基于GNR先验的电力设备热成像超分辨率方法

刘云峰, 赵洪山, 杨晋彪, 韩晋锋, 刘秉聪

刘云峰, 赵洪山, 杨晋彪, 韩晋锋, 刘秉聪. 基于GNR先验的电力设备热成像超分辨率方法[J]. 红外技术, 2023, 45(1): 40-48.
引用本文: 刘云峰, 赵洪山, 杨晋彪, 韩晋锋, 刘秉聪. 基于GNR先验的电力设备热成像超分辨率方法[J]. 红外技术, 2023, 45(1): 40-48.
LIU Yunfeng, ZHAO Hongshan, YANG Jinbiao, HAN Jinfeng, LIU Bingcong. Super Resolution Method for Power Equipment Infrared Imaging Based on Gradient Norm-ratio Prior[J]. Infrared Technology , 2023, 45(1): 40-48.
Citation: LIU Yunfeng, ZHAO Hongshan, YANG Jinbiao, HAN Jinfeng, LIU Bingcong. Super Resolution Method for Power Equipment Infrared Imaging Based on Gradient Norm-ratio Prior[J]. Infrared Technology , 2023, 45(1): 40-48.

基于GNR先验的电力设备热成像超分辨率方法

基金项目: 

国网山西电力公司科技项目配电设备智能传感与态势感知运维技术研究 921010025

详细信息
    作者简介:

    刘云峰(1978-),男,高级工程师,主要研究方向为电力系统自动化。E-mail:50044024@qq.com

  • 中图分类号: TM41

Super Resolution Method for Power Equipment Infrared Imaging Based on Gradient Norm-ratio Prior

  • 摘要: 电力设备红外图像在电力设备状态监测、故障识别等方面发挥着重要作用。针对红外图像应用时存在的分辨率低,清晰度不足的问题,本文提出一种基于图像梯度范数比(Gradient Norm-ratio, GNR)先验约束的压缩感知电力设备红外图像超分辨率方法。通过分析电力设备红外图像在不同采样比时重建图像高频信息的变化规律,将GNR先验引入传统压缩感知超分辨率模型中。并针对改进后的模型设计了有效的求解算法,通过半二次分裂方法引入辅助变量,对不同变量交替迭代求解,实现红外图像超分辨率重建。仿真实验结果验证了GNR先验信息的引入,有利于超分辨率算法取得更好的重建效果。与现有经典超分辨率方法相比,本文方法重建图像无论在主观视觉效果还是客观评价指标上都有了较好的提升。
    Abstract: Infrared images play an important role in the condition monitoring and fault identification of power equipment. Aiming at solving the problems of low resolution and low definition in the application of infrared images, this paper proposes a super-resolution method for compressed infrared images of sensing power equipment based on the prior constraint of the image gradient ratio (GNR). The GNR prior was introduced into the traditional compressed sensing super-resolution model by analyzing the variation in high-frequency information of power equipment infrared images at different sampling ratios. An effective algorithm was designed to solve the improved model. By introducing auxiliary variables into the semi-quadratic splitting method, different variables were iteratively and alternately solved to realize the super-resolution reconstruction of infrared images. The simulation results show that the introduction of GNR prior information was conducive to the super-resolution algorithm achieving better reconstruction. Compared with existing classical super-resolution methods, the proposed method improves both the subjective visual effect and objective evaluation index.
  • 电子倍增电荷耦合器件(Electron Multiply Charge Couple Device,EMCCD),是对传统CCD的功能升级,在信号电荷转移读出时,利用碰撞电离的物理机制,实现雪崩放大,从而越过读出噪声的门槛,降低等效读出噪声。这种方法解决了传统CCD在高速读出速率下,电荷检测放大器噪声降低至亚电子量级的技术难题,在1000倍增益下,等效读出噪声<1e,理论上可以达到单光子的探测灵敏度,实现了对微弱光的高帧率和高信噪比成像探测。

    2001年,TI公司的Hynecek[1]在虚相CCD工艺基础上增加了CCM(Charge Carrier Multiplier,电荷载流子倍增)结构,提出了栅分立虚相CCD(Split-Gate Virtual-Phase CCD,SGVPCCD)技术。同年,e2v公司Jerram[2]采用更为传统的CCD电极,提出了LLL CCD(Low-Light-Level CCD,低照度CCD)技术。这两条技术途径中,LLL CCD避免了SGVPCCD虚相电极倍增杂散电荷过多的问题,并且通过流水线的倍增形式,降低了倍增方差带来的非均匀性,成为EMCCD的主流技术,并发展了近20年。e2v公司从CCD65这第一款采用该技术的EMCCD开始,围绕前照、背照、减小噪声、减小时钟感生电荷、提高分辨率、提高读出速率等维度发展出了CCD97、CCD216、CCD201、CCD351(30 MHz读出速率)、CCD220(1300 fps)、CCD282(4 k×4 k)等多款器件。

    EMCCD超高的探测灵敏度,使其在成像科学仪器领域中获得应用,比如超分辨[3-5]、单分子[6-8]、离子成像[9]、共聚焦显微镜[10-11]、量子[12]、荧光成像[13-14]等。此外,在激光主动成像[15]、高灵敏度星敏感器[16]、微光夜视等领域中也有较多研究与应用。

    针对由华东光电集成器件研究所研制生产的一款640×512分辨率,帧转移结构的EMCCD器件,设计了一款相机。该款相机支持Camera Link和PAL视频输出、帧率25 fps、支持手动和自动电子倍增增益控制、TEC恒温控制、实时成像、尺寸55 mm×55 mm×70 mm。本文重点论述了相机工作时序和对应的代码,基于FPGA完成了对EMCCD的驱动、EMCCD输出信号的模数转换、PAL模拟视频编码和Camera Link数字视频编码的时序设计与实现,并完成了相关的成像测试工作。

    器件结构如图 1所示,包含有感光区、存储区、水平移位寄存器、增益寄存器和浮置扩散放大器(Floating Diffusion Amplifier,FDA)。其中,感光区有640×512个有效像素,上下各8个暗参考行,左右各12个暗列。存储区有664×528个存储单元,在感光区完成曝光后,存储转移下来的信号电荷。水平移位寄存器包含664组水平转移栅电极(RФ1、RФ2、RФ3),经过16组转角单元后进入664组增益寄存器(RФ1、RФDC、RФ2HV、RФ3),再经过16组过扫单元将信号电荷转移至浮置扩散区,将电荷转换成电压,最后经片上源跟随器电路放大读出。

    图  1  EMCCD器件结构
    Figure  1.  EMCCD device structure

    640×512 EMCCD相机的设计目标是能在1×10-3 lx照度下,实现25 fps的动态连续成像,输出8 bit的PAL模式视频流和12 bit的Camera Link数字视频流。相机硬件电子学的部分由驱动电路、信号处理电路和电源电路构成。本文重点介绍产生工作时序的信号处理电路部分,这部分由FPGA、SRAM、Flash、PAL编码芯片组成,产生了EMCCD的工作时序、ADC的采样时序、SRAM帧缓存时序、BT.656编码时序和Camera Link编码时序。

    EMCCD的工作时序如图 2所示。器件首先进行曝光,此时IФ1、IФ2、SФ1、SФ2拉低,感光区的像素单元(掩埋型MOS电容器)对光子进行积分,完成光电转换。在一定曝光时间后,IФ1、IФ2、SФ1、SФ2高低电平交替528个周期,将感光区的信号电荷转移至存储区。在信号电荷水平读出之前,用一定的时间(一般大于行读出时间的两倍)来清空水平转移栅极下势阱内的残余电荷。接着,SФ1、SФ2高低交替1次,构成一行读出的起始,将存储区的信号电荷转移至水平移位寄存器(MOS电容器)中。经过680个RФ1、RФ2、RФ2HV、RФ3转移周期后,一行中每个像素的信号电荷按顺序到达FD,此处的PN结二极管电容在接收信号电荷前,由ФR进行复位,再将信号电荷转成电压,由后级源跟随器读出。

    图  2  EMCCD工作时序
    Figure  2.  EMCCD work timing

    当前帧在水平读出时,感光区可以同时进行曝光,这种流水线操作的读出模式,使得成像延迟在1帧时间。

    这里为了实现25 fps的成像帧频,曝光时间是帧频的倒数即40 ms,根据靶面分辨率和其它动作的时间要求,设置水平读出的像素时钟频率为11 MHz。根据图 2,EMCCD的工作时序包含多个状态,分别是空闲(IDLE)、第一个10 μs脉冲(FIRST_PULSE)、垂直转移(FRAME_READOUT)、最后一个脉冲(LAST_PULSE)、水平读出寄存器清空(LINE_REG_CLEAN)、行读出(LINE_READOUT)和曝光控制(EXPOSURE_CTRL),通过使能信号和结束信号来控制状态间的跳转。

    EMCCD输出的模拟信号需通过AFE按顺序进行直流重建、相关双采样、增益控制、光学暗电平钳位和模数转换,以实现在数字域的处理和编码。涉及到的时序控制有相关双采样(SHP/SHD信号)、光学暗电平嵌位(CLPOB信号)、帧头行头的数据锁存。其中图 3中的SHP和SHD信号分别对复位信号和EMCCD输出信号进行采样,可以有效消除FD处复位带来的复位噪声(kTC噪声)[17]。此外,AFE为了能够在相对快速的同时获得高分辨率(10~13位),采用pipeline结构的ADC,图 3表明了当前采样值需要经过10个数据时钟后读出,所以在数据锁存时需要响应的延迟以保证像素数据的准确。

    图  3  SHP、SHD信号以及数字信号的流水线输出延迟
    Figure  3.  SHP、SHD signal and data bus pipeline delay

    光学暗电平钳位在每行光学暗像素的间隔内,ADC的输出与设定的暗电平参考进行比较,其结果经滤波后移除信号链上的残余偏移,追踪CCD暗电平中的低频变量。

    这段时序的代码与EMCCD的驱动时序同步,通过计数器与标志位标明帧同步、行同步和有效数据信号。

    模拟电视系统具有方便实时显示的优势,所以针对640×512分辨率,这里采用PAL制式作为模拟电视的输出,通过逐行变隔行和插值拉伸,输出720×576的模拟视频信号,方便调试与外场成像测试工作。

    根据ITU-R BT.656标准,一个完整的PAL视频帧分为两场(表 1),共625行,每行1728个27 MHz像素时钟。每行(表 2)则由4个部分组成,EAV码、水平消隐、SAV码和有效数据(4:2:2 YCbCr数据)。对于顶场,有效数据行就是一帧图像的所有偶数行,而底场,有效数据行就是一帧图像的所有奇数行。

    表  1  PAL视频帧的格式定义
    Table  1.  PAL frame definition
    Lines Line Description
    1~22 Field1-First Vertical Blanking(Top)
    23~310 Field1-Active Video
    311~312 Field1-Second Vertical Blanking(Bottom)
    313~335 Field2-First Vertical Blanking(Top)
    336~623 Field2-Active Video
    624~625 Field2-Second Vertical Blanking(Bottom)
    下载: 导出CSV 
    | 显示表格
    表  2  每行的数据结构
    Table  2.  Line data structure
    EAV code Blanking Video SAV code Active Video
    FF 0 0 EAV Cb Y Cr Y 255 0 0 SAV Cb Y Cr Y
    4 bytes 280 bytes 4 bytes 1440 bytes
    下载: 导出CSV 
    | 显示表格

    水平消隐包含280个字节,CbCr以0x80填充,Y以0x10填充。有效数据的顺序是CbYCrY,其中Y是亮度信号,CbCr是同地址的色差信号,YCbCr与RGB的转换公式如下:

    $$ Y=16+0.527R+0.504G+0.098B $$ (1)
    $$ C_{\rm{b}}=128-0.148R-0.291G+0.439B $$ (2)
    $$ C_{\rm{r}}=128+0.439R-0.367G-0.071B $$ (3)

    R(0~255),G(0~255),B(0~255)转换至Y(16~235),Cb(16~240),Cr(016~240)。由于EMCCD输出灰度图像,对应RGB值均相同,所以有效数据中Y的填充对应AFE输出的高8位数据,CbCr则为0x80。按照BT.656编码后的数字信号视频流经过ADV7391转换成模拟视频信号。

    640×512逐行扫描EMCCD的输出信号按BT.656编码,需要进行逐行到隔行的转换,并按照每8行插值1行,一行中每8个像素插值1个像素的插值方法对图像进行拉伸。通过一片片外的SRAM将一帧图像进行缓存。代码设计在27 MHz的时钟下,每经过一个像素时钟,像素计数(pixel_cnt)加1,计数满1727后清零,行计数(line_cnt)加1,计数满624后清零。按照ITU-R BT.656的数据要求,对每个像素进行赋值,当需要写入Y数据时,SRAM读地址(sram_rd_addr)相应加1,读取SRAM中对应的数据。由于仅有一片SRAM,所以需要对其地址总线和数据总线进行分时的读写操作,在不读SRAM的时候,AFE的数据通过FIFO根据SRAM写地址(sram_ wr_addr)写入SRAM。

    SRAM地址总线赋值如下,assign sram_addr = sram_rd_en? sram_rd_addr:sram_wr_addr。

    Camera Link是专门针对机器视觉应用领域的串行通信协议,使用LVDS(低压差分信号)进行数据的传输和通信[18]。这里为了实现对相机原始数据的采集,分析器件的性能,图像信噪比等参数,采用Camera Link作为数字视频信号的接口,经采集卡在上位机软件上进行图像显示。

    Camera Link协议的本质是Channel Link协议。主要包括5对差分信号线,其中4对为视频数据线,1对为同步的时钟信号。相机将28位并行数据信号按照7:1的比例将数据转换为4对差分对。Channel Link总线上除了传输视频数据外,还包括视频有效信号FVAL(帧有效)、LVAL(行有效)、DVAL(数据有效)。

    一个Channel Link只支持28位数据,所以对于更多的信号,需要多个并行的Channel Link来拓展带宽。据此Camera Link分为Base、Medium和Full三种配置,分别对应1路、2路和3路,每8位(一个Byte)作为一个端口,Full配置对应了A~H个端口。由于这里研制的相机输出12 bit的数字信号,所以只需要Base配置,对应port A[0:7]和port B[0:3]。LVAL、FVAL、DVAL、Spare,以及12 bit数字信号与Camera Link 28位数据的映射关系如表 3所示,其中没有用到的信号位拉低。

    表  3  Camera Link位分配
    Table  3.  Camera Link Bit Assignment
    Tx Input Signal Name Pin Name
    LVAL TX/RX 24
    FVAL TX/RX 25
    DVAL TX/RX 26
    Spare TX/RX 23
    Port A0 TX/RX 0
    Port A1 TX/RX 1
    Port A2 TX/RX 2
    Port A3 TX/RX 3
    Port A4 TX/RX 4
    Port A5 TX/RX 6
    Port A6 TX/RX 27
    Port A7 TX/RX 5
    Port B0 TX/RX 7
    Port B1 TX/RX 8
    Port B2 TX/RX 9
    Port B3 TX/RX 12
    下载: 导出CSV 
    | 显示表格

    在硬件设计上直接利用FPGA的IO口实现LVDS的输出。同时,通过补零将12 bit的数字信号凑齐至28位,并增加一路7 bit的数据1100011来模拟时钟信号。由于Camera Link采集卡上的接收芯片只支持20~85 MHz的数据信号,而AFE的数据信号同步在11 MHz的时钟上,所以需要一个异步FIFO完成数据的同步。

    datain3 < = {1'b0, 1'b0, 1'b0, 1'b0, 1'b0, data[7], data[6]};

    datain2 < = {dval, fval, lval, 1'b0, 1'b0, 1'b0, 1'b0};

    datain1 < = {1'b0, 1'b0, 1'b0, 1'b0, data[11:9]};

    datain0 < = {data[8], data[5:0]};

    clkin < = {1'b1, 1'b1, 1'b0, 1'b0, 1'b0, 1'b1, 1'b1};

    待转换的28位数和7位时钟数据为txdata = {datain3, datain2, datain1, datain0, clkin},最后利用ALTLVDS_TX的IP核按照7:1对数据进行串行化构成Channel Link的输出格式。

    在实验室进行低照度条件下的实时成像,用色温2856 K的积分球光源模拟环境照度1×10-3 lx,采用USAF-1951目标靶,镜头25 mm/f1.4,EMCCD增益倍数1000倍,器件内部TEC制冷温度0℃。

    相机实物与成像效果如图 4所示,通过模拟监视器和Cameralink采集软件显示视频图像。图 4右图中模拟视频和数字视频同步显示,PAL输出720×576分辨率,25 fps的8 bit视频流。图 5中CameraLink输出640×512分辨率,25 fps的12 bit视频流,选定区域内的空域信噪比为21.8 dB。

    图  4  相机实物与模拟、数字视频输出
    Figure  4.  Camera analog and digital output video
    图  5  成像选定区域的信噪比
    Figure  5.  Selected region mean SD and SNR value

    本文介绍了支持PAL视频输出和Camera Link输出的640×512分辨率EMCCD相机的关键时序设计与实现,通过对EMCCD驱动,AFE数据同步采集,帧缓存PAL编码和Camera Link串并转换,实现了EMCCD器件在1×10-3 lx照度条件下的25 fps动态连续成像,实验证明该相机能同时输出PAL模拟视频和Camera Link数字视频,并且尺寸较小,低照度条件下信噪比优势突出,能满足微光条件下对目标成像的应用需求。

  • 图  1   采用不同约束项时重建图像高频信息成本变化图

    Figure  1.   Reconstruction of high frequency information cost chart of image with different constraints

    图  2   求解算法流程图

    Figure  2.   Flow chart of solving algorithm

    图  3   人工下采样红外图像不同方法重建结果

    Figure  3.   Reconstruction results of artificial down sampling infrared image by different methods

    图  4   1号图像不同方法重建结果

    Figure  4.   Reconstruction results of No.1 image by different methods

    图  5   2号图像不同方法重建结果

    Figure  5.   Reconstruction results of No.2 image by different methods

    图  6   不同大小图像重建所需时间

    Figure  6.   The time required to reconstruct images of different sizes

    表  1   不同方法重建图像PSNR评价指标对比

    Table  1   Comparison of PSNR evaluation indexes of reconstructed images by different methods

    Image number Zhang's Original CS Yang's Li's Ours
    1 23.0657 24.9632 26.5846 27.2059 29.3659
    2 22.5691 24.6251 25.9631 26.3620 29.0325
    3 23.6245 24.3219 26.4263 26.3494 30.0316
    4 22.9521 23.6594 25.6845 25.2631 28.9613
    5 22.1694 24.2351 26.4975 26.1279 30.1034
    6 23.1784 23.9865 27.3249 26.6947 28.9674
    7 22.5728 24.6937 26.3592 27.0691 29.3461
    8 21.6891 23.4967 26.6481 27.9612 28.6541
    9 22.7816 25.1435 26.2597 26.6729 30.5319
    10 23.0684 24.3167 26.9437 27.1636 28.6755
    下载: 导出CSV

    表  2   不同方法重建图像SSIM评价指标对比

    Table  2   Comparison of SSIM evaluation indexes of reconstructed images by different methods

    Image number Zhang’s Original CS Yang’s Li’s Ours
    1 0.7934 0.8635 0.8966 0.9103 0.9731
    2 0.7349 0.8526 0.8791 0.8955 0.9436
    3 0.8172 0.8678 0.9249 0.9027 0.9348
    4 0.7393 0.8211 0.8842 0.8931 0.9274
    5 0.7304 0.8197 0.8991 0.8769 0.9533
    6 0.7681 0.7987 0.9014 0.8643 0.9264
    7 0.7311 0.8235 0.8624 0.8971 0.9083
    8 0.7129 0.8433 0.8742 0.8892 0.9151
    9 0.7486 0.8730 0.8785 0.8797 0.9762
    10 0.7519 0.8261 0.8834 0.9031 0.9216
    下载: 导出CSV

    表  3   不同方法重建图像AG评价指标对比

    Table  3   Comparison of AG evaluation indexes of reconstructed images by different methods

    Image
    number
    Zhang’s Original CS Yang’s Li’s Ours
    1 20.6496 20.3521 29.1152 28.4946 31.0694
    2 18.6232 24.7993 32.6134 30.6779 33.9552
    3 20.5298 23.6657 31.5780 32.6144 34.3967
    4 22.3863 22.6349 30.3440 29.4893 31.3995
    5 19.8414 23.3463 27.4514 24.9311 31.3776
    6 17.6890 21.1064 28.9477 31.3425 33.1015
    7 18.6451 25.6108 32.6944 32.4871 36.2160
    8 22.3637 24.4892 30.9645 28.5638 34.2556
    9 20.0684 25.6946 31.9865 30.9783 36.9943
    10 19.6452 20.3521 29.1152 28.4946 31.0694
    下载: 导出CSV

    表  4   不同方法重建图像IE评价指标对比

    Table  4   Comparison of IE evaluation indexes of reconstructed images by different methods

    Image
    number
    Zhang’s Original CS Yang’s Li’s Ours
    1 5.8113 6.0168 6.3153 6.2154 6.5312
    2 5.7256 5.8364 6.0215 5.9342 6.1249
    3 6.2316 6.1546 6.2599 6.5644 6.7291
    4 5.9233 5.9487 6.1547 6.3263 6.3478
    5 6.0532 6.1306 6.1658 6.2431 6.4528
    6 5.625 5.8314 5.8947 6.1456 6.1569
    7 5.8449 6.1125 6.0387 6.2831 6.5937
    8 5.7052 5.8841 6.2436 6.1463 6.2649
    9 6.1242 5.8543 6.1488 6.1395 6.1531
    10 5.9439 6.0337 6.3894 6.2343 6.5013
    下载: 导出CSV
  • [1] 王毅, 陈启鑫, 张宁, 等. 5G通信与泛在电力物联网的融合: 应用分析与研究展望[J]. 电网技术, 2019, 43(5): 1575-1585. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201905012.htm

    WANG Yi, CHEN Qixin, ZHANG Ning, et al. Fusion of the 5G communication and the ubiquitous electric internet of things: application analysis and research prospects[J]. Power System Technology, 2019, 43(5): 1575-1585. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201905012.htm

    [2] 李鹏, 毕建刚, 于浩, 等. 变电设备智能传感与状态感知技术及应用[J]. 高电压技术, 2020, 46(9): 3097-3113. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ202009013.htm

    LI Peng, BI Jiangang, YU Hao, et al. Technology and application of intelligent sensing and state sensing for transformation equipment[J]. High Voltage Engineering, 2020, 46(9): 3097-3113. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ202009013.htm

    [3] 梁兴, 严居斌, 尹磊. 基于红外图像的输电线路故障识别[J]. 电测与仪表, 2019, 56(24): 99-103. https://www.cnki.com.cn/Article/CJFDTOTAL-DCYQ201924016.htm

    LIANG Xing, YAN Jubin, YIN Lei. Fault identification of transmission lines based on infrared image[J]. Electrical Measurement & Instrumentation, 2019, 56(24): 99-103. https://www.cnki.com.cn/Article/CJFDTOTAL-DCYQ201924016.htm

    [4] 赵仕策, 赵洪山, 寿佩瑶. 智能电力设备关键技术及运维探讨[J]. 电力系统自动化, 2020, 44(20): 1-10. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXT202020001.htm

    ZHAO Shice, ZHAO Hongshan, SHOU Peiyao. Discussion on key technology and operation & maintenance of intelligent power equipment[J]. Automation of Electric Power Systems, 2020, 44(20): 1-10. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXT202020001.htm

    [5]

    Lozanov Y, Tzvetkova S. A methodology for processing of thermographic images for diagnostics of electrical equipment[C]//2019 11th Electrical Engineering Faculty Conference (BulEF). IEEE, 2019: 1-4.

    [6]

    LI Y, ZHAO K, REN F, et al. Research on super-resolution image reconstruction based on low-resolution infrared sensor[J]. IEEE Access, 2020, 8: 69186-69199. DOI: 10.1109/ACCESS.2020.2984945

    [7] 唐艳秋, 潘泓, 朱亚平, 等. 图像超分辨率重建研究综述[J]. 电子学报, 2020, 48(7): 1407-1420. DOI: 10.3969/j.issn.0372-2112.2020.07.022

    TANG Yanqiu, PAN Hong, ZHU Yaping, et al. A survey of image super-resolution reconstruction[J]. Acta Electronica Sinica, 2020, 48(7): 1407-1420. DOI: 10.3969/j.issn.0372-2112.2020.07.022

    [8]

    Bätz M, Eichenseer A, Kaup A. Multi-image super-resolution using a dual weighting scheme based on Voronoi tessellation[C]//2016 IEEE International Conference on Image Processing (ICIP). IEEE, 2016: 2822-2826.

    [9]

    WANG L, LIN Z, DENG X, et al. Multi-frame image super-resolution with fast upscaling technique[J/OL]. arXiv preprint arXiv: 1706.06266, 2017.

    [10]

    Rasti P, Demirel H, Anbarjafari G. Improved iterative back projection for video super-resolution[C]//2014 22nd Signal Processing and Com-munications Applications Conference (SIU). IEEE, 2014: 552-555.

    [11] 杨欣, 费树岷, 周大可. 基于MAP的自适应图像配准及超分辨率重建[J]. 仪器仪表学报, 2011, 32(8): 1771-1775. https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB201108014.htm

    YANG Xin, FEI Shumin, ZHOU Dake. Self-adapting weighted technology for simultaneous image registration and super-resolution reconstruction based on MAP[J]. Chinese Journal of Scientific Instrument, 2011, 32(8): 1771-1775. https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB201108014.htm

    [12]

    Kato T, Hino H, Murata N. Multi-frame image super resolution based on sparse coding[J]. Neural Networks, 2015, 66: 64-78.

    [13]

    Greaves A, Winter H. Multi-frame video super-resolution using convolutional neural networks[J]. IEEE Transactions on Multimedia, 2017, 8(3): 76-85.

    [14]

    Hayat K. Multimedia super-resolution via deep learning: a survey[J]. Digital Signal Processing, 2018, 81: 198-217.

    [15]

    DONG W, ZHANG L, Lukac R, et al. Sparse representation-based image interpolation with nonlocal autoregressive modeling[J]. IEEE Transactions on Image Processing, 2013, 22(4): 1382-1394.

    [16]

    WANG L, WU H, PAN C. Fast image upsampling via the displacement field[J]. IEEE Transactions on Image Processing, 2014, 23(12): 5123-5135.

    [17]

    ZHANG Y, FAN Q, BAO F, et al. Single-image super-resolution based on rational fractal interpolation[J]. IEEE Transactions on Image Processing, 2018, 27(8): 3782-3797.

    [18]

    Manjón J V, Coupé P, Buades A, et al. Non-local MRI upsampling[J]. Medical Image Analysis, 2010, 14(6): 784-792.

    [19]

    ZHANG X, Burger M, Bresson X, et al. Bregmanized nonlocal regularization for deconvolution and sparse reconstruction[J]. SIAM Journal on Imaging Sciences, 2010, 3(3): 253-276.

    [20]

    LI L, XIE Y, HU W, et al. Single image super-resolution using combined total variation regularization by split Bregman Iteration[J]. Neurocomputing, 2014, 142: 551-560.

    [21]

    Rasti P, Demirel H, Anbarjafari G. Improved iterative back projection for video super-resolution[C]//2014 22nd Signal Processing and Communications Applications Conference (SIU). IEEE, 2014: 552-555.

    [22]

    YANG J, Wright J, HUANG T S, et al. Image super-resolution via sparse representation[J]. IEEE Transactions on Image Processing, 2010, 19(11): 2861-2873.

    [23]

    WANG X, YU K, DONG C, et al. Recovering realistic texture in image super-resolution by deep spatial feature transform[C]//Proceedings of The IEEE Conference on Computer Vision and Pattern Recognition, 2018: 606-615.

    [24]

    Zoph B, Le Q V. Neural architecture search with reinforcement learning[J/OL]. arXiv preprint arXiv: 1611.01578, 2016.

    [25]

    Donoho D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.

    [26]

    Candes E, Romberg J. Sparsity and incoherence in compressive sampling[J]. Inverse Problems, 2007, 23(3): 969.

    [27]

    Sulam J, Ophir B, Zibulevsky M, et al. Trainlets: Dictionary learning in high dimensions[J/OL]. arXiv preprint arXiv: 1602.00212, 2016.

    [28]

    ZHANG H, Hager W W. A nonmonotone line search technique and its application to unconstrained optimization[J]. SIAM Journal on Opti-mization, 2004, 14(4): 1043-1056.

    [29]

    JIN J, YUAN J, SHEN Q, et al. Curvelet transform based adaptive image deblocking method[J]. Computers & Electrical Engineering, 2014, 40(8): 117-129.

    [30]

    Chengbo L. An efficient algorithm for total variation regularization with applications to the single pixel camera and compressive sensing[D]. Houston: Department of Computational and Applied Mathematics, 2009.

    [31] 中华人民共和国国家质量监督检验检疫总局. 工业检测型红外热像仪[S]. GB/T 19870-200, [2021-06-08].

    General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China. Industrial Inspecting Thermal Imagers[S]. GB/T 19870-200, [2021-06-08].

图(6)  /  表(4)
计量
  • 文章访问数:  136
  • HTML全文浏览量:  44
  • PDF下载量:  27
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-06-07
  • 修回日期:  2021-08-02
  • 刊出日期:  2023-01-19

目录

/

返回文章
返回