如何对高清视频生成清晰动态图?你可以了解一下超分辨率重建。
什么是视频超分辨率重建
不知道大家有没有过这种烦恼:在电脑上看到有趣的地方,想要截个图,奈何分辨率太小,放大后看不清?保存了有趣的图片/表情包,想要用的时候竟变得模糊?每每遇到这种情况,就像一个度近视的人,摘下眼镜,便是恐慌。想要高清无码的世界,你需要了解一下什么是超分辨率重建。
超分辨率重建(Super-resolutionReconstruction)是一种由一序列低分辨率退化图像重建一幅(或序列)高分辨率清晰图像的第二代复原技术。
SR技术始于20世纪60年代,Harris和Goodman提出了单幅图像复的超分辨率方法,并采用PSF(PointSpreadFunction)的解析模型对大气扰动的模糊进行了去(反)卷积运算。
80年代末,在SR方法研究上取得了突破性进展,Andrews和Hunt诠释了超分辨率图像重建的理论基础,而且提出和发展了许多又使用价值的方法。SR主要有三类方法:频域外推方法;空域迭代方法;Bayesian方法等非线性复原方法。
实际应用中光束都有一定的聚焦宽度(通常是几百纳米米数量级),所以当被测组织中埋有两个相距较近的吸收体(如病变组织)时,从探测到的调制散射光中,两个吸收体的成像会出现混叠,难以分辨。这是因为吸收体分布图与聚焦超声分布图卷积的结果,使探测到的吸收体分布图被扩展。
如果能将混叠在一起的含有吸收体信息的调制信号锐化,从而分离它们,那么成像分辨率将得到提高。针对这个问题,采用去卷积法对由于聚焦超声场扫描而产生扩展的吸收体分布图进行预处理,再进行图像重建。理论和仿真结果表明,成像空间分辨率大大提高,图像质量明显改善。
超分辨率技术重建方法
目前SR技术主要有以下两大类:基于重建的方法、基于学习的方法。
1、基于重建的超分辨率技术:
基于重建的超分辨率方法的基础是均衡及非均衡采样定理。它假设低分辨率的输入采样信号(图像)能很好地预估出原始的高分辨率信号(图像)。绝大多数超分辨率算法都属于这一类,其中主要包括频域法和空域法。
频率域方法是图像超分辨率重建中一类重要方法,其中最主要的是消混叠重建方法。
消混叠重建方法是通过解混叠而改善图像的空间分辨率实现超分辨率复原,最早的研究工作是由Tsai和Huang在年进行的。在原始场景信号带宽有限的假设下,利用离散傅立叶变换和连续傅立叶变换之间的平移、混叠性质,给出了一个由一系列欠采样观察图像数据复原高分辨率图像的公式。
多幅观察图像经混频而得到的离散傅立叶变换系数与未知场景的连续傅立叶变换系数以方程组的形式联系起来,方程组的解就是原始图像的频率域系数,再对频率域系数进行傅立叶逆变换就可以实现原始图像的准确复原。
在空域类方法中,其线性空域观测模型涉及全局和局部运动、光学模糊、帧内运动模糊、空间可变点扩散函数、非理想采样等内容。空域方法具有很强的包含空域先验约束的能力,主要包括非均匀空间样本内插、迭代反投影方法、凸集投影法、最大后验概率以及混合MAP/POCS方法、最优和自适应滤波方法、确定性重建方法等。
2、基于学习的超分辨率技术
基于学习的方法是近年来超分辨率算法研究中的热点,它采用大量的高分辨率图像构造学习库产生学习模型,在对低分辨率图像进行恢复的过程中引入由学习模型获得的先验知识,以得到图像的高频细节,获得较好的图像恢复效果。
具体步骤为:
1、将高分辨率图像按照降质模型进行降质,产生训练集。
2、根据高分辨率图像的低频部分和高频部分对应关系对图像分块,通过一定算法进行学习,获得先验知识,建立学习模型。
3、以输入的低分辨率块为依据,在建立好的训练集中搜索最匹配的高频块。
基于学习的超分辨率方法中关键是建立学习模型,获得先验知识。常用的学习模型有马尔科夫随机场模型、图像金字塔模型、神经网络模型、主成分分析模型等。基于学习的方法充分利用了图像本身的先验知识,在不增加输入图像样本数量的情况下仍能产生高频细节,获得比基于重建方法更好的复原结果,并能较好的应用于人脸和文字等图像的复原。
超分辨率重建的优点以及应用
就图像分辨率的提高而言,可以有硬件和软件两种方式。在硬件方面,可以通过减小单个传感器的尺寸来实现。但这种方式会成倍地提高价格。而用软件的方法来实现超分辨率重建是基本上不需要任何成本的。
而其应用是相当地广泛:比如说下述几个应用便很广泛:
1、在视频领域,超分辨率可以在视频画质重生、视频带宽节约方面起到重要作用。
2、在医学成像系统中,可利用SR重建技术对病变目标进行精细检测;
3、在安全监控系统中,当有异常情况发生,可对监控录像进行SR重建,从而为时间的处理提供重要线索;
4、在处理军事与气象遥感图像时,在不改变探测系统的前提下,通过SR重建可实现高于系统分辨率的图像观测。
图像超分辨率重建的研究方向
目前,图像超分辨率重建的研究比较成熟,但距离实用还有较大差距。未来研究方向主要集中在以下几个方面:
1)发展和寻求新的退化模型,使成像模型更加精确和全面,实现对点扩散函数和噪声的精确估计。图像超分辨率增强的成功依赖于准确的、符合实际成像系统特性和成像条件的降模型,而要获得符合实际成像过程的降质模型是十分困难的,通常采用简单、确定的降质模型进行近似,这样的近似模型与实际成像过程差距较大。
2)压缩域的超分辨率重建。传统的超分辨率算法都是针对图像序列,而实际中最常见的图像序列是视频文件。因而下一步的工作可以针对不同的视频压缩格式和编解码技术,在超分辨率算法中综合考虑成像模型和压缩算法带来的图像降质效果,以及运动补偿和编码传输机制,实现压缩域的超分辨率重建。
3)效率和鲁棒性问题。目前的超分辨率算法具有很高的计算复杂度,如何减少计算量,提高算法速度,是下一步值得研究问题。同时,在目前很多算法中都做了各种假设,如照度变等,这在实际应用中是很难满足的,因此需要研究稳健的算法满足实际应用的需要。
4)模糊图像和三维图像的超分辨率研究。模糊一直是图像处理中的一个难点,如何对模糊图像进行超分辨率需要进一步研究。目前针对三维图像的超分辨率研究还很少,如何对三维图像进行建模也是一个值得研究的课题。
5)超分辨率客观评价标准研究。目前对于图像超分辨率结果主要依靠人的主观评价,缺少一种客观的评价标准,现有的PSNR、MSE等并不能很好的反映超分辨率效果,需要发展一种客观的评价机制。
采用AI中的深度学习技术,需要使用大量数据,算法工程师需选择合适的训练模型,进行训练与参数调优。目前此技术属于业内的前沿技术,掌握的厂商很少。
苏宁旗下子品牌苏宁视频云已累计服务客户超过个;苏宁视频云凭借PPTV十年媒体技术和服务经验,融合流媒体技术、P2P、CDN分发、海量存储、安全策略等构建的专注视频领域的一站式SaaS服务平台。PP云集视频云直播、云点播、云上传、云转码、云存储、云统计等功能于一体,多平台全方位支持客户各种视频场景的业务需求。
点击下方“阅读原文”