tk为第k帧低分辨率图像的几何变换； 根据投影计算每帧低分辨率图像中低分辨率像素的贡献度，对于投影区外的低分辨率 像素，贡献度为0,对于投影区内的低分辨率像素，离高分辨率像素的投影Pk"越近，贡献越 高；所述贡献度根据函数计算，其中为高斯函数，Pk' 为第k帧低分辨率图像中的低分辨率像素，p为投影区半径； 根据公式^对低分辨率像素的灰度值加权求和，得到预估的高分 辨率图像；构造模块，用于模拟高分辨率源图像的退化过程，根据预估的高分辨率图像，构造似然 函数； 求解模块，用于根据似然函数确定能量函数，通过图割算法对其进行极小化求解，得到 高分辨率图像。5. 根据权利要求4所述的图像超分辨率重建系统，其特征在于：所述构造模块具体用 于： 模拟高分辨率源图像的退化过程，根据图像退化模型gk= DHTf+ τι k和预估的高分辨率 图像构造似然函数其中D为降采样算子，f为高分辨率源图像，p为高分辨 率像素 ，n k为成像过程中的噪声； 根据点扩散函数H，确定模糊核h ; 根据模糊核更新似然函数，其中ωρρ为模糊核的中 心权重，ωΜ为模糊核的边缘权重，Νρ为高分辨率像素 ρ的领域。6. 根据权利要求4所述的图像超分辨率重建系统，其特征在于：所述求解模块具体用 于： 根据预估高分辨率图像/，对f(q)近似，即/如）《/0?)，得到满足图割算法要求的数据 项在数据项中引入先验项λ Σp，qENVp，q(f(p)，f(q))，得到能量函数使用图割算法对能量函数极小化，得到高分辨率图像。
【专利摘要】本发明公开了一种基于图割算法的图像超分辨率重建方法及系统，包括如下步骤：S1、输入低分辨率图像序列g，确定几何变换T，确定点扩散函数H；S2、预估高分辨率图像；S3、模拟高分辨率源图像的退化过程，根据预估的高分辨率图像，构造似然函数；S4、根据似然函数确定能量函数，通过图割算法对其进行极小化求解，得到高分辨率图像。通过预估高分辨率图像，然后对其进行反卷积，提高了重建效果和重建速度；同时以逐像素的方式进行重建，便于并行化处理，易于推广到在GPU上实现并行运算。
【IPC分类】G06T5/00
【公开号】CN105279741
【申请号】CN201510790664
【发明人】张东晓, 蔡国榕, 吴云东, 陈水利, 梁宗旗
【申请人】集美大学
【公开日】2016年1月27日
【申请日】2015年11月17日