超分辨率重构复眼成像技术的研究进展

超分辨率图像重构复眼成像将超分辨率重构技术与复眼成像技术相结合。复眼成像系统获取低分辨率图像,超分辨率重构算法计算获取高分辨率图像。总结了超分辨率图像重构复眼成像的研究现状,介绍了复眼图像超分辨率重构的基本原理和现阶段主要成像系统。结合成像模型角度,分析了常用的复眼图像超分辨率重构算法,以及定量测试评价与视觉角度评价的主要方法。为深入研究超分辨率图像重构复眼成像提供了参考。     

复眼图像超分辨率重构的噪声分析与消除

分析了复眼图像超分辨率重构结果图像中噪声来源及主要表现形式,为优化重构结果,提出一种基于Wiener-Butterworth（W-B）滤波器的重构噪声消除方法。通过叠加不同数量高斯噪声的低分辨率图像重构实验,研究了该滤波器对算法引入噪声和原始图像噪声的滤除效果,并在频域对实验结果作了相关分析;验证实验验证了该滤波器在噪声类型和大小均未确定时改善图像质量的有效性。实验结果表明：针对算法引入噪声,该滤波器使重构结果的PSNR提高4 dB;当施加均值为0、方差为0.01的高斯噪声时,滤波后重构结果PSNR提高6.9 dB。W-B滤波器能有效消除复眼超分辨率重构图像中的噪声和方块效应、振铃效应和梳边效应,改善重构图像质量。     

复眼图像超分辨率重构中配准算法研究进展

高分辨率图像能够提供更多的图像细节和更清晰的图像质量,因此模仿生物复眼高分辨率这一特性、研究复眼超分辨率对于航天侦查和军事目标的识别具有重要意义。近年来亚像素级图像配准作为超分辨率重构中的关键步骤成为了研究热点,新的配准算法层出不穷。图像配准作为复眼图像超分辨率重构技术中至关重要的一步也是超分辨率重构中的一个难点,图像配准的精度以及图像配准算法的运算复杂程度直接影响着超分辨率重构的质量和效率。文中总结了近年来国内外超分辨率重构中配准算法的研究进展,介绍了图像配准技术和复眼超分辨率重构技术的基本原理和应用背景,阐明了课题的研究目的、意义以及发展前景,并且重点研究与分析了目前主流的配准算法以及各自的优缺点,并对今后的研究趋势进行了展望,同时为今后的配准算法研究提供了重要参考。     

基于投影的单幅图像超分辨率重构算法

利用矩阵的Kronecker积,将现有的向量式成像模型转化为等价的矩阵式成像模型.基于新的矩阵式成像模型,提出了由高分辨图像构成的全空间到超分辨重构问题的解流形的投影算子,利用该算子可以直接得到超分辨重构结果.给出了理论分析.实验结果证实,所提算法能有效地改进超分辨率重构效果,对于标准Lenna图像,其峰值信噪比(PSNR)较双线性插值法和B-样条插值方法提高2.5dB以上,相对于其他算法也有不同程度的改进.     

航空图像超分辨率重构技术

为了过滤掉航空图像中的模糊因素,获取高质量的航空图像,提出基于先验信息的航空图像超分辨率重构方法,采用基于互信息的航空序列图像配准方法完成航空图像的配准,通过最大信息熵复原方法对配准后的图像序列进行去模糊处理,获取航空图像序列。利用小波变换方法使得图像序列内存在的冗余信息以及互补信息融合至一帧图像中,通过O-MOMS插值算法对融合后的单帧航空图像进行插值重构,获取高分辨率的航空图像。实验结果说明,所提方法重构出的航空图像更为清晰,具有较低的信噪比和较高的重构效率。     

POCS超分辨率图像重构的快速算法

超分辨率图像重构是将多帧低分辨率图像重构成一幅高分辨率图像的过程。由于其求解是一大型病态求逆问题，计算量随着放大倍数的增加而急剧上升，如何降低计算复杂度是超分辨率成像所面临的一个急需解决的课题。提出了一个基于PoCs的高分辨率图像重构的快速算法。其原理是利用各低分辨率图像之间位移的关系将所有的低分辨率图像进行重组，然后对每个组进行PoCs超分辨图象重构。实验结果表明。该快速算法较大地提高了超分辨图像重构的速度。     

超分辨率图像重构算法的研究

图像重构是数字图像处理的一个重要分支。文章在图像配准的基础之上，采用后向投影迭代算法对图像序列进行了高分辨率重构，并给出了其中详细的算法和实现过程。实验仿真结果表明该算法运算量小，收敛速度较快．具有良好重构效果。     

超分辨率重构技术用于红外扫描系统的关键

超分辨率重构(SRR)技术是提高遥感图像空间分辨率最有前景的方法,红外遥感成像的空间分辨率相对可见光要低得多,研究采用SRR技术提高红外扫描图像空间分辨率有重要意义。从有效应用SRR技术的条件出发,分析它应用于红外扫描成像系统需要解决的关键问题,对待重构图像错位量估计可通过采用固定错位量的多排传感器,并精确计算其曝光时间来解决;对待重构图像中噪声的去除,提出了基于序列逐像素比较滤波法。通过红外扫描成像实验,提出的方法可以有效解决待重构图像错位量估计不准与噪声对重构的影响。     

基于OMP算法的可见光图像超分辨率重构方法

为了提高可见光图像的识别和检测能力,提出基于OMP算法的可见光图像超分辨率重构方法。建立可见光图像的视觉信息采集模型,采用空间锚点邻域特征匹配方法进行的可见光图像超分辨特征分解,提取可见光图像边缘轮廓特征量,结合残差特征估计高分辨率图像特征融合和优化分割,建立可见光图像的超分辨率重建特征分布集,采用边缘信息空间区域融合方法进行可见光图像的像素信息融合和优化特征重组,提取可见光图像的模糊度特征分布集,结合OMP算法实现可见光图像超分辨率重构。仿真结果表明,采用该方法进行可见光图像超分辨率重构的特征分辨能力较高,提高了可见光图像重构的输出峰值信噪比,且输出信噪比最高可达到61. 2。     

联合运动估计与基于模式的超分辨率图像重构

超分辨率图像重构是利用关于同一场景的多帧低分辨率图像重构出一幅具有更高分辨率图像的过程.已有的超分辨率图像重构算法对于人工模拟所得到的低分辨率图像序列具有很好的效果,但对于拍摄到的真实低分辨率图像序列而言,重构后的图像往往比较模糊,有时甚至仍然无法分辨.为此,本文提出了一个联合运动估计与基于模式的超分辨率图像重构算法.实验结果表明,该算法能够得到优于常规算法的高分辨率图像.     

Super-resolution reconstruction in a computational compound-eye imaging system

From consumer electronics to biomedical applications, device miniaturization has shown to be highly desirable. This often includes reducing the size of some optical systems. However, diffraction effects impose a constraint on image quality when we simply scale down the imaging parameters. Over the past few years, compound-eye imaging system has emerged as a promising architecture in the development of compact visual systems. Because multiple low-resolution (LR) sub-images are captured, post-processing algorithms for the reconstruction of a high-resolution (HR) final image from the LR images play a critical role in affecting the image quality. In this paper, we describe and investigate the performance of a compound-eye system recently reported in the literature. We discuss both the physical construction and the mathematical model of the imaging components, followed by an application of our super-resolution algorithm in reconstructing the image. We then explore several variations of the imaging system, such as the incorporation of a phase mask in extending the depth of field, which are not possible with a traditional camera. Simulations with a versatile virtual camera system that we have built verify the feasibility of these additions, and we also report the tolerance of the compound-eye system to variations in physical parameters, such as optical aberrations, that are inevitable in actual systems.     

基于减采样技术的快速高分辨数字全息重建算法

为了缓和传统数字全息重建算法在分辨率和计算量之间的相互制约关系,基于欠采样数字解调理论,通过对恢复后的物波场先进行空域或频域减采样,滤除物波中的冗余信息,然后通过补零算法提高有用信息的重建分辨率,从而实现高分辨数字全息的快速重建。分别给出了减采样菲涅尔重建（FR）算法和减采样角谱重建（AS）算法的最大允许采样间隔,推导...     

多线阵CCD亚像元成像超分辨率重构技术研究

为实现以多片线阵CCD亚像元成像为基础,提出一种超分辨率重构算法。首先,在高分辨率网格上建立插值模型;然后,辨识插值重构图像在线阵列方向和扫描方向的模糊核,得到整幅图像的模糊核;最后,采用带有Neumman边界条件(BCs)的梯度平滑Richard-Lucy(GSRL)滤波复原算法去除模糊,抑制了振铃效应。实验结果表明,用本文算法重构超分辨率图像的灰度平均梯度(GMG)值较双线性插值法提高了7.63,主观目视清晰、细节丰富;可以实现对多片线阵CCD亚像元成像的超分辨率重构,获取更高的系统分辨率。     

赋形像元探测器在超分辨重建中的应用

大多数光电成像系统的空间分辨率都与探测器的元数密切相关,增加探测器的元数是提高成像系统空间分辨率的核心问题之一.在不增加探测器元数的前提下,提高空间分辨率的技术途径之一就是超分辨重建技术,它通过增加探测器采样频率来提高探测器的空间分辨率.考虑到探测器的空间分辨率并不完全取决于采样作用,且受像元孔径效应的影响,提出了一种赋形像元探测器.基于巴比涅原理中的互补屏原则,将原有的红外探测器中的每个正矩形像元去掉1/4,用剩余部分来等效获取去掉部分的高截止频率;同时利用两列赋形像元探测器进行亚像元推扫,结合像元细分算法,实现超分辨重建.通过同时提高系统采样频率和探测器的截止频率来实现红外系统最终的高分辨率重建成像.     

基于亚像素偏移的高质量鬼成像目标重构方法

针对欠采样次数下传统计算鬼成像重构图像分辨率差和对比度低的问题,提出了一种基于亚像素偏移的高质量鬼成像目标重构方法.本文通过分析不同颗粒大小散斑图的重构图像特性以及亚像素散斑偏移的特性后,采用2 pixelX 2 pixel的大尺寸散斑颗粒在空间位置分别进行水平、垂直、斜向偏移,结合未偏移原始散斑图分别对未知目标进行图...     

部分相干成像系统分辨极限研究

部分相干理论的引入丰富了光学成像分辨领域的研究,相较于理想情况下的完全相干和完全非相干光照明两点成像系统,部分相干成像系统的分辨率显著提升。本文设计了部分相干光照明两点成像系统,建立像面光强分布的数学模型,利用MATLAB仿真模拟不同空间相干性光源产生的辐射特性和两点间距对成像分辨的影响;并给出部分相干成像系统分辨极限的判定方法:当且仅当像面光强分布的峰值和谷值相等时可判定两点光源恰可分辨;以及不同相干度的光源照明成像系统分辨率的计算方法和差异。同时设计并搭建实验平台,实验结果验证了相干度分别为0、0.9和1.0时,成像分辨极限分别为1.0 mm、1.4 mm和1.5 mm,误差范围小于5%,说明实验结果与理论结果吻合。     

内窥式共焦成像系统的相干传递函数及分辨率的分析

基于点扩展函数,推导出内窥式共焦成像系统的相干传递函数。结果表明：该系统成像具有卷积性质,是一个线性平移不变系统。分析了分辨率与针孔及光纤半径之间的关系,提出了最佳归一化针孔半径,设计并建立一套共焦成像系统,获得了鉴别率板的共焦和离焦像。     

基于平衡二叉树的邻域嵌入单帧图像超分辨率重建算法

为了更好地解决基于学习的超分辨率算法的邻域嵌入问题,提出了一种使用k最近邻和平衡二叉树的邻域嵌入算法,该算法分为训练阶段和测试阶段.训练阶段,构建HR图像块、LR图像块的映射和平衡二叉树.测试阶段,首先将输入的去噪LR图像分离高频成分;然后训练LR特征空间,利用k最近邻寻找LR图像对应的HR图像块;最后通过高斯加权重建HR图像块,并与先前分离的高频成分合并.实验采用峰值信噪比(PSNR)、结构相似性度量(SSIM)和特征相似性度量(FSIM)评估算法的效果.从实验数据可以看出,提出的算法具有最高的PSNR值,SSIM值和FSIM值在大多数情况下高于其他算法,SSIM最高可达0.95,FSIM最高可达0.94.从实验结果图像可以看出,该算法的纹理保留得最好,图像自然丰富.此外,实验结果表明,该算法对高斯模糊和高斯噪声的鲁棒性也优于其他算法.     

Choice of low resolution sample sets for efficient super-resolution signal reconstruction

In applications such as super-resolution imaging and mosaicking, multiple video sequences are registered to reconstruct video with enhanced resolution. However, not all computed registration is reliable. In addition, not all sequences contribute useful information towards reconstruction from multiple non-uniformly distributed sample sets. In this paper we present two algorithms that can help determine which low resolution sample sets should be combined in order to maximize reconstruction accuracy while minimizing the number of sample sets. The first algorithm computes a confidence measure which is derived as a combination of two objective functions. The second algorithm is an iterative ranked-based method for reconstruction which uses confidence measures to assign priority to sample sets that maximize information gain while minimizing reconstruction error. Experimental results with real and synthetic sequences validate the effectiveness of the proposed algorithms. Application of our work in medical visualization and super-resolution reconstruction of MRI data are also presented.