针对光学相机成像分辨率低、噪声干扰严重等问题, 本文提出一种能有效去噪的高精度超分辨方法 —基于快速 l1-范数稀疏表示和二阶广义全变分(TGV)的超分辨方法。首先利用各向异性扩散张量 (ADT)作为边缘高频信息, 通过快速 l1-范数稀疏表示方法建立 LR图像和相对应的高频信息 ADT的字典集; 其次将字典学习到的 ADT边缘信息和 TGV模型组合成新的规则项; 最后利用新的规则项建立超分辨代价函数, 并利用图像增强后处理方法对整幅图像进行优化。结果表明: 算法对仿真数据和 SO12233靶标数据具有较高的可行性和鲁棒性, 能有效去除噪声等异常点, 获得高质量清晰图像, 同时与其他经典算法相比, 所提算法超分辨的峰值信噪比和结构相似度均有所增大。

为了提升稀疏采样环境下的图像重建质量,针对广义全变分模型重建图像时不能充分利用图像本身结构自相似性信息的不足,建立了一个非局部约束下的改进广义全变分图像重建模型。该模型引入了变化域非局部自相似性作为图像重建的先验信息,同时在八邻域空间计算多方向的广义全变分正则化约束,从而更好地保护了图像的结构特征,进一步地,使用增广拉格朗日理论对模型进行去约束化、求解,提出了基于改进广义全变分的图像重建算法。仿真实验结果表明,所提出的重建模型和图像重建算法可以有效地去除图像中的伪影和噪声,满足稀疏采样情形下对图像重建质量的要求。与其他重建算法进行比较可知,本文算法所重建的图像不论是主观视觉效果,还是各个客观评价指标均有不同程度的改善和提高。

针对飞行时间相机获取深度图像分辨率低,并受成像噪声干扰的问题,提出一种插值深度图和高分辨率彩色图像联合约束的二阶广义全变分(TGV)深度图超分辨率重建方法。首先利用传统插值和多尺度形态学方法进行预处理,获取插值深度图的梯度信息,然后将插值深度图和同场景高分辨率彩色图像两者的梯度信息联合,对二阶TGV模型中的正则化项加以优化:计算各项异性扩散张量时结合插值深度图的梯度信息;引入由插值深度图梯度信息决定的加权因子,控制重建过程中扩散强度。最后通过原始对偶算法完成深度图的超分辨率重建。实验结果表明,本文方法在抑制噪声的基础上,有效保护了深度边缘,可以获得较好的高分辨率深度图像。