论文部分内容阅读
随着CCD和CMOS传感器的广泛使用，人们已经可以获得分辨率非常高的图像，但是由于硬件制作工艺水平的限制，如何利用软件方法低成本的增加当前的分辨率级别日益受到研究人员的关注。一方面，第一代图像复原技术由于仅仅利用单帧图像的信息，使得分辨率增强能力极为有限，这迫使研究人员开始寻求新的研究方向——基于序列图像的超分辨率重建技术；另一方面，诸如安全监控、医学诊断、军事侦察等领域都需要有既经济又容易实现的方法来得到各自所需求的高质量图像，这些应用也促使超分辨率重建成为图像复原领域的一个热点。 本论文主要针对图像超分辨率重建算法对模型误差的稳健性问题展开研究，探讨由一个彼此间存在相对运动的、模糊的、欠采样的、含噪声的低分辨率序列图像重建一幅高分辨率图像的理论和方法。论文主要的研究成果包括以下几点： 在数学模型方面，主要总结了两种图像观测模型，分析了各自的应用背景及相互联系，并重点研究了基于Elad模型的超分辨率重建算法框架，最后在理论和实验分析中探讨了模型误差与图像重建性能的关系问题。 在图像配准方面，分类总结了亚像素配准的基本原理和研究现状，基于三参数刚体几何变换模型，实现了一种结合高斯金字塔分层的光流场配准方法，实验结果表明该方法可以取得亚像素配准精度。 在重建算法方面，基于L1范数超分辨率重建算法框架，本文构造了一种简单的正则参数自适应估计函数，同时对特殊情况下的初始值选择方法作了改进，实验证明该方法不仅可以对模型误差表现出良好的稳健性，同时还加快了算法的收敛速度。从图像差分统计角度出发，本文结合概率先验模型给出L1范数形式的双边全变差正则项一个新的统计解释，并利用Kullback-Leibler距离证明了该正则项的优越性，在此基础上提出了基于混合先验模型的超分辨率重建算法，实验证明该方法能够弥补L1范数重建方法的不足，取得更好的重建结果。