基于L1和L2混合范式的序列图像超分辨率重建

doi:10.11772/j.issn.1001-9081.2015.03.840

计算机应用 ›› 2015, Vol. 35 ›› Issue (3): 840-843.DOI: 10.11772/j.issn.1001-9081.2015.03.840

基于L₁和L₂混合范式的序列图像超分辨率重建

李银辉, 吕晓琪, 于荷峰

内蒙古科技大学信息工程学院, 内蒙古包头 014010

收稿日期:2014-09-24 修回日期:2014-11-07 出版日期:2015-03-10 发布日期:2015-03-13
通讯作者: 吕晓琪
作者简介:李银辉(1989-),女,山东聊城人,硕士研究生,主要研究方向:图像处理;吕晓琪(1963-),男,内蒙古包头人,教授,博士生导师,博士,主要研究方向:图像处理;于荷峰(1988-),男,山东威海人,硕士研究生,主要研究方向:医学图像配准
基金资助:
国家自然科学基金资助项目(61179019);内蒙古自治区研究生教育创新计划资助项目(S20141012701)

Sequence images super-resolution reconstruction based on L₁ and L₂ mixed norm

LI Yinhui, LYU Xiaoqi, YU Hefeng

School of Information Engineering, Inner Mongolia University of Science and Technology, Baotou Inner Mongolia 014010, China

Received:2014-09-24 Revised:2014-11-07 Online:2015-03-10 Published:2015-03-13

摘要/Abstract

摘要：

针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L₁和L₂混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L₁和L₂混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 dB~5.2 dB。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。

关键词: L₁范式, L₂范式, 双边全变分, 序列图像, 超分辨率重建

Abstract:

In order to filter out Gaussian noise and impulse noise at the same time, and get high resolution image in super-resolution reconstruction, a method with L₁ and L₂ mixed norm and Bilateral Total Variation (BTV) regularization was proposed for sequence images super-resolution. Firstly, multi-resolution optical flow model was used to register low-resolution sequence images and the registration precision was up to sub-pixel level, then the complementary information was used to raise image resolution. Secondly, taking advantage of L₁ and L₂ mixed norm, BTV regularization algorithm was used to solve the ill-posed problem. Lastly, the proposed algorithm was used to sequence images super-resolution. Experimental results show that the method can decrease the mean square error and increase Peak Signal-to-Noise Ratio (PSNR) by 1.2 dB to 5.2 dB. The algorithm can smooth Gaussian and impulse noise, protect image edge information and improve image identifiability, which provides good technique basis for license plate recognition, face recognition, video surveillance, etc.

Key words: L₁ norm, L₂ norm, Bilateral Total Variation (BTV), sequence image, super-resolution reconstruction

中图分类号:

TP391.41

李银辉, 吕晓琪, 于荷峰. 基于L₁和L₂混合范式的序列图像超分辨率重建[J]. 计算机应用, 2015, 35(3): 840-843.

LI Yinhui, LYU Xiaoqi, YU Hefeng. Sequence images super-resolution reconstruction based on L₁ and L₂ mixed norm[J]. Journal of Computer Applications, 2015, 35(3): 840-843.

参考文献

[1] 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.)
[2] LI X, HU Y, GAO X, et al. A multi-frame image super-resolution method[J]. Signal Processing, 2010, 90(2): 405-414.
[3] FARSIU S, ROBINSON M D, ELAD M, et al. Fast and robust multi-frame super resolution[J]. IEEE Transactions on Image processing, 2004,13(10):1327-1344.
[4] WANG H, WANG Y. Super-resolution image reconstruction algorithm based on L_1/2 regularization[J]. Computer Engineering, 2012,38(20):191-194.(王欢, 王永革. 基于L_1/2正则化的超分辨率图像重建算法[J]. 计算机工程, 2012,38(20):191-194.)
[5] ZHAN M, DENG Z. L₁ norm of total variation regularization based super resolution reconstruction for images[J]. Science Technology and Engineering, 2010(28):6903-6906.(占美全,邓志良.基于L₁范数的总变分正则化超分辨率图像重建[J].科学技术与工程,2010(28):6903-6906.)
[6] YUAN J. Adaptive regularization for super-resolution image reconstruction based on local structures[J]. Journal of Computer Applications, 2009,29(11):3008-3010.(袁建华. 空间自适应正则化超分辨率图像重建[J].计算机应用,2009,29(11):3008-3010.)
[7] ZHANG Y, XU B, ZHOU S, et al. Image super-resolution with adaptive regularization sparse representation[J]. Application Research of Computers, 2013,30(3):938-941.(张垚,徐斌,周尚波,等.基于稀疏表示的自适应图像超分辨率重建算法[J].计算机应用研究,2013,30(3):938-941.)
[8] ZHANG L, ZHANG H, SHEN H, et al. A super-resolution reconstruction algorithm for surveillance images[J]. Signal Processing, 2010,90(3):848-859.
[9] ZHANG L. Research on key technologies of multi-frame image super-resolution reconstruction[D]. Tianjin: Tianjin University of Technology, 2011.(张兰.多帧图像超分辨率重建关键技术研究[D].天津:天津理工大学,2011.)
[10] LI H. Research on multi-resolution medical image registration and adaptive image interpolation technology[D]. Jinan: Shangdong University, 2009.(李晖.多分辨率医学图像配准技术及自适应图像插值技术的研究[D].济南:山东大学,2009.)
[11] ZENG X, YANG L. A robust multi-frame super-resolution algorithm based on half-quadratic estimation with modified BTV regularization[J]. Digital Signal Processing, 2013,23(1):98-109.

[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.

基于L₁和L₂混合范式的序列图像超分辨率重建

Sequence images super-resolution reconstruction based on L₁ and L₂ mixed norm

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