基于最小均方误差linear minimum mean square error(LMMSE)插值算法的图像超分辨重构研究-附Matlab代码

这篇具有很好参考价值的文章主要介绍了基于最小均方误差linear minimum mean square error(LMMSE)插值算法的图像超分辨重构研究-附Matlab代码。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

✳️ 一、引言

图像是一种表达信息的形式,其中,数字图像反馈的信息更加丰富。 在获取图像的过程中,图像的形成、传输、存储、处理过程受到外界干扰或成像设备自身的局限等多种因素,导致获取的图像质量不高,使图像分辨率下降,这种情况称为降质或退化,具体表现为图像模糊、有噪声、分辨率下降、图像失真、振铃波纹、边缘信息丢失或产生马赛克等质量下降等现象,这给处理图像和后续应用带来很大影响。 由于造成图像质量下降的因素有很多,例如:空气流动造成摄影设备晃动、摄影设备移动中模糊,设备像素不高、光学系统差别、成像设备局限性以及频谱混叠等,因此,图像质量下降的原因没有办法从根本上解决。

✳️ 二、图像复原基本原理

图像复原是利用对退化图像的先验知识以及对其退化过程的研究,来尽量重建或复原退化的图像,得到原图像的最佳估计图像。 因此,图像复原可以看成是沿着图像降质过程反方向处理的逆过程,是对图像降质过程加以分析和估计,建立相应的图像退化的数学模型,尽量消除退化过程造成的失真情况,以此方式获得未经退化的原始图像或原始图像的最优估计,从而达到提高图像质量的目的。

图像复原是根据图像的退化成因,通过图像处理技术尽量地去除或减少在获得观测图像过程中产生的降质影响,因为使图像降质的原因很多,不便一一建模分析,所以通常用统一基础数学模型对图像的模糊过程进行描述。在图像复原过程中,高分辨率图像可以用f(n1, n2)表示,其中n1,n2=0,1,2,…,N-1。相应的低分辨率图像则为g(m1, m 2),其中m1,m2=0,1,2,…,M-1。 其中M=N/R,R是f(n1, n2)和 g(m1, m 2)采样率。 在不考虑模糊噪声的情况下,高分辨率图像和低分辨率图像的关系可用以下模型表示:

基于最小均方误差linear minimum mean square error(LMMSE)插值算法的图像超分辨重构研究-附Matlab代码
其中,f为按照字典序排列的未知高分辨率图像向量,g为按照字典序排列的拍摄时所获取的已降质的低分辨率图像向量,v则是相应的噪声值向量。 根据字典序准则,向量g和向量v分别为 M 2 × 1 {{M}^{2}}\times 1 M2×1维的矩阵,f为 N 2 × 1 {{N}^{2}}\times 1 N2×1维矩阵。矩阵D在此则表示在高分辨率图像和低分辨率图像的转换过程中的降采样及滤波矩阵,为 M 2 × N 2 {{M}^{2}}\times {{N}^{2}} M2×N2矩阵

✳️ 三、基于多通道LMMSE图像复原法

✳️ 3.1 最小均方误差LMMSE插值理论

LMMSE是指线性最小均方误差,是在假设图像信号可近似地看成平稳随机的前提下,按照复原后的优化图像与原图像f(x, y)的均方差最小原则来进行相关图像复原处理。多通道图像复原能够产生超过比合成通道以及分别复原的图像复原方法的更加显著的效果,可以利用原图像通道间的关联性达到抑制噪声和复原图像获得优化图像的最终目的。

多通道复原就是获得多幅与LR图像维度相同的未降质图像。 那么,想要达到这个目的就需要一个简化的降质模型,此模型不考虑滤波算子D和降采样。对于包含P个通道,维度为M×M的多通道成像系统,多通道降质模型可以写成如下模式:

基于最小均方误差linear minimum mean square error(LMMSE)插值算法的图像超分辨重构研究-附Matlab代码

其中,g、f和v为 P × M 2 P\times {{M}^{2}} P×M2维矩阵;多通道图像降质模型中的降质操作算子H是 M 2 × N 2 {{M}^{2}}\times {{N}^{2}} M2×N2维矩阵。

LMMSE图像插值算法可应用于多通道图像复原,推导相应的LMMSE图像复原算法。基于LMMSE的公式为:

基于最小均方误差linear minimum mean square error(LMMSE)插值算法的图像超分辨重构研究-附Matlab代码

式中: R f {{R}_{f}} Rf R v {{R}_{v}} Rv分别为多通道图像和噪声相关矩阵,它们的维数是 P M 2 × P N 2 P{{M}^{2}}\times P{{N}^{2}} PM2×PN2

在定义噪声的自相关矩阵 R v {{R}_{v}} Rv时,可以假设两道噪声之间不相关。 假设v为白噪声,则 R v k k = δ k k 2 I {{R}_{v}}^{kk}=\delta _{kk}^{2}I Rvkk=δkk2I,其中 δ k k 2 \delta _{kk}^{2} δkk2是 的方差。

✳️ 3.2 理论公式对应的Matlab关键代码

关键公式对应的Matlab代码如下:

R_v为对角矩阵,其主对角线元素为含噪低分辨率图像的噪声方差:

R_v = speye(M^2)*n_var;   

LMMSE插值后的高分辨率图像,对应代码如下:

f = R_f*D'*inv(D*R_f*D'+R_v)*g;

其中,自相关矩阵处理代码如下

R_f = zeros(N,N);      % 定义 图像与噪声的 自相关矩阵
R_f = RRR';
R_f = im2col(R_f,[N N],'distinct'); % 转换为向量
R_f = sparse(1:N^2,1:N^2,R_f);      % 稀疏矩阵

✳️ 四、实验验证

在模拟实验中,首先对原始图像进行降采样,然后加入高斯白噪声(AWGN)来模拟低分辨率图像降质模型,最后,对低分辨率图像进行双线性插值重构原始图像,结果如图1所示,此时,重构图像与原始图像之间的峰值信噪比为32.1843。

基于最小均方误差linear minimum mean square error(LMMSE)插值算法的图像超分辨重构研究-附Matlab代码

图 1 基于LMMSE插值的重构结果

✳️ 五、参考文献

[1] 吴锡,周激流,谢明元.改进LMMSE的弥散加权磁共振图像Rician噪声复原[J].电子学报,2013(4): 717-721.

[2] 穆晓芳,赵月爱,张朝霞,等.一种改进的NAS-RIF图像盲复原算法[J]. 太原师范学院学报(自然科学版),2008,8(1): 71-75.

[3] 檀成龙. 多通道正则化图像复原方法研究[J]. 测绘与空间地理信息, 2022, 45(04): 223-225.

✳️ 六、Matlab程序获取与验证

上述演示实例由Matlab代码实现,该Matlab代码如下:

https://download.csdn.net/download/m0_70745318/87765217


博主简介:研究方向涉及智能图像处理、深度学习、卷积神经网络等领域,先后发表过多篇SCI论文,在科研方面经验丰富。任何与算法程序科研方面的问题,均可私信交流讨论文章来源地址https://www.toymoban.com/news/detail-413293.html


到了这里,关于基于最小均方误差linear minimum mean square error(LMMSE)插值算法的图像超分辨重构研究-附Matlab代码的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 图像处理之图像质量评价指标MSE(均方误差)

    一、MSE基本定义 MSE全称为“Mean Square Error”,中文意思即为均方误差,是衡量图像质量的指标之一。计算原理为 真实值与预测值的差值的平方然后求和再平均 ,公式如下: 其中, M为图像I的像素总数,N为图像K的像素总数。 MSE值越小,说明图像越相似 。计算MSE有四种方法:

    2024年02月05日
    浏览(39)
  • 方差、标准差、均方差、均方根值(RMS)、均方根误差(RMSE)

    方差反映的是每个样本值与全体样本值的平均数之差的平方值的平均数。衡量随机变量或者一组数据与其期望的偏离程度。偏离程度越小,说明X的数值越稳定。也就是偏离平均数的距离的平均数,注意不是有效值( RMS )。计算公式如下: 它的数学含义为: 标准差(Standard

    2024年02月15日
    浏览(35)
  • [论文笔记]Root Mean Square Layer Normalization

    今天带来论文Root Mean Square Layer Normalization的笔记,论文题目是均方根层归一化。 本篇工作提出了RMSNorm,认为可以省略重新居中步骤。 层归一化对Transformer等模型非常重要,它可以帮助稳定训练并提升模型收敛性,因为它能够处理输入和权重矩阵的重新居中(re-centering)和重新缩

    2024年04月17日
    浏览(31)
  • 回声消除(AEC)原理、算法及实战——LMS(Least Mean Square)

    回声消除是语音通信前端处理中的一种重要技术,产生的原因是:在实时音视频通话中,扬声器播放的声音有再次录进了麦克风去。 在即时通讯应用中,需要进行双方,或是多方的实时语音交流,在要求较高的场合,通常都是采用外置音箱放音,这样必然会产生回音,即一方

    2024年02月04日
    浏览(52)
  • MATLAB知识点: SSE: 误差平方和、 MSE: 均方误差、RMSE: 均方根误差、MAE: 平均绝对误差、MAPE: 平均绝对百分比误差、SMAPE: 对称平均绝对百分比误差、R方: 决定系数

    ​讲解视频:可以在bilibili搜索《MATLAB教程新手入门篇——数学建模清风主讲》。​ MATLAB教程新手入门篇(数学建模清风主讲,适合零基础同学观看)_哔哩哔哩_bilibili 节选自第3章 3.4.2 算术运算 学完了矩阵的算术运算后,我们来做一些练习。 假设真实值是向量 ,拟合值或

    2024年02月21日
    浏览(42)
  • 最小均方混音方法

    一、简介: 一种利用数字信号处理技术实现的混音方法,它可以将多路信号混合成一个信号,并最小化混合信号与原始信号的误差平方和。该方法可以用于音频信号、图像信号等多种信号处理场景。 二、原理: 利用线性代数中的矩阵分解和最小二乘法。假设有m个信号源,每

    2023年04月08日
    浏览(35)
  • 传统语音增强——最小均方(LMS)自适应滤波算法

    一、语音降噪的意义 语音降噪主要研究如何利用信号处理技术消除信号中的强噪声干扰,从而提高输出信噪比以提取出有用信号的技术。消除信号中噪声污染的通常方法是让受污染的信号通过一个能抑制噪声而让信号相对不变的滤波器,此滤波器从信号不可检测的噪声场中取

    2024年02月03日
    浏览(49)
  • What are the meaning of linear_velocity and angular_velocity?

    linear_velocity and angular_velocity are commonly used concepts in robotics. linear_velocity refers to the speed of movement in a straight line. It is measured in meters/second (m/s). For a mobile robot, the linear velocity refers to the speed at which the robot as a whole is moving in a straight line. angular_velocity refers to the speed of rotation, measur

    2023年04月24日
    浏览(42)
  • 偏最小二乘(Partial Least Squares,PLS)原理及模型建立

    随着对数据驱动的工业检测与诊断方法的逐步深入,过程监测的多元统计需要总结的东西越来越多,那么今天来整理一下。 内容较多,理论较复杂,建议细品,你品!最好推一遍~ It’s time to conclude PLS!!! PCA和偏最小二乘(PLS)是从 数据中描述正常情况 的首选方法。 天气

    2024年02月16日
    浏览(44)
  • 动态规划问题-最小编辑距离(Minimum Edit Distance)

    我们今天要探讨的动态规划问题来源于俄罗斯科学家Levenshtein提出的两个对象之间的不相似度,在音频、语言翻译等领域有广泛的应用。如果用于评估字符串之间的不相似度,那么又称为最小编辑距离MED(Minimum Edit Distance),它规定从string 1到转换成 string 2的最少操作数,最少操

    2024年02月09日
    浏览(52)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包