基于L1范数的全变分正则化超分辨重构算法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (15): 212-216.

基于L1范数的全变分正则化超分辨重构算法

李志明

河西学院信息技术中心，甘肃张掖 734000

出版日期:2016-08-01 发布日期:2016-08-12

Super resolution reconstruction algorithm based on L1 norm of total variation regularization

LI Zhiming

Center for Information Technology, Hexi University, Zhangye, Gansu 734000, China

Online:2016-08-01 Published:2016-08-12

摘要/Abstract

摘要： 针对结构化照明显微成像系统的超分辨图像重构算法存在边界振铃效应、噪声免疫性差的问题，提出了一种基于L1范数的全变分正则化超分辨图像重构算法（简称L1/TV重构算法）。从结构化显微成像模型入手，分析了传统算法的设计原理和局限性；论述了L1/TV重构算法的原理，采用L1范数对重构图像保真度进行约束，并利用全变分正则化有效克服了重构过程的病态性，保护了重构图像边缘。对比研究传统重构算法和L1/TV重构算法的性能。实验结果表明：L1/TV重构算法具有更强的抗噪声干扰能力，重构图像空间分辨率更高。

关键词: 全变分, 正则化, 超分辨, L1范数, 重构

Abstract: The resolution image reconstruction algorithm of structured light microscopic imaging system has some problems such as ring effect, poor resistance to noise. This paper proposes a novel algorithm based on L1 norm and total variation regularization. Firstly, the design principle and limitations of the traditional algorithm are analyzed. Secondly, the principle of L1/TV and how to using L1 norm to constrain the resolution for reconstructing images are discussed. And then it uses total variation regularization to overcome the pathology while reconstructing the image and protect the edges of the image. The experimental results show that：L1/TV algorithm outperforms the traditional ones because it has a stronger resistance for noises and a higher resolution for the reconstructed images.

Key words: total variation, regularization, super resolution, L1 norm, reconstruction

李志明. 基于L1范数的全变分正则化超分辨重构算法[J]. 计算机工程与应用, 2016, 52(15): 212-216.

LI Zhiming. Super resolution reconstruction algorithm based on L1 norm of total variation regularization[J]. Computer Engineering and Applications, 2016, 52(15): 212-216.

[1]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[2]	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.
[3]	夏皓，吕宏峰，罗军，蔡念. 图像超分辨率深度学习研究及应用进展[J]. 计算机工程与应用, 2021, 57(24): 51-60.
[4]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.
[5]	刘璟，宋海川，黄建设，马利庄. 通道与空间注意力图像超分辨率网络[J]. 计算机工程与应用, 2021, 57(2): 209-216.
[6]	丁玉祥，卞维新，接标，赵俊. 融合邻域回归和稀疏表示的图像超分辨率重构[J]. 计算机工程与应用, 2021, 57(2): 230-236.
[7]	黄健，赵元元，郭苹，王静. 深度学习的单幅图像超分辨率重建方法综述[J]. 计算机工程与应用, 2021, 57(18): 13-23.
[8]	张述睿，张伯政，张福鑫，杨万春. 面向ICD疾病分类的深度学习方法研究[J]. 计算机工程与应用, 2021, 57(18): 172-180.
[9]	呼亚萍，孔韦韦，李萌，黄翠玲. 改进TV图像去噪模型的全景图像拼接算法[J]. 计算机工程与应用, 2021, 57(17): 203-209.
[10]	孙菁阳，陈凤东，韩越越，吴煜雯，甘雨，刘国栋. 图像超分辨率重建算法综述[J]. 计算机工程与应用, 2021, 57(17): 1-9.
[11]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.
[12]	李正，刘薇，张凯兵. 基于机器学习的遥感图像超分辨综述[J]. 计算机工程与应用, 2021, 57(13): 8-17.
[13]	谌贵辉，陈伍，李忠兵，易欣，刘会康，韩春阳. 残差卷积注意网络的图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(12): 193-200.
[14]	孙泽宇，董汉磊，苏艳超，徐琛，聂雅琳，李传锋. 传感网中基于能量有效的多参数数据重构方法[J]. 计算机工程与应用, 2021, 57(11): 103-110.
[15]	杨勇，郭玲，叶阳东. 全变分流边与M2GGD相结合的自然图像分割方法[J]. 计算机工程与应用, 2021, 57(11): 202-210.