MATLAB铁路监控视频的超分辨率技术研究(13)
方差为1 方差为0.00001
情况3 （0，0），（0，1）（1，0），（1，1） 大小为4 4
方差为1 方差为.0.00001
情况4 （0，0），（0，1）（1，0），（1，1） 大小为3 3
方差为1 方差为0.00009
表3.2与表3.3为A ,B两个图象重建结果的PSNR值，其中PSNR值越大就代表失真越少。
从实验结果可见，重建所得的图像与低分辨率图像通过双线性插值所得到的图像相比，得到了更好的效果，分析实验数据可知，加入不同的运动模糊和噪声值，所得到的实验结果各不相同，我们可以明显地看出重建后图像内的噪声减小了许多，边缘也得到了很好的保持。
为了验证算法的去噪效果，我们对其中的A图按表3.1的实验设置进行超分辨率重建（此次实验加入的噪声均值为0.1），所得到得表3.4为A图象重建结果的PSNR值。
(a)情况1 (b)情况2
(c)情况3 (d)情况4
图3.6 实验得到不同的重建结果
(a)情况1 (b)情况2
(c)情况3 (d)情况4
图3.7 实验得到不同的重建结果
表3.2 A图象重建结果的PSNR
情况1 情况2 情况3 情况4
双线性插值PSNR 20.732 21.452 21.121 20.189
重建图像 PSNR 23.464 22.905 23.676 21.708
表3.3 B图象重建结果的PSNR
情况1 情况2 情况3 情况4
双线性插值PSNR 20.132 20.395 20.864 20.389
重建图像 PSNR 21.438 21.905 22.676 21.758
表3.4 A图象重建结果的PSNR
情况1 情况2 情况3 情况4
双线性插值
PSNR 15.356 16.202 16.721 15.205
重建图像
PSNR 17.761 17.852 18.451 17.503
(c)情况3 (d)情况4
图3.7 实验得到不同的重建结果
从实验结果可见，对测试图像加入均值不为0的噪声（如椒盐噪声）时所得到的图像的效果比加入噪声均值为0时的噪声的重建效果要差，这就说明了凸集投影算法降噪能力较差。分析实验数据可知，重建后图像内的噪声有所减小，边缘也得到了保持。
4.3 传统正则化超分辨率算法实验结果与分析
在超分辨率技术中，正则化方法的主要目的是考虑图像的先验信息，引入合理的约束来得到更好的复原结果。本实验首先读取原始测试图像，通过高斯模糊产生高斯模糊图像，然后加入噪声进行迭代，求解出正则化参数，最后得到超分辨率图像重建结果。
本文实验从基于噪声分布的方法入手，迭代算法形式如式（2.12）所示。加入的均值为0，方差为0.005高斯噪声。测试图像的原始图像和降质图像如图3.7和图3.8所示。图3.8显示了传统正则化方法重建的图像。可见传统正则化方法相更好的保持了图像的边缘和纹理，同时又保持了更好的去噪效果。图3.8中所示重建图像，计算出的PSNR=17.931。由于传统正则化方法根据图像边缘情况对图像加以局部的控制，因此得到了更好的正则建效果。
下一篇：基于旋律的音乐检索系统设计与实现