论文部分内容阅读
视频序列增强就是对于细节信息较少,画面粗糙的视频序列进行处理,得到较多像素数目,画面显示精细的视频序列。利用计算机处理技术,将视频序列增强算法的研究应用在军事、医学以及其他模式识别、视频监控等应用领域,能在有限的条件下获得更高的图像清晰度,降低了硬件成本,因此具有非常重要的意义。视频序列的超分辨增强算法研究是指从一系列低分辨率图像中得到一幅或者多幅高分辨率图像。在以往的算法研究中,如robust算法以及基于最大后验概率(MAP)的算法,之所以能有比较好的结果,一般基于以下两方面的限制:第一,视频序列图像间需满足半像素的位移差,因此最终的算法很难具有普遍适用性;第二,视频序列之间不能存在局部运动,因为超分辨的结果依赖于运动估计和匹配的准确度。运动估计算法包括光流法和SIFT变换等,很难对于图像序列中的每个像素或者像素小块建立准确的运动向量参与超分辨率计算,因此传统的方法对于存在局部运动的序列处理效果很差。基于传统视频序列超分辨率方法存在的不足和缺陷,本文在之前学者已有算法的基础上进行了以下几个方面的研究和创新:1.首先,针对视频序列经常出现的整体运动模糊图像进行了处理。改善了以往方法运动模糊图像点扩散函数估计不准确的缺陷,同时有效抑制了反卷积带来的振铃效应。2.其次,改进了单帧图像的超分辨率算法。Elad等人提出利用基于压缩感知理论的K-SVD字典训练算法进行图像超分辨重建,该方法抽取图像高频信息特征进行重建,虽然能很好地重建图像纹理细节,但是很难抑制退化图像产生的噪声。为了改善这一缺点,本文将steering回归核的方法与K-SVD方法相结合,通过像素之间的非线性关系,抑制了噪声的产生。3.再次,将二维回归核理论应用到三维视频序列中,即将改进的单帧图像超分辨率算法应用到序列图像上。该方法可以充分利用前后帧图像像素之间的相似度,得到更完备的图像信息,因为该方法运用粗略的运动估计,最终结果不完全依赖于运动估计的准确度,消除了视频源选择方面的限制。然后利用压缩感知理论进一步对图像进行去模糊处理,得到更精细的视频序列。4.最后,为了加快视频处理的速度,结合很多视频序列中前后两帧差值很小或者没有变化的特点,提出一种加快计算速度的方法。即根据视频压缩原理,如果图像部分区域没有变化就用前一帧超分辨率的计算结果直接替代后一帧的部分结果。实验证明该方法能有效加快整体视频的处理速度,使得视频高分辨率重建具有实用的可能性。