基于自适应约束正则HL-MRF先验模型的MAP超分辨率重建

doi:10.11772/j.issn.1001-9081.2015.02.0506

计算机应用 ›› 2015, Vol. 35 ›› Issue (2): 506-509.DOI: 10.11772/j.issn.1001-9081.2015.02.0506

基于自适应约束正则HL-MRF先验模型的MAP超分辨率重建

秦龙龙¹, 钱渊¹, 张晓燕¹, 侯雪², 周芹¹

1. 空军工程大学信息与导航学院, 西安 710077;
2. 空军哈尔滨飞行学院, 哈尔滨 150001

收稿日期:2014-09-13 修回日期:2014-11-17 出版日期:2015-02-10 发布日期:2015-02-12
通讯作者: 秦龙龙
作者简介:秦龙龙(1988-),男,陕西咸阳人,硕士研究生,主要研究方向:视频图像清晰化、图像超分辨率重建; 钱渊(1972-),男,上海人,副教授,硕士,主要研究方向:图像处理、多媒体通信; 张晓燕(1970-),女,陕西西安人,副教授,博士,主要研究方向:多媒体信息融合;侯雪(1980-),女,辽宁沈阳人,助理工程师,主要研究方向:图像处理; 周芹(1990-),女,江苏东海人,硕士研究生,主要研究方向:视频图像清晰化、图像超分辨率重建。
基金资助:
陕西省自然科学基金资助项目(2013JM8025)。

MAP super-resolution reconstruction based on adaptive constraint regularization HL-MRF prior model

QIN Longlong¹, QIAN Yuan¹, ZHANG Xiaoyan¹, HOU Xue², ZHOU Qin¹

1. College of Information and Navigation, Air Force Engineering University, Xi'an Shaanxi 710077, China;
2. Air Force Harbin Flight Academy, Harbin Heilongjiang 150001, China

Received:2014-09-13 Revised:2014-11-17 Online:2015-02-10 Published:2015-02-12

摘要/Abstract

摘要：

针对Huber-MRF先验模型对图像高频噪声抑制能力较差,而Gauss-MRF先验模型对图像高频过度惩罚的问题,提出了一种改进的自适应约束正则HL-MRF先验模型。该模型将Huber边缘惩罚低频函数与Lorentzian边缘惩罚高频函数相结合,对低频进行线性约束的同时对高频实现平滑惩罚;并采用自适应约束方法确定正则化参数,从而得到最优的参数解。与基于Gauss-MRF先验模型和Huber-MRF先验模型的超分辨率算法相比,HL-MRF先验模型获得的超分辨率重建图像在峰值信噪比(PSNR)和细节方面都有一定程度的提高,在抑制高频噪声、避免图像细节被过度平滑方面具有一定的优势。

关键词: 超分辨率重建, 马尔可夫随机场先验模型, 自适应正则化, 边缘惩罚函数

Abstract:

Aiming at the poor suppression ability for the high-frequency noise in Huber-MRF prior model and the excessive punishment for the high frequency information of image in Gauss-MRF prior model, an adaptive regularization HL-MRF model was proposed. The method combined low frequency function of Huber edge punishment with high frequency function of Lorentzian edge punishment to realize a linear constraint for low frequency and a less punishment for high frequency. The model gained its optimal solution of parameters by using adaptive constraint method to determine regularization parameter. Compared with super-resolution reconstruction methods based on Gauss-MRF prior model and Huber-MRF prior model, the method based on HL-MRF prior model obtains higer Peak Signal-to-Noise Ratio (PSNR) and better performace in details, therefore it has ceratin advantage to suppress the high frequency noise and avoid excessively smoothing image details.

Key words: super-resolution reconstruction, Markov Random Field (MRF) prior model, adaptive regularization, edge penalty function

中图分类号:

TP391.41

秦龙龙, 钱渊, 张晓燕, 侯雪, 周芹. 基于自适应约束正则HL-MRF先验模型的MAP超分辨率重建[J]. 计算机应用, 2015, 35(2): 506-509.

QIN Longlong, QIAN Yuan, ZHANG Xiaoyan, HOU Xue, ZHOU Qin. MAP super-resolution reconstruction based on adaptive constraint regularization HL-MRF prior model[J]. Journal of Computer Applications, 2015, 35(2): 506-509.

参考文献

[1] LU L, LI C, ZHANG Z, et al. A method of image super-resolution reconstruction based on MRF-MAP frame [J]. Journal of Xiamen University: Natural Science Edition, 2012, 51(4): 696-700. (鲁林, 李翠华, 张珍,等. 一种MRF-MAP框架下的图像超分辨率重建方法[J].厦门大学学报:自然科学版, 2012, 51(4): 696-700.)
[2] ZHANG Z. Research on image restoration method based on prior constraint [D]. Changsha: National University of Defense Technology, 2010. (张志.基于先验约束的图像复原方法研究[D].长沙:国防科学技术大学,2010.)
[3] BOUMAN C, SAUER K. A generalized Gaussian image model for edge-preserving MAP estimation [J]. IEEE Transactions on Image Processing, 1993, 2(3):296-310.
[4] PUN W H, JEFFS B D. Adaptive image restoration using a generalized Gaussian model for unknown noise [J]. IEEE Transactions on Image Processing, 1995, 4(10): 1451-1456.
[5] WANG Y, HUANG X, YAN Y, et al. A new method for motion-blurred image blind restoration based on Huber Markov random field [C]//Proceedings of the Fifth International Conference on Image and Graphics. Piscataway: IEEE, 2009:51-56.
[6] XU P, FU S. Super resolution reconstruction based on HMRF prior model [J]. Computer Engineering, 2009, 35(17): 213-215. (徐鹏宇,傅山. 基于HMRF先验模型的超分辨率重建[J].计算机工程,2009,35(17):213-215.)
[7] SHAO W, WEI Z. Super-resolution reconstruction based on generalized Huber-MRF image modeling [J]. Journal of Software, 2007, 18(10): 2434-2444. (邵文泽,韦志辉. 基于广义Huber-MRF图像建模的超分辨率复原算法[J]. 软件学报,2007,18(10):2434-2444.)
[8] SHI Y. Research on dual images super-resolution based on the mixed priori model [D]. Hangzhou: Zhejiang University, 2013. (石岩. 基于混合先验模的双目图像超分辨率研究[D]. 杭州: 浙江大学,2013.)
[9] MENG Q. An aliasing degree pre-estimated MAP algorithm of super-resolution processing [J]. Journal of Software, 2004, 15(2): 207-214. (孟庆武.预估计混叠度的MAP超分辨率处理算法[J].软件学报,2004,15(2):207-214)
[10] ZHANG X, SHEN L. Super-resolution restoration with multi-scale edge-preserving regularization [J]. Journal of Software, 2003, 14(6): 1075-1081. (张新明,沈兰荪.基于多尺度边缘保持正则化的超分辨率复原[J].软件学报,2003,14(6):1075-1081)
[11] ZHU H, LIU W, YAO J, et al. Adaptive threshold HMRF model for super-resolution reconstruction [J]. Journal of Image and Graphics, 2012, 17(9):1049-1054. (朱虹,刘薇,姚杰,等. 自适应阈值HMRF模型超分辨率重建[J]. 中国图象图形学报,2012, 17(9):1049-1054.)
[12] ZHANG L, YUAN Q, SHEN H, et al. Multiframe image super-resolution adapted with local spatial information [J]. Journal of the Optical Society of American A, 2011, 28(3): 381-390.
[13] SHEN H, LI P, ZHANG L. Adaptive regularized MAP super-resolution reconstruction method [J]. Geomatics and Information Science of Wuhan University, 2006, 31(11): 949-952. (沈焕锋,李平湘,张良培. 一种自适应正则MAP超分辨率重建方法[J].武汉大学学报:信息科学版,2006,31(11):949-952.)
[14] SU H, TANG L, WU Y, et al. Spatially adaptive block-based super-resolution [J]. IEEE Transactions on Image Processing, 2012, 21(3): 1031-1045.
[15] AN Y, LU Y, ZHAO H. An adaptive-regularized image super resolution [J]. Acta Automatica Sinica,2012, 38(4):601-608. (安耀祖,陆耀,赵红.一种自适应正则化的图像超分辨率算法[J].自动化学报,2012, 38(4):601-608.)

基于自适应约束正则HL-MRF先验模型的MAP超分辨率重建

MAP super-resolution reconstruction based on adaptive constraint regularization HL-MRF prior model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	牛康力, 谌雨章, 沈君凤, 曾张帆, 潘永才, 王绎冲. 基于深度学习的双通道夜视图像复原方法[J]. 计算机应用, 2021, 41(6): 1775-1784.
[2]	梁敏, 王昊榕, 张瑶, 李杰. 基于加速残差网络的图像超分辨率重建方法[J]. 计算机应用, 2021, 41(5): 1438-1444.
[3]	段友祥, 张含笑, 孙歧峰, 孙友凯. 基于拉普拉斯金字塔生成对抗网络的图像超分辨率重建算法[J]. 计算机应用, 2021, 41(4): 1020-1026.
[4]	王永金, 左羽, 吴恋, 崔忠伟, 赵晨洁. 基于注意力机制的图像超分辨率重建[J]. 计算机应用, 2021, 41(3): 845-850.
[5]	林静, 黄玉清, 李磊民. 基于球形矩匹配与特征判别的图像超分辨率重建[J]. 计算机应用, 2020, 40(8): 2345-2350.
[6]	胡雪影, 郭海儒, 朱蓉. 基于混合深度卷积网络的图像超分辨率重建[J]. 计算机应用, 2020, 40(7): 2069-2076.
[7]	欧阳宁, 韦羽, 林乐平. 结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法[J]. 计算机应用, 2020, 40(10): 3041-3047.
[8]	姚鲁, 宋慧慧, 张开华. 混合阶通道注意力网络的单图像超分辨率重建[J]. 计算机应用, 2020, 40(10): 3048-3053.
[9]	陈龙彪, 谌雨章, 王晓晨, 邹鹏, 胡学敏. 基于深度学习的水下图像超分辨率重建方法[J]. 计算机应用, 2019, 39(9): 2738-2743.
[10]	刘月峰, 杨涵晰, 蔡爽, 张晨荣. 基于改进卷积神经网络的单幅图像超分辨率重建方法[J]. 计算机应用, 2019, 39(5): 1440-1447.
[11]	许德智, 孙季丰, 罗莎莎. 基于权重量化与信息压缩的车载图像超分辨率重建[J]. 计算机应用, 2019, 39(12): 3644-3649.
[12]	孙毅堂, 宋慧慧, 张开华, 严飞. 基于极深卷积神经网络的人脸超分辨率重建算法[J]. 计算机应用, 2018, 38(4): 1141-1145.
[13]	彭政, 陈东方, 王晓峰. 正则化超分辨率重建过程的自适应阈值去噪[J]. 计算机应用, 2017, 37(7): 2084-2088.
[14]	陈伟业, 孙权森. 结合压缩感知与非局部信息的图像超分辨率重建[J]. 计算机应用, 2016, 36(9): 2570-2575.
[15]	倪浩, 阮若林, 刘芳华, 王建峰. 稀疏系数独立可调的单图超分辨率重建[J]. 计算机应用, 2016, 36(4): 1096-1099.