基于R-滤子的多帧图像重建算法

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (17): 194-198.

基于R-滤子的多帧图像重建算法

何易德1，秦小林1，罗国涛2，陈帅1

1.中国科学院成都计算机应用研究所，成都 610041
2.四川托普信息技术职业学院计算机学院，成都 611743

出版日期:2015-09-01 发布日期:2015-09-14

Multi-frame image reconstruction algorithm based on R-filters

HE Yide1, QIN Xiaolin1, LUO Guotao2, CHEN Shuai1

1.Chengdu Institute of Computer Applications, Chinese Academy of Sciences, Chengdu 610041, China
2.College of Computer Science, Sichuan TOP IT Vocational Institute, Chengdu 611743, China

Online:2015-09-01 Published:2015-09-14

摘要/Abstract

摘要： 针对图像重建中低分辨率图像信息的利用和先验项（正则化项）的估计问题，提出一种新颖的算法——R-滤子方法，通过计算输入图像的高阶信息来构建先验项，同时采用广义交叉验证（Generalized Cross Validation，GCV）方法自适应求解先验项参数（正则化参数），加强算法的自适应性。实验结果表明：重建图像的峰值信噪比值（Peak Signal-to-Noise Ratio，PSNR）比目前主要先验项方法（BTV、Sparse、Huber）的重建图像的值更高，从重建图像的局部细节和纹理也看出该方法的重建图像具有更丰富的信息，同时，从构造方法上说明R-滤子方法在计算上要优于其他方法。

关键词: 图像重建, R-滤子, 广义交叉验证（GCV）, 自适应参数, 先验项, 峰值信噪比值（PSNR）

Abstract: In image reconstruction, making full use of low-resolution images and estimation prior is an important issue. This paper proposes a novel algorithm, using R-filters method, through calculating the high-level information of image and building prior term. At the same time, it takes advantage of the Generalized Cross-Validation（GCV） to solve adaptive regularization parameter, strengthens adaptivity of the algorithm. Result shows that compared to the current main reconstruction algorithm（BTV, Sparse, Huber）, the Peak Signal-to-Noise Ratio（PSNR） of images is higher than others and details are also richer, also from the construction it shows R-filter is superior than others.

Key words: image reconstruction, R-filters, Generalized Cross Validation（GCV）, adaptive parameter, prior, Peak Signal-to-Noise Ratio（PSNR）

何易德1，秦小林1，罗国涛2，陈帅1. 基于R-滤子的多帧图像重建算法[J]. 计算机工程与应用, 2015, 51(17): 194-198.

HE Yide1, QIN Xiaolin1, LUO Guotao2, CHEN Shuai1. Multi-frame image reconstruction algorithm based on R-filters[J]. Computer Engineering and Applications, 2015, 51(17): 194-198.

[1]	沈瑜，刘成，杨倩. 利用子空间稀疏特征的超分辨率图像重建算法[J]. 计算机工程与应用, 2021, 57(5): 173-182.
[2]	李飞，冯开勇，苑玮琦. 柔性印刷线路板LED缺陷检测方法的研究[J]. 计算机工程与应用, 2020, 56(5): 227-233.
[3]	王冲，尚晓清. 基于多字典的单幅图像超分辨率重建[J]. 计算机工程与应用, 2019, 55(5): 197-202.
[4]	谢伟1，王莉明1，胡欢君1，涂志刚2. 结合引导滤波的自适应多曝光图像融合[J]. 计算机工程与应用, 2019, 55(4): 193-199.
[5]	汪叶娇，周勇. 新形式勒让德矩的研究[J]. 计算机工程与应用, 2019, 55(22): 152-162.
[6]	曾有灵，陈耿铎，熊威，李喆. 基于Spark的CT图像FBP重建算法程序并行设计[J]. 计算机工程与应用, 2019, 55(10): 218-224.
[7]	赵海峰，夏国峰，宋维明，张少杰. 强噪声干扰下MR图像的脑组织分割[J]. 计算机工程与应用, 2018, 54(6): 183-187.
[8]	于康龙1，秦卫城1，杨进1，许若飞2. 超分辨重建图像质量评价算法[J]. 计算机工程与应用, 2017, 53(2): 201-205.
[9]	汪慧兰，杨晶晶，毛晓辉，石建平. 自适应的归一化卷积超分辨率重建算法研究[J]. 计算机工程与应用, 2016, 52(8): 191-195.
[10]	周勇，邢凯男，周雅慧. 基于三角函数的正交矩函数的误差预测与分析[J]. 计算机工程与应用, 2016, 52(2): 180-185.
[11]	查志远，刘辉，尚振宏，李润鑫. 基于l_1/2范数正则化的图像重建方法[J]. 计算机工程与应用, 2016, 52(18): 173-178.
[12]	张赫男，张绍文. 采用改进的混合遗传算法求解高校排课问题[J]. 计算机工程与应用, 2015, 51(5): 240-246.
[13]	李岩，袁小花，刘精松，柳培新，郑洁琼，张迪. 选择分块SVM电容层析成像改进方法[J]. 计算机工程与应用, 2013, 49(13): 110-113.
[14]	刘润丹1，潘新生2. 一种实时鲁棒的超分辨率图像重建方法[J]. 计算机工程与应用, 2012, 48(9): 178-180.
[15]	赵进创，刘金花，黎志刚，傅文利，李贤宇. 改进敏感场的电容层析成像图像重建算法[J]. 计算机工程与应用, 2012, 48(4): 167-169.