基于集中稀疏表示的天文图像超分辨率重建 下载: 1091次
1 引言
天文图像是由天文望远镜等设备所观测得到的外太空各种天体的图像,高质量的天文图像对科学研究、宇宙探索、天文学以及物理学的发展有着至关重要的作用。然而,天文图像在成像过程中容易受到大气湍流[1]、光子及电子噪声[2]、成像分辨率低[3]等因素的影响,从而产生退化,严重影响到对观测目标的识别与分析。其中,针对成像设备分辨率低所导致的天文图像退化,可以通过增大望远镜的口径来获得高分辨率的图像,但这会带来较高的制造和维护成本。因此,通过图像后处理技术提高天文图像的分辨率显得尤为重要。
超分辨率重建是指从退化的单帧或多帧低分辨率图像中恢复出高分辨率图像的图像处理技术[4]。图像超分辨率重建算法可以分为基于插值、基于重建和基于学习的算法[5-7]。基于插值的算法利用周边的像素信息对高分辨率图像进行估计,重建速度比较快,但重建图像过于平滑并且图像边缘会产生锯齿效应[8]。基于重建的算法利用图像的先验信息对重建过程进行约束,重建效果较插值法有所改善[9]。基于学习的算法通过学习高、低分辨率图像间的对应关系来重建高分辨率图像,可以获得更高的重建质量[10]。
Chang等[11]利用高、低分辨率图像块具有相似的流形特征,通过低分辨率图像块的近邻特征来估计高分辨率图像。Yang等[12-13]将稀疏表示的方法引入到图像超分辨率重建中,利用低分辨率图像的稀疏系数得到高分辨率图像。Zeyde等[14]对Yang算法进行了改进,使用主成分分析(PCA)对图像块进行降维处理并采用K-SVD算法进行字典学习,提高了图像重建效果。Timofte等[15]提出锚定邻域回归(ANR)算法,缩短了图像重建时间。Dong等[16]对样本图像块进行
传统的均值聚类在进行字典训练时需要设置初始聚类中心和聚类数,不同的初始值对训练字典和重建效果的影响较大。因此,本文提出一种基于层次聚类字典训练和集中稀疏表示的超分辨率重建算法,并将其应用于天文图像分辨率的提高中。在样本图像块分类中,使用基于层次的聚类算法,以获得更好的聚类效果,然后采用K-SVD算法对聚类后的图像块进行字典训练。此外,建立天文图像的集中稀疏表示模型,利用图像的非局部自相似性估计高分辨率图像的稀疏系数,从而抑制稀疏编码噪声。引入非局部自相似约束项,以进一步提高图像重建质量。仿真结果表明,本文算法可以较好地重建出高分辨率的天文图像。
2 基本原理
图像超分辨率重建旨在从退化的低分辨率图像中尽可能精确地恢复出高分辨率图像。设实际获取的低分辨率图像为
式中:
2.1 基于稀疏表示的图像超分辨率重建
自然图像的局部图像块具有稀疏特性,可以表示为字典中少量原子的线性组合[19]。设
式中:
式中:
式中:
结合(1)式所示的图像退化模型,可以得到基于稀疏表示的超分辨率重建模型,即求解如下的最小化问题:
其中
2.2 图像的非局部自相似性
Glasner等[20]研究发现,有超过90%的5×5大小的图像块存在着9个或更多的相似图像块。在图像复原中引入图像的这种非局部自相似的特性,可以提高重建图像的质量。具体而言,在整幅图像中搜寻
式中:
3 基于集中稀疏表示的超分辨率重建
单一的冗余字典在图像的稀疏表达中缺乏准确性,为了提高图像块与字典间的适应性,Yang等[21]利用
3.1 基于层次聚类的字典训练
层次聚类是一种通过一定的链接方式对数据集进行层次划分的聚类方法,与常见的均值聚类相比,层次聚类无需设置初始聚类中心和聚类数,聚类结果比较稳定。采用凝聚层次聚类算法进行图像块聚类划分,这是一种自底向上的层次聚类方式[22]。聚类过程如
层次聚类的结果可以通过树状图进行直观表达,
式中:
通过层次聚类将图像块进行聚类后,针对每类图像块进行单独的字典训练。Dong等[16-17]通过PCA算法进行多字典训练,这种算法具有较短的训练时间,但重建图像的质量不高。本文采用K-SVD算法[23]对不同类别的图像块进行独立训练得到多个紧凑型的字典,在保证训练速度的同时提高了字典的质量。K-SVD字典训练过程即求解下面的优化问题:
其中
3.2 集中稀疏表示
Dong等[17]研究表明,稀疏表示的超分辨率重建效果在很大程度上依赖于稀疏编码噪声的水平。稀疏编码噪声定义为
式中:
式中:
为了获得原始图像稀疏系数的良好估计,利用图像的非局部自相似性,通过相似图像块稀疏系数的线性组合来表示
式中:
式中:
3.3 超分辨率重建
将非局部自相似约束项加入到集中稀疏表示模型中,可得到完整的超分辨率重建模型,即
式中:
式中:
式中:
(16)式所示为
1) 将低分辨率图像的插值图像作为初始重建图像
2) 对图像进行分块,并通过计算图像块与聚类中心的间距对图像块进行归类,再根据对应的字典求出初始稀疏系数
3) 利用非局部自相似性计算权值矩阵
4) 通过软阈值算法迭代更新图像块的稀疏系数,即
式中:
5)将求解的
4 实验结果与分析
为了验证所提算法的有效性,针对天文图像进行3倍超分辨率重建实验,并将重建结果与常见的超分辨率重建方法的结果进行对比,常见的重建方法包括双三次插值法、基于稀疏表示的方法(ScSR)[13]、Zeyde方法[14]、锚定邻域回归的方法(ANR) [15]、自适应稀疏域选取与正则化的方法(ASDS)[16]和非局部集中稀疏表示的方法(NCSR) [17]。重建图像的效果采用主观视觉感受和客观评价指标结合的方式进行评判,客观评价指标为峰值信噪比(PSNR)和结构相似度(SSIM)。实验在Intel Xeon E3 3.30 GHz CPU的计算机上进行,仿真软件为MATLAB R2017a。
4.1 实验参数设置
将采用哈勃望远镜所拍摄的4幅天文图像以及卫星图作为测试图像集,如
不同的聚类数对图像重建结果的影响较大,过少的聚类数会降低类簇内的样本相似性,过多的聚类数会导致部分类簇因样本不足而影响训练字典质量。
图 3. 测试图像集。(a)星团;(b)星系;(c)木星;(d)卫星;(e)土星
Fig. 3. Test image set. (a) Cluster; (b) Galaxy; (c) Jupiter; (d) Satellite; (e) Saturn
图 4. 不同实验参数对重建结果影响。(a)聚类数;(b) γ
Fig. 4. Effects of different experimental parameters on reconstruction results. (a) Clustering number; (b) γ
4.2 实验结果分析
采用不同的算法对测试图像集进行超分辨率重建实验,其中“Satellite”图和“Saturn”图的超分辨率重建图像如
为了进一步验证本文算法的有效性,计算不同算法重建图像的PSNR和SSIM,结果如
图 5. Satellite图3 倍超分辨率重建结果。(a)原始图像;(b)双三次插值算法;(c) ScSR算法;(d) Zeyde算法;(e) ANR算法;(f) ASDS算法;(g) NCSR算法;(h)本文算法
Fig. 5. Super-resolution reconstruction results of Satellite with scale factor of 3. (a) Original image; (b) bicubic interpolation algorithm; (c) ScSR algorithm; (d) Zeyde algorithm; (e) ANR algorithm; (f) ASDS algorithm; (g) NCSR algorithm; (h) proposed algorithm
图 6. Saturn图3 倍超分辨率重建结果。(a)原始图像;(b)双三次插值算法;(c) ScSR算法;(d) Zeyde算法;(e) ANR算法;(f) ASDS算法;(g) NCSR算法;(h)本文算法
Fig. 6. Super-resolution reconstruction results of Saturn with scale factor of 3. (a) Original image; (b) bicubic interpolation algorithm; (c) ScSR algorithm; (d) Zeyde algorithm; (e) ANR algorithm; (f) ASDS algorithm; (g) NCSR algorithm; (h) proposed algorithm
表 1. 不同方法重建图像的PSNR对比
Table 1. Comparison of PSNR of reconstructed images obtained by different methodsdB
|
表 2. 不同方法重建图像的SSIM对比
Table 2. Comparison of SSIM of reconstructed images obtained by different methods
|
表 3. 不同方法重建时间对比
Table 3. Comparison of reconstruction time of different methodss
|
5 结论
提出了一种改进的基于集中稀疏表示的超分辨率重建算法,实现了天文图像的超分辨率重建。使用凝聚层次聚类图像块划分和K-SVD字典训练的方法,获得了重建效果更佳的多类字典。通过抑制稀疏编码噪声,得到了更加准确的稀疏系数。此外,利用图像的自相似性构建正则化项,将其结合到图像重建模型中。天文图像的实验结果表明,与传统超分辨率重建算法相比,本文算法具有更好的重建效果,能够恢复出更多的图像细节。在未来的工作中,将对聚类算法进行改进,以进一步提高图像重建质量和重建效率。
[6] 时文俊. 红外遥感图像TGV正则化超分辨率重建[J]. 激光与光电子学进展, 2018, 55(9): 091004.
[10] 邱康, 易本顺, 向勉, 等. 协作稀疏字典学习实现单幅图像超分辨率重建[J]. 光学学报, 2018, 38(9): 0910002.
[11] ChangH, Yeung DY, Xiong YM. Super-resolution through neighbor embedding[C]//Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004. CVPR 2004., June 27-July 2, 2004, Washington, DC, USA. New York: IEEE, 2004: 8152809.
[12] Yang JC, WrightJ, HuangT, et al. Image super-resolution as sparse representation of raw image patches[C]//2008 IEEE Conference on Computer Vision and Pattern Recognition, June 23-28, 2008, Anchorage, AK, USA. New York: IEEE, 2008: 10139952.
[13] Yang J C, Wright J, Huang T S, et al. Image super-resolution via sparse representation[J]. IEEE Transactions on Image Processing, 2010, 19(11): 2861-2873.
[14] ZeydeR, EladM, ProtterM. On single image scale-up using sparse-representations[M] //Boissonnat J D, Chenin P, Cohen A, et al. Curves and surfaces. Lecture notes in computer science. Berlin, Heidelberg: Springer, 2012, 6920: 711- 730.
[15] TimofteR, DeV, Gool LV. Anchored neighborhood regression for fast example-based super-resolution[C]//2013 IEEE International Conference on Computer Vision, December 1-8, 2013, Sydney, NSW, Australia. New York: IEEE, 2013: 1920- 1927.
[18] 褚晶辉, 胡风硕, 张佳祺, 等. 一种改进的单帧磁共振图像超分辨率算法[J]. 激光与光电子学进展, 2018, 55(5): 051009.
[20] GlasnerD, BagonS, IraniM. Super-resolution from a single image[C]//2009 IEEE 12th International Conference on Computer Vision, September 29-October 2, 2009, Kyoto, Japan. New York: IEEE, 2009: 349- 356.
[22] Xu R. WunschII D. Survey of clustering algorithms[J]. IEEE Transactions on Neural Networks, 2005, 16(3): 645-678.
Article Outline
段亚康, 罗林, 李金龙, 高晓蓉. 基于集中稀疏表示的天文图像超分辨率重建[J]. 激光与光电子学进展, 2019, 56(22): 221004. Yakang Duan, Lin Luo, Jinlong Li, Xiaorong Gao. Super-Resolution Reconstruction of Astronomical Images Based on Centralized Sparse Representation[J]. Laser & Optoelectronics Progress, 2019, 56(22): 221004.