表面缺陷视觉检测技术研究
表面缺陷视觉检测技术研究[20191213085316]
摘要
表面缺陷检测是一个热门问题，其检测原理是采用先进的机器视觉检测技术，对被检测物体表面的斑点、凹坑、划痕、裂痕、色差、缺损等缺陷进行检测。它广泛运用于金属表面、建筑材料表面、玻璃表面、纸张表面、电子器件、印刷电路板等对表面质量有着苛刻要求的产业,一种始终如一地保持长时，高效，精确，快速的缺陷检测技术已成为迫切要求。而水下表面缺陷检测又不同于一般缺陷检测，由于水下环境复杂，在浑浊的水中能见度范围很有限，成像条件恶劣。受到各种光学成像条件的限制和硬件设备的极限，表面缺陷成像效果模糊，很难得到真正高分辨率的图像，所以如何在相当浑浊的水中仍可以提供增强目标细节的图像就成为一个难题，超分辨率重构技术可以在一定程度上采用软件的方法对图像分辨率进行提高。
以多幅低分辨率图像为实验对象，对水下建筑物表面缺陷的检测进行预处理，得到超分辨率图像，并详细对超分辨率图像质量评价，是本文研究的重点。超分辨率重构技术总的来说可分为频域法和空域法。频域法起步早，算法简单且易于实现，但重构效果一般；空域法又包含基于插值，基于重建和基于学习三类方法，本文在基于重建这一类方法中做了详细阐述。而如何对超分辨率重构图像进行质量评价也是本文研究重点，详细分析了图像质量评价的方法过程，包括客观评价，主观评价。而图像质量评价方法中的客观评价方法可分为三类：全参考质量评价方法、部分参考质量评价方法和无参考质量评价方法。
随着图像处理技术的迅速发展，超分辨率重构已然成为图像处理领域内一项重要的研究课题。超分辨重构算法是近十几年来兴起的热点问题，提出一种适合水下环境的高效健壮的重构算法是本文研究方向。单幅图像的超分辨率重构是一种病态问题，在后面学习研究工作中将是重点。
查看完整论文请+Q: 351916072
关键字:表面缺陷检测,图像处理,超分辨率重构,图像质量评价
目录
摘要 I
Abstract II
第1章 绪论 1
1.1课题背景 1
1.2研究意义 1
1.3国际研究概况 1
第2章 超分辨率重构 3
2.1 水下图像超分辨率重构概述 3
2.1.1超分辨率的概念 3
2.1.2超分辨率数学模型 4
2.2 重构策略 5
2.2.1频域(frequency domain)法 5
2.2.2空域(spacial domain)法 5
2.3 motion estimation（运动估计即图像配准） 7
2.4配准算法（Vandewalle算法） 9
2.5 重构算法 14
2.5.1 POCS（凸集投影） 14
2.5.2 IBP（迭代后向投影） 15
2.5.3 PG（基于概率论的方法） 16
2.5.4 Interpolation（双三次插值） 16
2.5.5 Normalized Convolution（结构自适应规范卷积） 18
2.6本章小结 19
第3章 算法仿真与实验 20
3.1 Matlab仿真环境 20
3.2图形用户界面（ Graphical User Interface） 20
3.3基本操作、主要实验函数与试验方案 21
3.4本章小结 26
第4章 实验结果分析与质量评价 27
4.1主观评价 28
4.2客观评价 34
4.2.1 图像评价因子 36
4.2.2基于掩盖的无参考图像信噪比NPSNR 42
4.3无参考图像质量评价的方法 43
4.3.1 均值和方差 44
4.3.2 灰度标准差 45
4.3.3 熵 46
4.4 传统无参考图像质量评价 46
4.5本章小结 47
第5章 总结与展望 48
5.1总结 48
5.2展望 48
致谢 50
参考文献 51
附录 55
一、英文缩写对照 55
二、英文原文 56
三、英文翻译 65
第1章 绪论
1.1课题背景
由于水下光学成像环境恶劣，对水下建筑物缺陷图像的采集受到很多因素的影响:(1)照相机本身的限制。由于光学成像系统和传感器本身的制造工艺水平有限，而无法达到理想的成像效果；(2)成像条件恶劣。图像在成像过程受到水体模糊、光照不足、传感器失真、干扰、光学镜头扭曲、不满足奈奎斯特采样定理等因素的影响；(3)存储数据失真。在进行A/D（模数）转换或D/A（数模）转换时，不可避免地会带来加性噪声和图像细节数据丢失，造成与真实图像相比不同程度的退化。这一系列的限制条件和影响因素都会导致获取的图像质量变差、分辨率变低。通过传统的改进成像系统硬件的方法，提高系统的细节信息获取能力，受到当前制作工艺和制造成本等因素的限制，在实际应用中受到制约。利用软件的方法——超分辨率重构[1-7]成为一种解决方法。而如何说明重构图像的质量水平，对重构结果进行可靠科学的鉴定，就需要对重构图像进行质量评价。
1.2研究意义
要获得高分辨率图像，最直接的办法是采用高分辨率图像传感器，但由于传感器和光学器件制造工艺和成本的限制在很多场合和大规模部署中很难实现。利用图像超分辨率重建方法在保留现有硬件设备的基础上通过软件的方法达到提高表面缺陷图像分辨率的目的，是一种经济实用并且切实可行的方案，具有重要的应用价值和广阔的应用前景。因此，利用现有的设备，通过超分辨率技术获取HR图像具有重要的现实意义。
1.3国际研究概况
超分辨率的出现最早是在光学领域。超分辨率的概念在该领域中就是指试图复原衍射极限以外数据的过程。超分辨率概念的第一次提出是在20世纪50年代，Toraldo di Francia[8]的雷达文献中首次涉及到基于光学系统的超分辨率重构。而Harris和Goodman最早提出了超分辨率复原技术，他们分别于1964年和1965年提出一种称为Harris-Goodman[9]的频谱外推的方法。这种方法当时只是针对单幅图像的超分辨率处理技术，在限定条件下能够得到较好的实验结果，但在实际的应用过程中效果并不是很理想。经典的差值法在单幅图像的超分辨率重构算法中运用十分广泛，从一幅图像中重构高分辨率的图像是一种病态问题。超分辨率用的最为广泛的是空域法[10-14]。在1984年，Tsai &Huang[15]等人在前人的将基础上，创造性的提出了基于图像序列（同一场景的多帧图像）的超分辨率重构算法，这是一种利用图像间的平移关系实现重构的方法。 在总结前人研究成果的基础上， Youla和Webb提出了集合理论复原[16] (凸集投影 POCS)法。1986年，S.E.Meinel提出了服从泊松分布的最大似然复原(泊松-ML)方法。1991年和1992年，B.R.Hunt[17]和PJ.Sementilli[18]在Bayes分析的基础上，提出了泊松最大后验概率[19,20]复原(泊松-MAP)方法，并于1993年对超分辨率的定义和特性进行了分析，提出了图像超分辨率的能力取决于物体的空间限制、噪声和采样间隔。
近年来，图像超分辨率研究比较活跃，美国加州大学Milanfar[21]等提出的大量实用超分辨率图像复原算法，Chan等从总变差正则方面，Zhao等、Nagy等从数学方法、多帧图像的去卷积和彩色图像的超分辨率增强方面，对超分辨率图像恢复进行了研究。Chan等研究了超分辨率图像恢复的预处理迭代算法。此外，Elad等对包含任意图像运动的超分辨率恢复进行了研究；Rajan和Wood等分别从物理学和成像透镜散射的角度提出了新的超分辨率图像恢复方法；韩国Pohang理工大学对各向异性扩散用于超分辨率。Chung-Ang图像科学和多媒体与电影学院在基于融合的自适应正则超分辨率方面分别进行了研究。
国内许多科研院所和大学等对超分辨率图像恢复进行研究，其中部分是关于频谱外推、混叠效应的消除，其他主要是对国外超分辨率方法所进行的改进，包括对POCS算法和MAP算法的改进，对超分辨率插值方法的改进，基于小波域隐马尔可夫树(HMT)模型对彩色图像超分辨率方法的改进以及对超分辨率图像重构方法的改进。
第2章 超分辨率重构
2.1 水下图像超分辨率重构概述
2.1.1超分辨率的概念
图像超分辨率(super resolution,SR)是指由一幅低分辨率图像(low resolution image)或图像序列恢复出高分辨率图像(high resolution，HR)。HR意味着图像具有高像素密度，可以提供更多的细节，这些细节往往在图像分析中起到关键作用。低分辨率的图像包含的细节信息较少，但我们可以得到一系列低分辨率的图像，这些图像包含的部分细节信息各有不同，能够相互补充。通过这一系列低分辨的图像，经过一定的处理，可以得到一幅分辨率较高、包含信息较多的图像。这个处理过程就是超分辨率重建，如图2.1。他的实质是时间带宽（同一场景的多幅图像）转换为空间分辨率。而水下的特殊光学成像环境使得一般光学相机得到的图像分辨率较低，对后期图像分析带来很大的不便，超分辨率重构技术则在一定程度上很好地解决了水下图像的分辨率低的难题。
图2.1 多帧图像超分辨率复原基本流程
超分辨率重构概括可分为以下几步（如图2.2）：在多幅图片中选一个作为参照图片，将其余的图片以此参照图片为标准进行“注册”，获取“子像素”的相对位移，即运动估计；进行非一致性的插值来获取所有图片在新的高分辨率图像中的像素位置，这时的图片已经是一副高分辨率的了，即重构；最后将得到的图片进行滤波，这样可以使边缘变得平滑。
图2.2 多幅低分辨率图像重构一幅高分辨率图像
2.1.2超分辨率数学模型
超分辨率重构问题的求解过程，首先需要构造一个关系模型：
（2.1）
式（2.1）为低分辨率图像与高分辨率图像之间的关系模型。式中的p表示图像序列总帧数； 为第j帧高分辨率图像即所求对象； 第k帧低分辨率图像； 为图像获取时的加性噪声。矩阵D为采样矩阵，矩阵 为模糊矩阵，矩阵 为第j帧和第k帧之间的运动参数构成的运动矩阵。假设H=DBM，则式（2.1）可以简化为：
(2.2)
式 2.2的求解首先要确定H和n，也就是将式(2.1)中的D、B、M和噪声n算出来，这个过程包括以下步骤：
(1)运动估计。需要从前后两幅低分辨率图像中估计较为准确的运动矢量，这个运动矢量包括旋转矢量和位移矢量，实际运算时可以使用插值手段去近似逼近参考图像的运动矢量；
(2)图像模糊估计。通常是计算或假设点扩散函数；
(3)噪声估计。噪声对系统的求解会造成很大的影响，在实际处理中应当选择合适的去噪方法。
2.2 重构策略
2.2.1频域(frequency domain)法
其重构模型是以傅立叶变换的移位特性为理论基础，实际上是在频域上进行图像内插像素值。该类方法主要是通过频域消混叠重建来恢复图像的高频分量。频域法的优点是理论简单，很容易实现并行处理，具有直观的去变形超分辨率机制。然而它的缺点在于理论过于理想化，运动模型只考虑到全局运动，局限性大，并且很难引入图像的先验知识来进行高分辨率图像的重建。
2.2.2空域(spacial domain)法
空域法的适用范围较广，具有很强的空域先验约束的能力。
空域法可分为3类：基于差值；基于重建；基于学习。
图2.3空域法分类
目前最常使用的方法是基于重建的方法，也是本文研究的重点。
2.2.2.1基于插值
在目前超分辨率研究中，基于差值的方法是最直观的方法。通过对该同一场景的多帧图像进行分析估计可以得到这些图像之间的运动关系信息，以此可以估计出在非均匀间距采样点间的像素值，从而得到高分辨率图像栅格上需要插入的像素值。然后经过非均匀插值，就可以得到一幅高像素值、高分辨率的图像。但是，通过这样的方式存在一定的问题，即得到的图像存在噪声和模糊，可以通过图像恢复的方法得到解决。
经典的插值方法有：通过三个步骤即分解、插值和融合来实现；基于小波域的双线性插值；三角化插值算法等。这类方法的优点是快速易行、可并行计算，有一定的实时性。缺点在于由于没有引进额外真实的高频信息，所以很难对重构图像进行锐化处理。不仅如此，这类方法没有考虑到源图像的像素值并不是重构图像的理想采样值，而是对高分辨率图像内插像素点进行估值插入这一事实。
2.2.2.2基于重建
基于重建的方法主要分为图像配准和图像重建两个基本步骤。图像配准的过程是利用多幅低分辨的图像中的一幅作为参考数据进行图像一致性约束，估计出其他LR（低分辨率）图像与参考图像之间的亚像素点之间的相对运动，这个过程也叫做图像配准。图像重建时，可以利用之前图像配准的先验知识用运动补偿的方法对重构图像进行像素点估计，从而实现超分辨率的重建，该方法常见的算法有凸集投影、迭代方向投影、最大后验概率等。基于重建的方法也是本文研究学习的重点。
2.2.2.3基于学习
基于学习的方法的理论基础在于假设LR图像绝对包含所有用于推理预测它所对应的HR图像的有用信息(例如边缘等)。这样就可以基于一组低分辨率图像得到一个训练集，从而产生一个学习模型，根据这个推理模型可估算出重构图像高频细节信息。当前，基于学习算法最为常用的有Chang和Freeman等人分别提出的基于邻域嵌入和基于样本的方法等等。
摘要
表面缺陷检测是一个热门问题，其检测原理是采用先进的机器视觉检测技术，对被检测物体表面的斑点、凹坑、划痕、裂痕、色差、缺损等缺陷进行检测。它广泛运用于金属表面、建筑材料表面、玻璃表面、纸张表面、电子器件、印刷电路板等对表面质量有着苛刻要求的产业,一种始终如一地保持长时，高效，精确，快速的缺陷检测技术已成为迫切要求。而水下表面缺陷检测又不同于一般缺陷检测，由于水下环境复杂，在浑浊的水中能见度范围很有限，成像条件恶劣。受到各种光学成像条件的限制和硬件设备的极限，表面缺陷成像效果模糊，很难得到真正高分辨率的图像，所以如何在相当浑浊的水中仍可以提供增强目标细节的图像就成为一个难题，超分辨率重构技术可以在一定程度上采用软件的方法对图像分辨率进行提高。
以多幅低分辨率图像为实验对象，对水下建筑物表面缺陷的检测进行预处理，得到超分辨率图像，并详细对超分辨率图像质量评价，是本文研究的重点。超分辨率重构技术总的来说可分为频域法和空域法。频域法起步早，算法简单且易于实现，但重构效果一般；空域法又包含基于插值，基于重建和基于学习三类方法，本文在基于重建这一类方法中做了详细阐述。而如何对超分辨率重构图像进行质量评价也是本文研究重点，详细分析了图像质量评价的方法过程，包括客观评价，主观评价。而图像质量评价方法中的客观评价方法可分为三类：全参考质量评价方法、部分参考质量评价方法和无参考质量评价方法。
随着图像处理技术的迅速发展，超分辨率重构已然成为图像处理领域内一项重要的研究课题。超分辨重构算法是近十几年来兴起的热点问题，提出一种适合水下环境的高效健壮的重构算法是本文研究方向。单幅图像的超分辨率重构是一种病态问题，在后面学习研究工作中将是重点。
查看完整论文请+Q: 351916072
关键字:表面缺陷检测,图像处理,超分辨率重构,图像质量评价
目录
摘要 I
Abstract II
第1章 绪论 1
1.1课题背景 1
1.2研究意义 1
1.3国际研究概况 1
第2章 超分辨率重构 3
2.1 水下图像超分辨率重构概述 3
2.1.1超分辨率的概念 3
2.1.2超分辨率数学模型 4
2.2 重构策略 5
2.2.1频域(frequency domain)法 5
2.2.2空域(spacial domain)法 5
2.3 motion estimation（运动估计即图像配准） 7
2.4配准算法（Vandewalle算法） 9
2.5 重构算法 14
2.5.1 POCS（凸集投影） 14
2.5.2 IBP（迭代后向投影） 15
2.5.3 PG（基于概率论的方法） 16
2.5.4 Interpolation（双三次插值） 16
2.5.5 Normalized Convolution（结构自适应规范卷积） 18
2.6本章小结 19
第3章 算法仿真与实验 20
3.1 Matlab仿真环境 20
3.2图形用户界面（ Graphical User Interface） 20
3.3基本操作、主要实验函数与试验方案 21
3.4本章小结 26
第4章 实验结果分析与质量评价 27
4.1主观评价 28
4.2客观评价 34
4.2.1 图像评价因子 36
4.2.2基于掩盖的无参考图像信噪比NPSNR 42
4.3无参考图像质量评价的方法 43
4.3.1 均值和方差 44
4.3.2 灰度标准差 45
4.3.3 熵 46
4.4 传统无参考图像质量评价 46
4.5本章小结 47
第5章 总结与展望 48
5.1总结 48
5.2展望 48
致谢 50
参考文献 51
附录 55
一、英文缩写对照 55
二、英文原文 56
三、英文翻译 65
第1章 绪论
1.1课题背景
由于水下光学成像环境恶劣，对水下建筑物缺陷图像的采集受到很多因素的影响:(1)照相机本身的限制。由于光学成像系统和传感器本身的制造工艺水平有限，而无法达到理想的成像效果；(2)成像条件恶劣。图像在成像过程受到水体模糊、光照不足、传感器失真、干扰、光学镜头扭曲、不满足奈奎斯特采样定理等因素的影响；(3)存储数据失真。在进行A/D（模数）转换或D/A（数模）转换时，不可避免地会带来加性噪声和图像细节数据丢失，造成与真实图像相比不同程度的退化。这一系列的限制条件和影响因素都会导致获取的图像质量变差、分辨率变低。通过传统的改进成像系统硬件的方法，提高系统的细节信息获取能力，受到当前制作工艺和制造成本等因素的限制，在实际应用中受到制约。利用软件的方法——超分辨率重构[1-7]成为一种解决方法。而如何说明重构图像的质量水平，对重构结果进行可靠科学的鉴定，就需要对重构图像进行质量评价。
1.2研究意义
要获得高分辨率图像，最直接的办法是采用高分辨率图像传感器，但由于传感器和光学器件制造工艺和成本的限制在很多场合和大规模部署中很难实现。利用图像超分辨率重建方法在保留现有硬件设备的基础上通过软件的方法达到提高表面缺陷图像分辨率的目的，是一种经济实用并且切实可行的方案，具有重要的应用价值和广阔的应用前景。因此，利用现有的设备，通过超分辨率技术获取HR图像具有重要的现实意义。
1.3国际研究概况
超分辨率的出现最早是在光学领域。超分辨率的概念在该领域中就是指试图复原衍射极限以外数据的过程。超分辨率概念的第一次提出是在20世纪50年代，Toraldo di Francia[8]的雷达文献中首次涉及到基于光学系统的超分辨率重构。而Harris和Goodman最早提出了超分辨率复原技术，他们分别于1964年和1965年提出一种称为Harris-Goodman[9]的频谱外推的方法。这种方法当时只是针对单幅图像的超分辨率处理技术，在限定条件下能够得到较好的实验结果，但在实际的应用过程中效果并不是很理想。经典的差值法在单幅图像的超分辨率重构算法中运用十分广泛，从一幅图像中重构高分辨率的图像是一种病态问题。超分辨率用的最为广泛的是空域法[10-14]。在1984年，Tsai &Huang[15]等人在前人的将基础上，创造性的提出了基于图像序列（同一场景的多帧图像）的超分辨率重构算法，这是一种利用图像间的平移关系实现重构的方法。 在总结前人研究成果的基础上， Youla和Webb提出了集合理论复原[16] (凸集投影 POCS)法。1986年，S.E.Meinel提出了服从泊松分布的最大似然复原(泊松-ML)方法。1991年和1992年，B.R.Hunt[17]和PJ.Sementilli[18]在Bayes分析的基础上，提出了泊松最大后验概率[19,20]复原(泊松-MAP)方法，并于1993年对超分辨率的定义和特性进行了分析，提出了图像超分辨率的能力取决于物体的空间限制、噪声和采样间隔。
近年来，图像超分辨率研究比较活跃，美国加州大学Milanfar[21]等提出的大量实用超分辨率图像复原算法，Chan等从总变差正则方面，Zhao等、Nagy等从数学方法、多帧图像的去卷积和彩色图像的超分辨率增强方面，对超分辨率图像恢复进行了研究。Chan等研究了超分辨率图像恢复的预处理迭代算法。此外，Elad等对包含任意图像运动的超分辨率恢复进行了研究；Rajan和Wood等分别从物理学和成像透镜散射的角度提出了新的超分辨率图像恢复方法；韩国Pohang理工大学对各向异性扩散用于超分辨率。Chung-Ang图像科学和多媒体与电影学院在基于融合的自适应正则超分辨率方面分别进行了研究。
国内许多科研院所和大学等对超分辨率图像恢复进行研究，其中部分是关于频谱外推、混叠效应的消除，其他主要是对国外超分辨率方法所进行的改进，包括对POCS算法和MAP算法的改进，对超分辨率插值方法的改进，基于小波域隐马尔可夫树(HMT)模型对彩色图像超分辨率方法的改进以及对超分辨率图像重构方法的改进。
第2章 超分辨率重构
2.1 水下图像超分辨率重构概述
2.1.1超分辨率的概念
图像超分辨率(super resolution,SR)是指由一幅低分辨率图像(low resolution image)或图像序列恢复出高分辨率图像(high resolution，HR)。HR意味着图像具有高像素密度，可以提供更多的细节，这些细节往往在图像分析中起到关键作用。低分辨率的图像包含的细节信息较少，但我们可以得到一系列低分辨率的图像，这些图像包含的部分细节信息各有不同，能够相互补充。通过这一系列低分辨的图像，经过一定的处理，可以得到一幅分辨率较高、包含信息较多的图像。这个处理过程就是超分辨率重建，如图2.1。他的实质是时间带宽（同一场景的多幅图像）转换为空间分辨率。而水下的特殊光学成像环境使得一般光学相机得到的图像分辨率较低，对后期图像分析带来很大的不便，超分辨率重构技术则在一定程度上很好地解决了水下图像的分辨率低的难题。
图2.1 多帧图像超分辨率复原基本流程
超分辨率重构概括可分为以下几步（如图2.2）：在多幅图片中选一个作为参照图片，将其余的图片以此参照图片为标准进行“注册”，获取“子像素”的相对位移，即运动估计；进行非一致性的插值来获取所有图片在新的高分辨率图像中的像素位置，这时的图片已经是一副高分辨率的了，即重构；最后将得到的图片进行滤波，这样可以使边缘变得平滑。
图2.2 多幅低分辨率图像重构一幅高分辨率图像
2.1.2超分辨率数学模型
超分辨率重构问题的求解过程，首先需要构造一个关系模型：
（2.1）
式（2.1）为低分辨率图像与高分辨率图像之间的关系模型。式中的p表示图像序列总帧数； 为第j帧高分辨率图像即所求对象； 第k帧低分辨率图像； 为图像获取时的加性噪声。矩阵D为采样矩阵，矩阵 为模糊矩阵，矩阵 为第j帧和第k帧之间的运动参数构成的运动矩阵。假设H=DBM，则式（2.1）可以简化为：
(2.2)
式 2.2的求解首先要确定H和n，也就是将式(2.1)中的D、B、M和噪声n算出来，这个过程包括以下步骤：
(1)运动估计。需要从前后两幅低分辨率图像中估计较为准确的运动矢量，这个运动矢量包括旋转矢量和位移矢量，实际运算时可以使用插值手段去近似逼近参考图像的运动矢量；
(2)图像模糊估计。通常是计算或假设点扩散函数；
(3)噪声估计。噪声对系统的求解会造成很大的影响，在实际处理中应当选择合适的去噪方法。
2.2 重构策略
2.2.1频域(frequency domain)法
其重构模型是以傅立叶变换的移位特性为理论基础，实际上是在频域上进行图像内插像素值。该类方法主要是通过频域消混叠重建来恢复图像的高频分量。频域法的优点是理论简单，很容易实现并行处理，具有直观的去变形超分辨率机制。然而它的缺点在于理论过于理想化，运动模型只考虑到全局运动，局限性大，并且很难引入图像的先验知识来进行高分辨率图像的重建。
2.2.2空域(spacial domain)法
空域法的适用范围较广，具有很强的空域先验约束的能力。
空域法可分为3类：基于差值；基于重建；基于学习。
图2.3空域法分类
目前最常使用的方法是基于重建的方法，也是本文研究的重点。
2.2.2.1基于插值
在目前超分辨率研究中，基于差值的方法是最直观的方法。通过对该同一场景的多帧图像进行分析估计可以得到这些图像之间的运动关系信息，以此可以估计出在非均匀间距采样点间的像素值，从而得到高分辨率图像栅格上需要插入的像素值。然后经过非均匀插值，就可以得到一幅高像素值、高分辨率的图像。但是，通过这样的方式存在一定的问题，即得到的图像存在噪声和模糊，可以通过图像恢复的方法得到解决。
经典的插值方法有：通过三个步骤即分解、插值和融合来实现；基于小波域的双线性插值；三角化插值算法等。这类方法的优点是快速易行、可并行计算，有一定的实时性。缺点在于由于没有引进额外真实的高频信息，所以很难对重构图像进行锐化处理。不仅如此，这类方法没有考虑到源图像的像素值并不是重构图像的理想采样值，而是对高分辨率图像内插像素点进行估值插入这一事实。
2.2.2.2基于重建
基于重建的方法主要分为图像配准和图像重建两个基本步骤。图像配准的过程是利用多幅低分辨的图像中的一幅作为参考数据进行图像一致性约束，估计出其他LR（低分辨率）图像与参考图像之间的亚像素点之间的相对运动，这个过程也叫做图像配准。图像重建时，可以利用之前图像配准的先验知识用运动补偿的方法对重构图像进行像素点估计，从而实现超分辨率的重建，该方法常见的算法有凸集投影、迭代方向投影、最大后验概率等。基于重建的方法也是本文研究学习的重点。
2.2.2.3基于学习
基于学习的方法的理论基础在于假设LR图像绝对包含所有用于推理预测它所对应的HR图像的有用信息(例如边缘等)。这样就可以基于一组低分辨率图像得到一个训练集，从而产生一个学习模型，根据这个推理模型可估算出重构图像高频细节信息。当前，基于学习算法最为常用的有Chang和Freeman等人分别提出的基于邻域嵌入和基于样本的方法等等。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/txgc/2261.html
