论文部分内容阅读
红外成像是一种利用红外成像设备将物体自身的红外辐射转化为图像的技术。因此,红外成像设备可在夜间和恶劣环境下工作,在诸多领域取得了广泛应用。然而受到红外成像系统分辨率的限制,红外图像通常分辨率较低。考虑到硬件实现和成本方面的制约,可采用超分辨率重建算法提高红外图像的分辨率。本文针对现有超分辨率重建算法的不足,提出两种基于稀疏表示的红外图像超分辨率重建算法。具体工作如下:(1)针对传统基于稀疏表示的图像超分辨率重建算法效率低问题,提出了基于稀疏表示的快速红外图像超分辨率重建算法。首先,综合考虑红外图像特征及算法效率,采用LOG算子提取低分辨率红外图像的特征;其次,使用K-SVD算法更新字典原子,并引进gOMP算法进行稀疏分解;最后,对重建后的高分辨率红外图像采用IBP算法进一步优化。实验结果表明,该算法重建图像质量与传统算法相近,但是算法效率较传统算法提高了11倍。(2)针对传统基于稀疏表示的图像超分辨率重建算法效率低以及(1)中算法重建图像质量欠佳问题,提出了基于互相关聚类的红外图像超分辨率重建算法。首先,结合字典训练效率和字典有效性,提出了基于相关系数的自适应聚类算法,将字典训练样本集自适应分成15类;其次,分别针对各子类训练样本集,采用拉格朗日对偶法更新字典原子及FsS算法进行稀疏分解;最后,在重建时,根据低分辨率输入样本与各子类低分辨率聚类中心之间的相关系数最大为原则,自适应选择子字典进行重建。实验结果表明,该算法在保证重建图像质量优越性的同时,算法效率较传统算法提高了 6倍。以上提出的两种算法均可有效提高红外图像的分辨率,且算法实时性较高,可用于红外热成像的图像清晰化处理中,具有广阔的应用前景。