基于误差分析的彩色图像超分辨率重建算法研究

Nowadays, the demand of high quality images floods every corner of the production and living, image reconstruction based on the super-resolution (SR) is the core support technology of many related applications. This project researches on the multiframe SR based on color images. We aim to exploring the structural information of the image and the degradation process and study the fundamental cause of image reconstruction error. The studies and key issues include: (1) Establish adaptive prior models based on nonlocal blocks from the inner details and the structure relationship between blocks, respectively, aiming to reducing the artificial bias error, such as the structure error and local detail error; (2) Establish a more general observation model to reduce the model error. This model could not only be used in the field of SR reconstruction, but also it could be promoted to signal reconstruction, image restoration, three-dimensional reconstruction, etc.; (3) Put forward a non-rigid transform quick fitting resolution idea that is suitable for the SR reconstruction, and provide lessons for eliminating the reconstruction error. This project will establish generalized multi-frame color image super-resolution reconstruction theory and experimental platform based on the error analysis, building the bridge between technology and practical, and promoting the practical application and industrialization of image processing technology.

当今社会，对高质量图像的诉求充斥着生产生活的每一个角落，图像超分辨率重建是众多相关应用的核心支撑技术。本项目从分析降质因素对图像特征的影响和具有人工倾向性的先验模型对特征的选择性保护角度出发，探讨并分析重建误差产生的原因，利用基于图像非局部结构信息和深度学习构架减小误差，从而达到提高彩色图像超分辨率重建质量的目的。研究内容及关键问题包括：（1）彩色图像的非局部同质块划分策略，引入图像结构约束，减少结构误差；（2）基于非局部块的自适应图像先验建模方案，减少人工倾向性误差；（3）具有普适性的图像退化建模方案，减少模型误差。该模型不仅适用于超分辨率重建领域，也可推广到信号重建、图像复原、三维重建等领域；（4）基于误差分析和深度学习的彩色图像超分辨率重建方案。这些研究成果将提供一套完整的彩色图像超分辨率重建理论和方法，搭建技术与实用之间的桥梁，促进图像处理技术的实用化和产业化。

图像作为信息的重要载体，已经成为人们生产生活必不可少的重要组成部分，高质量的图像是包括医疗、工业生产、军事应用、航空航天和智慧城市等关系国计民生行业的重大需求。目前，受到当前拍摄硬件、成像能力、拍摄环境、拍摄水平和价格水平等诸多方面的影响，图像污染、模糊、分辨率低等问题依旧存在，且矛盾日益突出。为了重建高质量的图像，获取重要的图像信息，本课题以超分辨率重建技术为研究背景，以图像为研究对象，挖掘了图像的自身结构信息及降质过程，研究了重建误差产生的根本原因。研究的主要内容包括：（1）设计了可学习的图像先验模型，旨在减少结构误差和局部细节误差等人工倾向性误差；（2）建立了新的数据一致性约束模型，减少模型误差。该模型不仅适用于超分辨率重建领域，更可以推广到信号重建、图像复原、三维重建等领域；（3）建立了基于误差分析和深度学习的图像超分辨率重建算法框架，为重建误差的抑制和消除提供了借鉴。本课题建立了基于误差分析的图像超分辨率重建理论框架和试验平台，搭建了技术与实用之间的桥梁，有益于促进图像处理技术的实用化和产业化。