MATLAB铁路监控视频的超分辨率技术研究

MATLAB铁路监控视频的超分辨率技术研究 ---------------------------------------------------------------范文最新推荐------------------------------------------------------ MATLAB铁路监控视频的超分辨率技 术研究 摘要:超分辨率重建算法利用多帧图像的互补信息，从一系列质量较差的低分辨率图像来重建一幅质量较好的高分辨率图像,从而提高图像的清晰度。 首先，本文介绍了几种经典的超分辨率重建算法，在此基础上分析了超分辨率重建的几个关键要素和算法的质量评价 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 。其次，本文使用MATLAB编程语言实现了两种空间域的超分辨率重建算法:一种是凸集投影算法，它在一个矢量空间中定义闭合的凸型集合，任意的初始估计向这些约束集合进行投影就能获得高分辨率估计图像,另一种是传统正则化算法，本文的正则化参数选择为部分重建图像的线性 函数 excel方差函数excelsd函数已知函数     2 f x m x mx m      2 1 4 2拉格朗日函数pdf函数公式下载 ，通过引入合理的约束来得到高分辨率图像。 仿真结果表明传统正则化算法性能虽然优于一些算法，但是由于只是对图像边缘情况加以控制，得到的 1 / 29 高分辨率图像效果不理想。相比较而言，凸集投影算 法运算量较大，重建出的图像内噪声减小了许多，边 缘也得到了很好的保持。5332 关键词:超分辨率重建,传统正则化法,凸集投影 法 Designing of Railway Surveillance video Super-resolution Study Abstract: Super-resolution restoration refers to restore a high-resolution image from multiple low-resolution images by the comprehensive utilization of wealthy complementary imformation between the multiple frames to improve image acuity. We first introduce several classical algorithm of super-resolution reconstruction,then we analysis several key elements of super-resolution restoration. On the basis of it,we discuss the quality evaluation criteria of the algorithm. Secondly,we use Matlab programming language to accomplish two spatial super-resolution reconstruction ---------------------------------------------------------------范文最新推荐------------------------------------------------------ algorithms:one is Projection onto Convex Sets(POCS),it definits closed convex set in the vector space. Any initial estimate project to the constraint set can get high-resolution estimation image, another is conventional regularization algorithm.In this paper,to get high resolution images by introducing reasonable constraints we select some linear function of the reconstructed image as regularization parameter. 3.2 传统正则化超分辨率重建算法15 4算法实现与分析18 4.1 POCS算法的实现18 4.1.1用差值 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 构造参考帧18 4.1.2运动估计18 3 / 29 4.1.3基于点扩散函数的修正19 4.1.4POCS算法中有关参数值的选取20 4.2 凸集投影算法实验结果与分析20 4.3 传统正则化超分辨率算法实验结果与分析26 5总结与展望30 致谢31 参考文献32 1绪论 1.1 研究背景与研究意义 在现今的条件下，要提高数字图像的成像分辨率，一般考虑的是改进成像传感器本身，增加传感器采样密度，从而获取分辨率较高的图像，但是受到传感器本身的物理条件及高昂费用的限制，又是根本无法实 ---------------------------------------------------------------范文最新推荐------------------------------------------------------ 现。因此需要这样一门技术:在特定的成像系统条件下，突破其成像限制获取高分辨率的图像。图像超分辨率重建技术就是从一系列质量较差、低分辨率的图像重建出一副质量更好的高分辨率图像，以现有的条件弥补原先图像分辨率的不足，提高图像的分辨率与清晰度。超分辨率重建技术的研究与应用，可以更好的为目标识别与定位，遥感侦察，视频增强与复原等应用服务，在许多领域内都具有非常重要的应用前景。超分辨率重建技术可对普通监控录像进行高分辨率重建，提高图像中关键信息的识别能力，对于年代久远的一些影像资料，也可以用超分辨率重建技术进行处理来提高图像的质量，此外，此技术还可用于道路，桥梁，图书馆，收费站等场合监控视屏资料的高分辨率重建，在突发事件的处理， 责任 安全质量包保责任状安全管理目标责任状8安全事故责任追究制幼儿园安全责任状占有损害赔偿请求权 认定方面起着重要的作用。和其他领域的超分辨率重建相比，监控视频由于其独特性及广泛的应用前景，使得针对监控视频图像的超分辨率重建技术显得尤为关键。 超分辨率是现在比较热门的一种图像处理技术，它 5 / 29 将几幅分辨较低的图像合成为一幅分辨率较高的图像，对于改善铁路监控视频的质量具有重要的意义。解决该问题的关键是根据视频的降质模型，并在此基础上求出最佳的估计值。本课题的意义在于需要了解超分辨率技术的原理、分类、以及目前常用的几种超分辨率方法，并通过仿真软件对铁路监控视频超分辨率重建，比较各种方法的性能。 视频超分辨率增强有许多应用场合，如根据视频信号来产生超分辨率静态图像，扩大图像和增加细节,把普通视频信号转换成高清晰度电视标准或产生合成视频变焦(合成视频变焦就是把视频显示的一个区域按某一倍数进行放大,然后重新播放) 等。视频超分辨率增强在近年来已经成为国际上最为活跃的研究领域之一。随着多媒体应用需求带来的进一步的视频应用，视频超分辨率增强技术将具有十分重要的应用价值和广阔的应用前景。 1.2 图像超分辨率重建的应用 由于超分辨率重建技术在一定条件下，可以克服图像系统内在分辨率的限制，提高被处理图像的分辨率， ---------------------------------------------------------------范文最新推荐------------------------------------------------------ 因而超辨率技术的应用正在快速的增长，在视频、遥感、医学和安全监控等领域具都有十分重要的应用。例如: (1) 在数字电视(DTV)向高清晰度电视(HDTV)过度阶段，仅有部分电视节目会以HDTV 的形式播出，不少节目采用的是DTV 的形式。因此，可以利用超分辨率重建技术将DTV 信号转化为与HDTV 接收机相匹配的信号，提高电视节目的兼容性。 (2) 在采集军事与气象遥感图像时，由于受到成像条件与成像系统分辨率的限制，不可能获得清晰度很高的图像, 而通过利用超分辨率重建技术，在不改变卫星图像探测系统的前提下，可实现高于系统分辨率的图像观测。在公共安全领域，超分辨图像重建技术也有着很广阔的应用，超分辨率图像重建技术可以利用普通监视录像资料，重建出高清晰的目标图像，从而有利于相关人员的辨识。 7 / 29 总之，随着超分辨率技术的发展和完善，其应用领域会继续扩大，图像超分辨率处理技术有着较为广阔的发展空间，并且因其良好的应用前景也会吸引人们更多的关注。 1.4 论文内容及主要工作 本文主要研究了灰度图像超分辨重构算法，考虑了图像退化模型已知和未知，有噪声和无噪声等情况，对于提出的每个算法都进行了实验结果分析。在深入研究现有图像超分辨处理技术的基础上，希望提出一些新的思想，引入一些新的方法与途径，来提高图像超分辨率的成像质量。 本文第1章主要介绍了课题的原理及背景和一些经典的超分辨率复原图像的质量，或者提高既有算法的性能和效率。在论文中首先建立超分辨率复原的降质化模型，用软件的方法生成低分辨率观测序列图像，并用基于图像配准的运动参数估计方法对观测序列图像的运动信息进行估计。分析并比较时间域以及空间域的各种超分辨率算法的性能，选取一种较为直接而且有效的算法作为本课题研究的主要算法,第2章主 ---------------------------------------------------------------范文最新推荐------------------------------------------------------ 要介绍了经典的超分辨率重建算法，包括超分辨率的概述频域、空间域的方法，以及超分辨率的步骤和图像重建的质量评价,第3章则是着重对两种空间域超分辨率重建算法进行介绍,第4章为对算法的实现与分析,最后是对本文进行了总结，并展望了以后的工作。 2经典的超分辨率重建算法介绍 低分辨率图像可以看成高分辨率图像经过加权平均和亚采样的结果。加权平均相当于低通滤波，所以高分辨率图像中的某些高频成分在低分辨率图像中已经不复存在。其结果是图像中目标与背景之间或目标内部的对比度降低，图像分辨率目标的能力降低，甚至无非从图像中识别出某些小目标。图像超分辨率就是要在减小采样间隔的同时解除低通滤波产生的模糊，即在放大的图像中再现更多的图像细节。 9 / 29 ,1,运动估计:估计低分辨率图像序列的信息在待恢复HR图像中的对应位臵，确定由低分辨率图像的子像素运动所形成的位移算子。 2,几何形变:根据运动估计结果，将低分辨率图 , 像信息通过插值和几何形变还原到HR图像坐标中。 ,3,信息融合:将还原到HR图像坐标中的信息融合到一张图片中，可以采用多种信息融合算法。 ,4,去模糊和噪声:在HR融合图像中需要去除模糊和噪声，如果图像模糊和噪声未知，需要先图像序列中估计。超分辨率影像重建技术于60年代由Hamm和Goodman最初以单张影像复原的概念和方法提出，随后许多人对其进行了研究，并相继提出了各种复原方法，虽然这些方法做出了较好的仿真结果，但并没有在实际中得到广泛的应用。80年代末之后，随着计算机技术、电子技术以及信号处理理论与技术特别是小波理论、自适应滤波理论以及一些优化理论的发展，人们在超分辨率影像重建方法研究上取得了突破性进展，研究成果倍出，其应用涵盖了航空航天遥感、目 ---------------------------------------------------------------范文最新推荐------------------------------------------------------ 标识别、医学计算机层析成像、空中目标光电监视成像等诸多领域。值得一提的是，国际著名的光学仪器制造公司Lexical/Holloway公司、法国国家航天研究中心已经把该领域的理论研究成果转化到硬件产品--交错CCD传感器阵列的设计中，并已将其分别应用于他们的遥感设备“ADS40”和“SPOT5”卫星，取得了相当理想的效果。从目前的研究和应用成果来看，人们提出了很多图像超分辨率算法。这些算法按照可以获得的低分辨率图像的数量可以分为两类:1)序列图像的高分辨率估计:组 合同 劳动合同范本免费下载装修合同范本免费下载租赁合同免费下载房屋买卖合同下载劳务合同范本下载 一场景的多幅低分辨率图像以获得一幅高分辨率图像的过程;2)单幅图像的高分辨率估计:由一幅低分辨率图像得到一幅高分辨率图像的过程。另外，序列图像超分辨算法也可以分为空间域方法和频率域方法。早期的研究工作主要集中在频率域进行，但随着更一般的退化模型的考虑，后期的研究工作几乎都集中在空间域进行[4]。 (1) 使用全局位移的运动模型:频域算法的提出最初 11 / 29 是为了处理卫星图片，不同的图片之间只是拍摄角度有细微的差别，所以可以方便地应用全局位移模型，不过对于一般的图像序列全局位移的要求很可能不被满足，由于傅立叶变换的平移特性是频域算法使用的基本技术之一，很难对运动模型进行调整以适应有局部运动情况的图像序列，缺少灵活性，从而限制了在大多数实际情况。 (2) 退化模型与运动模型的问题类似，频域算法因为要把所有像素点统一转换到频域进行处理，所以无法应用随空间变化的退化模型，没有考虑光学系统的点扩散函数PSF、运动模糊和观测噪声的影响。对观察噪声的处理能力也非常有限。 (3) 先验知识的应用:超分辨率图像重构是病态求逆的过程，因此恢复过程中利用各种先验知识进行图像调整是很重要的。通常最有用的先验知识都是在空间域对图像的重构范围进行限制的，它们很难被用于频域，除非其效果是移不变的。 (4) 图像频带受限:图像频带有限与全局位移都是进行频域重构的基本假设。算法中L值的设臵会限制重 ---------------------------------------------------------------范文最新推荐------------------------------------------------------ 构图像的质量，如果设臵得高，就会导致线性方程组中的未知量过多，数据点不足的问题。 2.2 空间域方法 空域法是图像超分辨率重建应用中另一类主要的方法，是目前研究的热点，它的性能要远远高于频域的方法。它将复杂的运动模型与相应的插值、迭代及滤波重采样放在一起进行处理，作为影像重建的全部内容，其线性空间域观测模型涉及到全局和局部运动、光学模糊、帧内运动模糊、空间可变点扩散函数、非理想采样及其他一些内容。空域法主要有三种方法:第一种是迭代反投影法,IBP,，第二种是POCS方法，第三种是Bayesian方法[8]。 图2.3 空域法图像复原流程图 13 / 29 2.1.2凸集投影法 将超分辨率解空间中的可行解的限制条件定义为限制集，并把这些限制条件定义为向量空间中的凸集，凸限制集的交集就形成了超分辨率重建的最终解空间。Stack在1987年首次将这种理论应用到超分辨率重建中，此方法能有效的抑制噪声的影响，但只考虑了整体平移的运动模型，没有考虑运动模糊的影响。针对这些缺陷，Tekalp等提出一种包含系统矩阵的运动模型，可消除LR采样引起的退化和由于传感器和景物间的相对运动产生的模糊影响[10]。凸集投影法具有较好的重建效果，但是其求解没有唯一性，稳定性不高。 2.1.3迭代反投影法 迭代反投影法是一种直观简单的超分辨率重建方法，由Irani和Peleg提出。在迭代反投影方法中，将估计的高分辨率图像模拟出来的低分辨率图像与实际得到的低分辨率图像的差值反投影迭代，直到使得差值到达最小化。 ---------------------------------------------------------------范文最新推荐------------------------------------------------------ 2.1.4最大后验概率估计法 以图像先验概率密度函数为限制条件的最大后验概率估计法，由于较好的重建效果得到广泛的重视，成为解决超分辨率重建问题最重要的方法之一，schultz和stevenson最早将最大后验概率估计法应用于以Huber-Markov随机场最为先验知识的序列图像超分辨率重建。他们提出一种基于运动补偿亚采样矩阵的观测模型，并引入运动估计向量可信度验证算法，提高了运动参数估计的准确度，大大改善了超分辨率重建的效果。最大后验概率估计法可以同时实现运动参数估计与图像重建，因此在实践中得到非常广泛的应用。 2.2 超分辨率重建技术的步骤 超分辨率重建技术的主要步骤是:?配准 ?重建,差值计算, ?复原, 配准的含义是将不同时间、不同传感器,成像设备,或不同条件下,天气、角度、摄像位臵和角度等,获取的两幅或多幅图像进行匹配、叠加的过程。 15 / 29 其中， 为分辨率增强因子， 为原始高分辨率图像， 为超分辨率重建后的高分辨率图像，图像大小为 。 PSNR的优缺点很明显，它是最普遍，最广泛使用的评鉴画质的客观量测法，不过许多实验结果都显示，PSNR的分数无法和人眼看到的视觉品质完全一致，有可能PSNR较高者看起来反而比PSNR较低者差。这是因为人眼的视觉对于误差的敏感度并不是绝对的，其感知结果会受到许多因素的影响而产生变化,例如:人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个区域的感知结果会受到其周围邻近区域的影响,。 3两种空间域超分辨率重建算法 3.1 凸集投影超分辨率重建算法 ---------------------------------------------------------------范文最新推荐------------------------------------------------------ POCS是英文“Projection Onto Convex Set”的缩写，在数字图像的超分辨率重建方法中，由于POCS算法具有简单有效、灵活多样的空间域观察模型等突出优点而在实际应用中被普遍采用，Stark和Oskoui在1987年首次将POCS应用于超分辨率图像重建。近年来，空间域超分辨率方法成为研究热点，而POCS算法更具代表性，其简单有效，具有很好的应用前景。POCS算法利用集合论方法恢复高分辨率图像，它利用有效的空间观测模型，同时加入先验信息，在这些信息的交集内得到一个可行解。POCS算法是一个迭代过程，只需要给定高分辨率图像空间内上的任意一点，就能找到一个满足所有凸集的解[11]。 凸集投影算法是从给定的初始结果出发，得到有效解集中一个有效解的迭代算法，凸集投影算法利用集合论和空域中的模型，把需要复原的图像的各种先验信息，如光滑性、灰度性、数据可靠性等定义为约束凸集，相应的凸约束集合的投影算子将解空间中的点投影到距离凸集表面最近的点上，经过有限次迭代，最终可得到一个收敛于凸集交集的解。凸集投影的算 17 / 29 法思想是:构造超分辨率网格，建立参考帧，对参考帧进行修正迭代，得到复原结果。 POCS方法的缺点主要有:其一，解的不唯一性。对基于POCS的超分辨率重构来说，其解空间定义为所有凸集的交集，除非该交集是单点集，否则其解就是不唯一的,其二，对初始值的依赖性,其三，POCS方法需要可观的计算代价和较多的迭代次数。 图3.1 凸集投影算法的算法流程图 3.2 传统正则化超分辨率重建算法 由于超分辨率重建是一个病态问题，利用正则化方 ---------------------------------------------------------------范文最新推荐------------------------------------------------------ 法加入先验约束可以将病态问题转化为良态。正则化参数的选取作为正则化重建方法中的一个关键问题而得到了广泛的讨论，产生了迭代等方法。正则化重建模型由于具有求解模型直观，解唯一等优点而得到了广泛的应用，在正则化重建模型的求解过程中，正则化参数对于重建结果的好坏起着非常重要的影响，参数选择过小不能很好的抑制噪声，参数选择过大又会模糊重建影像[12]。 我们定义图像总体的观测模型为: ,3.6, 式,3.6,中， 表示低分辨率图像序列的向量， 为高分辨率图像， 为系数矩阵， 为附加的噪声。 对于式,3.6,用最小二乘方方法求解，建立如下式所示的求解模型: ,3.7, 19 / 29 式中， 代表第n+1次迭代影像， 代表第n次迭代的影象， 代表迭代步长，通过设定初始迭代影像和一定的迭代收敛条件，最终迭代求解出原始高分辨率图像。 传统正则迭代选择算法优点是计算量小，易求解，但是其假设正则化参数和数据一致性约束项以及先验项仅仅服从于简单的线性比例关系，这种关系只是对原始关系的简单近似，且在求解正则化过程中需调节参数 ，因此并不能达到很好的重建效果。 图 3.2给出了传统正则化超分辨率重建算法算法的实验流程图: 图3.2 正则化超分辨率重建算法的实验流程图 4算法实现与分析 ---------------------------------------------------------------范文最新推荐------------------------------------------------------ 4.1 POCS算法的实现 根据以上的原理，POCS算法的实现思想是:先对超分辨率图像进行预估，也就是建立参考帧，然后根据观察图像序列对参考帧进行修正，直至得到可以接受的复原结果。通常的POCS重建算法可以分作三个具体的步骤:构造参考帧、进行运动估计、对参考帧进行修正。 4.1.1用差值方法构造参考帧 实现POCS算法的第一步就是根据观察图像序列构造参考帧，也就是预估的超分辨率图像。从理论上来说，从整个成像空间图像集合的任一点开始，在经过向所有约束集投影的过程后，都可以找到它在交集上的投影，也就是说以任意的图像作为参考帧开始重构，最后都能得出可以接受的重构结果。但实际上初始估计值对于算法是否可行的影响是比较大的。实际中通常为了加快收敛速度，减少重复修正需要的次数，降低算法的计算量和消耗时间，构造的参考帧与最后的重构结果越相似越好。一般来说初始点是由一帧低分 21 / 29 辨率图像经过插值得到的，也就是构造出来的参考帧。在后续的处理中，都是与预估计出来的参考帧作为基础的。 运动估计从技术分类分主要有块匹配算法和点递归算法。块匹配算法的运动估计精度通常比点递归算法略低，但是由于它的较少的硬件复杂度，简单的运算量，位移跟踪能力强，且容易实现，因此对于实际运动来说被认为是最普遍，最通用的方法，数字视频压缩标准H.261和MPEG1，2等都采取了块匹配运动估计方法。块匹配算法是通过像素域搜索程序找到最佳的运动矢量估算，虽然它并不能完全描述物体的之间真实运动，但简单易实现，且对物体的运动情况能做较好的近似。在这里，我们对图像序列作整体位移的假设，所以采用块匹配算法来实现这一部分的功能。 4.1.3基于点扩散函数的修正 参考帧的修正过程其实就是成像空间的初始点在各个凸集中的投影过程。绝大多数的成像系统并不是理 ---------------------------------------------------------------范文最新推荐------------------------------------------------------ 想的光学系统，图像在经过摄像头的时候总会有一定的退化，考虑一个光点源，透过摄像头形成图像，不可能与原先一样就是一个点，而是会产生一些模糊，这个模糊是由点扩散函数(PSF)造成的。低分辨率图像序列由理想高分辨图像通过采样产生，其中某点的像素灰度值是由理想图像的一个小图像块中的点决定的。至于观察的低分辨图像中一个像素点对应于重构图像中多大范围内的点，是由低分辨率传感器单元的PSF决定的，因此在超分辨率图像重构中不仅要考虑光学模糊，而且还要考虑高低分辨率之间转换产生的PSF。根据前面的理论推导可知，POCS算法的图像修正方法是把一个观察图像像素投影到参考帧上，找出参考帧中在它的PSF范围内的像素，由PSF计算出这个像素的灰度估计值，与实际值相比较，如果误差超出允许范围，就对参考帧中的像素灰度值进行修正使得灰度估计值与实际值的误差减小到允许范围内所有观察图像中的每个像素都进行这种处理[12]。因为像素点在参考帧上的PSF影响范围可能部分重叠，在使用后面的点修正图像后，前面处理过的点的误差值可能会再超出阈值，所以进行修正的时候一般不会一次修正到位，而是采取循环修正的方法，在达到一定的循 23 / 29 环次数，或者确定误差值已收敛至足够小才结束修正 过程。 ImageName=’111.jpg'; F0=imread(ImageName,'jpg'); F0=im2double(F0); (a) 原始图像(b) 原始图像图3.1 ,2,读取图像生成第一幅参考图像LR1，不需要考 虑运动，对点扩散函数进行高斯低通滤波，对双精度 图像进行卷积滤波，先模糊，再抽样。 PSF = fspecial('gaussian',hsize,sigma); F0 = ---------------------------------------------------------------范文最新推荐------------------------------------------------------ imfilter(F0,PSF,'same','conv'); for m1 = 1:size(F0,1)/2, for m2 = 1:size(F0,2)/2, G0(m1,m2)=(F0(2*m1-1,2*m2-1)+F0(2*m1-1,2*m2)+F0(2*m1,2*m2-1)+F0(2*m1,2*m2))/4; end end imwrite(G0,'LR1.jpg','jpg'); (a)第一帧参考图像LR1(b) 第一帧参考图像LR1 图3.2 25 / 29 ,3,通过像素的运动生成LR图像序列。根据运动 矢量公式mcY，mcX分别为运动后像素点在HR网格 中的位臵,Y,X为参考图像像素点位臵,u,v由参考图 像指向当前的图像,X,mcX为列,Y,mcY为行,Y、X 为运动前的坐标，mcY，mcX为运动后的坐标。 当前 图像中坐标为(n1,n2)的点，在参考帧中的坐标为 (N1,N2)。 u = k(num,1)+ k(num,2).*X + k(num,3).*Y ; v = k(num,4)+ k(num,5).*X + k(num,6).*Y ; mcX = X - u; mcY = Y - v; F=zeros(size(F0,1),size(F0,2)); for n1 = 1:size(F0,1) for n2 = 1:size(F0,2) ---------------------------------------------------------------范文最新推荐------------------------------------------------------ N2 = mcY(n1,n2); N1 = mcX(n1,n2); ,4,最后加噪 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 27 / 29 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的实验设臵进行超分辨率重建,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 ---------------------------------------------------------------范文最新推荐------------------------------------------------------ (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PSNR20.73221.45221.12120.189 重建图像 PSNR 23.46422.90523.67621.708 MATLAB铁路监控视频的超分辨率技术研究(14): 29 / 29