论文部分内容阅读
超分辨率是通过硬件或软件的方法提高原有图像的分辨率。利用一系列低分辨率的图像来得到一幅高分辨率的图像过程就是超分辨率重建。超分辨率重建的核心思想就是用时间带宽(获取同一场景的多帧图像序列)换取空间分辨率,实现时间分辨率向空间分辨率的转换。随着成像技术的进步,近年面世的深度相机突破了传统激光扫描和立体匹配进行深度成像的限制,可以比较方便地获得实时动态三维场景的深度。但是,受到分辨率的限制,其在计算机视觉领域的应用变得很窄。所以,寻找一种增强当前深度图分辨率水平的方法是必要的。目前提高采集设备传感器的密度是增加分辨率最直接的解决方法。然而高密度的图像传感器的价格相当昂贵,在一般应用中难以承受;而且成像系统受其固有传感器排列密度的限制,目前已接近极限。而另外一个增加分辨率的方法是增加芯片的尺寸,但这将导致电容的增加和电荷转移速度的下降,因此这种方法一般不认为是有效的。如今采用信号处理的方法从低分辨率得到高分辨率是一种很有前途的方法。因此本文提出了一个新颖的深度图超分辨率方法。该方法基于欧拉视频放大,使用拉普拉斯金字塔进行空间滤波的同时,利用两个截止频率各异的一维低通无限冲激响应滤波器构造一个带通滤波器对每一个空间段进行时域滤波,接着利用放大系数来增大或减弱带通信号,并将放大的信号加回原始信号,然后生成最终放大的信号,即超分辨率信号。但是信号在放大的过程中,其存在的噪声也放大了,因此需要对超分辨率信号进行去噪去模糊。三维块匹配是最近提出的一种有效的去噪算法。该算法有两个主要步骤,即基础估计和最终估计。这两个步骤非常相似,都是先定义二维凯塞窗,并对图中的相似块进行分组以形成三维组,然后对三维组进行滤波聚合输出结果。但这两个步骤存在着两个不同点,第一个不同点为最终估计处理的是基础估计生成的结果,即基础估计滤过块,第二个不同点为最终估计进行的是维纳滤波,而基础估计进行的是硬阈值滤波。最后使用导向滤波算法进行深度图的细节增强及去模糊。实验证明,该新颖的深度图超分辨率算法无论是视觉效果还是客观评价指标方面都可得到更好的结果。