在这个实验中，使用Milanfar教授提供的两个低分辨率人脸图像序列Face1和Face2[1]来演示本章的算法效果。
序列Face1包含60帧38×24的压缩后的灰度图像，而序列Face2包含40帧31×32的压缩后的灰度图像。在每个实验中，分别使用了序列中的前K帧LR图像来重建HR图像（K＝s2＋1，下采样因子s＝2，3，4）。根据MDSP（Multi－Dimentional Signal Processing）对测试数据的说明，这两个序列中的运动基本上为纯平移，因此，在图2－5与图2－6中，图2－5（d）、（e）与图2－6（d）、（e）的结果比较接近。由于BSR算法的解卷积能力，两种BSR算法的去模糊能力要好于MDSP提供的重建结果。但是，由于测试序列中的数据都经过了压缩，因此三个SR算法重建结果的质量均未得到显著提高。
图2－4 模糊核估计结果
（a）真实模糊核；（b）SNR＝50 dB；
（c）SNR＝40 dB；（d）SNR＝30 dB；
（e）SNR＝20 dB；（f）SNR＝10 dB。
图2－5 人脸的2～4倍放大重建结果比较（1）
（a）LR图像序列；（b）MDSP；（c）Cubic插值；（d）纯平移BSR；（e）本章算法
另一方面，由图2－5（c）与图2－6（c）中的Cubic插值结果可见，随着放大因子的增加，图像的模糊程度也越来越明显，而图2－5（d）、（e）与图2－6（d）、（e）中的BSR算法由于融合了多帧LR图像中的数据，并且具有去模糊能力，其重建结果并未随着放大因子的增加而显著模糊。但是，当超过3倍放大时，图像的重建质量将不再有明显的提高。
下面的实验使用未经压缩的红外图像序列来验证算法性能。一架在空中飞行的飞机被一台红外相机采集下来，形成320×240维度的红外图像序列。此处提取了20×15大小的包含飞机的感兴趣区域，用于完成3倍和4倍的超分辨率重建。图2－7中给出了重建结果比较。由图2－7（c）可见，Bicubic插值方法所得结果随着放大倍数增加而变得越来越模糊。另一方面，BSR算法能够从多张低分辨率图像中融合信息，并进行解卷积处理，可以得到更为清晰的飞机轮廓重建结果，且未随着放大因子的增加而退化，如图2－7（e）、（f）所示。为便于比较，此处还实现了文献［25］中的配准、插值、复原分步处理算法。可见，当放大因子增加时，所需配准的低分辨率图像数量也增加，从而图像的配准误差会带来更显著的重加瑕疵。而两种BSR算法由于能够进行运动与模糊核的联合估计，故可以有更高的配准误差抵抗能力。由图2－5～图2－7的结果，此处推测：对于压缩图像的超分辨率重建，超过3倍的放大将不会带来明显增强的重建质量；应该在压缩环节之前进行超分辨率重建，以获得图像质量的显著提升。(www.xing528.com)
图2－6 人脸的2～4倍放大重建结果比较（2）
（a）LR图像序列；（b）MDSP；（c）Cubic插值；（d）纯平移BSR；（e）本章算法
由于图像采集过程中飞机运动模型基本为纯平移的，所以图2－7（e）、（f）中的两种BSR算法结果是相近的。为了验证仿射BSR处理仿射运动的能力，此处提取了运动车辆的两个车牌图像序列：其中一个为压缩的交通监控视频（图2－8（a）左图）；另一个为未压缩的车辆序列，来自MDSP（图2－8（a）右图）。这两个图像序列都基本符合仿射运动模型，因为车辆运动引起全局平移和缩放。与图2－7的比较方案相似，图2－8给出了比较结果。显然，在仿射运动模型下，对于车牌上的字母和数字重建，仿射BSR的结果明显好于平移BSR及配准—插值—复原方法结果。
图2－7 红外飞机图像序列的3倍（上一行）和4倍（下一行）放大结果
（a）1帧低分辨率图像；（b）感兴趣区域；（c）图（b）的Bicubic插值；（d）配准—插值—复原方法；（e）纯平移BSR；（f）仿射BSR
图2－8 运动车牌重建结果
（a）1帧低分辨率图像；（b）截取的车牌；（c）图（b）的Bicubic插值；（d）配准—插值—复原方法；（e）纯平移BSR；（f）仿射BSR
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
