基于二阶广义方向性全变分的图像超分辨率重建方法

发布时间：2019-12-02 00:57

【摘要】：超分辨率图像重建是增强那些低成本成像传感器系统图像分辨率的有效措施.得益于先验知识的学习,低分辨率图像可有效地被超分辨率增强.针对带有明显边缘结构的图像,现有方法没有有效利用高阶信息从而会出现一些光滑的图像细节.本文针对这种特殊的图像结构,研究一种基于二阶广义方向性全变分的重建方法来挖掘那些隐含的高阶可利用信息.二阶广义方向性全变分不仅可以作为先验知识,还能作为稀疏正则项抑制伪影和噪声.实验结果表明,本文方法可有效超分辨率重建结构边缘图像,并可获得高分辨率图像细节和纹理特征.
【图文】：

高分辨率图像,对应区域,细节,红色

第11期伍政华:基于二阶广义方向性全变分的图像超分辨率重建方法噪比(Peaksignal-to-noiseratio，PSNＲ)、均方根误差(Ｒootmeansquareerror，，ＲMSE)和结构相似度(Strucru-ralsimilarity，SSIM)［34］．图2中DTV和DTGV实验结果的PSNＲ、ＲMSE和SSIM分别为31．1052，31．5024，7．1004，6．7830，0．8854和0．9013，图5中的结果为27．0230，27．2105，11．3603，11．1177，0．8650和0．8724，这也从定量描述中反映出DTGV方法相比DTV方法重建效果更佳．为了更进一步展示DTGV方法的优势，选取了一些具有代表性的超分辨率重建算法和一些测试图像来获得更全面的比较结果．选取的SＲ算法包括:双三次插值、稀疏编码(Sparsecoding)［1］、Localsemi-supervisedregression(LSSＲ)［5］、Adapticesparsedomainselection(ASDS)［4］．图7～图8显示了一组具有代表性的实验结果，可以看出，双三次插值、LSSＲ和ASDS的实验结果都很模糊，并不能获得较为清晰的图像边缘．稀疏编码和DTV的结果稍好并可产生较为清晰的边缘和图像细节．相比之下DTGV的结果最好，并可获得清晰的图像边缘，尽管DTGV结果相比于真实图像还是有点模糊，但它已非常接近于真实的高分辨率图像．表1总结了不同SＲ方法对不同图像实验结果的PSNＲ、ＲMSE和SSIM值的比较结果．可以看出，DTGV方法在PSNＲ、ＲMSE和SSIM的数值比较上都占优(只有一组值没有表现最优结果)，反映了本文所提出方法的有效性和优越性．值得注意的是，DTGV方法比DTV方法的PSNＲ和SSIM数值都大，从侧面反映出DTGV不仅可以去除噪声影响，还可以重建出更多清晰的高频段纹理．2629

高分辨率图像,主方向,角变化

的SＲ方法的扩展，所以，我们首先将要验证本文方法相比于DTV方法的优势．在第一个实验中，我们用光声显微成像(Photoacousticmicroscopy，PAM)的血管图像来验证DTGV方法的有效性．PAM一般是通过逐点扫描实现的，成像的分辨率一般取决于扫描步长，且PAM图像一般带有明显的方向特征．所选用的原始高分辨率图像为480×480的血管图像(图2(d))，输入的低分辨率图像分辨率是160×160(图2(a))，相当于x和y方向的扫描步长都减小三倍，可明显降低数据率．在重建图像之前需要通过最小化DTGV的值来估计低分辨率图像的主方向．如图4所示，所选用血管图像在θ=－π/3附近取得DTGV的最小值，这与图2(a)的纹理方向特征是一致的．图2和图3展示了DTV和DTGV方法的超分辨率重建对比结果，图5和图6描述了鹦鹉图像的类似实验结果．从图3和图6的细节放大图可以看出，尽管DTV的实验结果可以获得一定的超分辨率效果，但同时也会导致边缘尖锐和图像细节特征的缺失．对比DTV和DTGV的实验结果可以发现，DTGV结果的视觉效果更佳，得到的边缘更平滑，并且锯齿状的伪影更少．特别在图3中，DTGV实验结果已经非常接近于真实的高分辨率参考图像．为了进一步对比实验结果，我们选用三种常用指标来定量分析不同实验结果的优劣，即峰值信2628

【参考文献】