一种电力设备红外图像非盲超分辨率方法与流程

1.本发明涉及红外图像分辨率提升技术领域，特别是涉及一种电力设备红外图像非盲超分辨率方法。


背景技术：

2.随着电力物联网的建设和传感器技术的发展，电力系统中图像信息出现了多样化爆炸性增长。通过各类巡检手段采集到的红外、紫外、可见光等设备图像信息呈现出了体量大、增长快且价值密度低的数据特征。其中，表现之一为采集的红外图像分辨率较低、成像模糊，这无疑限制了热成像技术在故障定位、图像识别等方面的进一步应用。而由于受到设备安装成本、数据传输、存储能力的限制，大幅提升现有红外传感器硬件性能存在一定困难。因此，为更好地应用红外诊断技术，有必要通过后台算法对采集得到的低分辨率红外图像进行处理，提升其视觉效果、丰富图像内涵信息。
3.近年来兴起的超分辨率技术为解决这一问题提供了新的思路。超分辨率方法要解决的问题为根据已知的低分辨率图像重建高分辨率图像。现有方法一般可分为三类：第一类方法忽略低分辨率图像形成过程中普遍存在的复杂模糊过程，认为低分辨率图像绝对清晰，仅对其分辨率进行提高，经研究结果表明，模糊核准确性对于超分辨率重建问题的影响甚至大于所选超分辨率模型的影响，因此在处理实际拍摄图像时，往往无法取得与其实验结果般的较好效果；第二类方法为盲超分辨率方法，其同时解决模糊核估计问题和高分辨率图像重建问题，但由于模糊核和高分辨率图像的联合恢复通常较为困难，且容易产生次优的重建结果，因此盲超分辨率方法的研究较少；第三类方法为非盲超分辨率方法，通过经典模糊核估计方法求解图像模糊核，之后采用所提出的非盲方法利用已知的模糊核及低分辨率图像进行图像超分辨率重建，该方法为现阶段的主要研究方法。
4.现有技术中，图像超分辨率的三种常用方法包括插值类方法、学习类方法和重建类方法。其中：插值类方法由于其固有的平滑效益，重建图像一般较为模糊，细节纹理不清晰，虽其算法原理简单，运行较快，但往往对实际应用价值不大；学习类方法需要大量高清图像对模型进行前期训练，而且训练样本与重建对象特征存在偏差时，易为图像增添假纹理，对利用重建得到的红外图像进行后期的故障诊断存在极为不利的影响，且由于其对样本的大量需求，目前难以在数据采集、存储模式仍较为粗放的电网中实际运用；重建类方法根据图像降质原理，通过在贝叶斯框架中结合先验信息或在其逆问题中引入正则化实现对图像的超分辨率重建，此类方法不受样本限制，使用灵活且重建效果较好，易于在电网中大规模推广应用。


技术实现要素：

5.本发明的目的是提供一种电力设备红外图像非盲超分辨率方法，可有效解决电力设备红外图像模糊、分辨率低的问题。
6.为实现上述目的，本发明提供了如下方案：
7.一种电力设备红外图像非盲超分辨率方法，包括步骤：
8.s1)基于电力设备红外图像对图像降质模型进行改进，构建出压缩感知超分辨率模型；具体的，
9.图像降质模型为：
[0010][0011]
式中：y为低分辨率图像；x为高分辨率图像；k为模糊核；为卷积运算；
↓
为下采样过程；n为噪声；
[0012]
改进的压缩感知超分辨率模型的目标函数为：
[0013][0014]
式中：φ
l
,φ
r
为行列采样矩阵，根据三次插值下采样原理生成，共同作用完成对二维信号的下采样；ψ为稀疏变换矩阵，ψ
t
为ψ的转置；x
s
＝ψ
t
x，x
s
为二维稀疏信号；η为惩罚系数；
[0015]
s2)以压缩感知超分辨率模型为基础，结合图像反卷积先验信息，引入图像边缘分布先验约束，构建出压缩感知非盲超分辨率模型，对电力设备红外图像进行重建；具体的，
[0016]
采用任意分布对电力设备红外图像的边缘进行拟合，均记作其中0＜α≤2；若0＜α＜1则为超拉普拉斯分布，α＝1为拉普拉斯分布，α＝2为高斯分布；根据贝叶斯定理，清晰图像后验概率写作p(x|y)＝p(y|x)p(x)，故x的最大后验概率解为：
[0017][0018]
式中：第一项为数据保真项，通过l2范数约束实现；第二项可变形为其中f
i
为各阶导数滤波器，下标i的取值为i＝{x,y,xx,yy,xy}；
[0019]
此时即可构建出压缩感知非盲超分辨率模型为：
[0020][0021]
式中：λ为边缘分布先验约束强度系数；
[0022]
s3)采用双先验二次估计的方式对重建的电力设备红外图像中显著边缘区域加以提取，根据生成的标签图像区分边缘区域和平滑区域，采用不同λ取值对正则项强度加以调整，获得重建结果。
[0023]
可选的，步骤s3)中所述采用不同λ取值对正则项强度加以调整，具体包括：
[0024]
s31)令式(4)中边缘分布先验参数α取值为2，求解式(4)得到初步重建图像x1；
[0025]
s32)采用滤波器组{f
x
,f
y
,f
xx
,f
yy
,f
xy
}对初步重建图像x1做滤波处理，得到各方向边缘图像；
[0026]
s33)对各方向边缘图像做阈值收缩，收缩方式为：
[0027][0028]
式中：为收缩阈值；σ为比例系数；收缩结果记作 x
i
＝{x
x
,x
y
,
x
xx
,x
yy
,x
xy
}；
[0029]
s34)求解整合各方向显著边缘为最终图像显著边缘结果
[0030]
s35)将中小于的元素置0，其余元素置为1，生成二值化图像；
[0031]
s36)对二值化图像做数学形态学处理，先后做开、闭运算各一次，去除二值化图像噪声，得到最终标签图像x
lab
，在求得x
lab
后对λ数值进行自适应控制，方式为：
[0032][0033]
并将λ
(m,n)
代入式(4)，对式(4)进行求解，则完成图像超分辨率重建。
[0034]
可选的，步骤s36)中所述对式(4)进行求解，在不同α取值下的求解方法，具体包括：采用半二次分裂的方法为式(4)引入辅助变量，通过交替迭代的方式对模型进行求解；引入辅助变量后模型为：
[0035][0036]
式中：g,x
s
为辅助变量；ε,η,η'为惩罚系数，其数值随迭代次数的增加而增大，当其足够大时认为式(7)与式(4)同解；
[0037]
辅助变量求解方法：
[0038]
由于α取值不同时，项表示方式，求解方法均不相同，因此首先给出变量g和x
s
的求解方法，其中g采用梯度下降法进行求解；固定x
s
,x后，目标函数为：
[0039][0040]
式(8)关于g的导数为：
[0041][0042]
迭代步长则通过非单调线性搜索方法确定，即当满足以下条件时：
[0043][0044]
确定此次迭代步长为σ
(n)
，若不等式不满足，则令σ
(n)
'＝0.6σ
(n)
，并将σ
(n)
'代入式(10)重新判断直至不等式成立；其中，非零常数θ∈[0,1]，c
(n)
的确定方式为：
[0045]
c
(n 1)
＝(τq
(n)
c
(n)
f(g
(n 1)
))/q
(n 1)
ꢀꢀꢀꢀꢀ
(11)
[0046]
式中：c
(0)
＝f(g
(0)
)，f(g
(n)
)为g第n次迭代时式(8)的取值；常数τ∈[0,1]；q
(n 1)
的计算方式为：
[0047]
q
(n 1)
＝τq
(n)
1
ꢀꢀꢀꢀꢀ
(12)
[0048]
式中：q
(0)
＝1，当||g
(n 1)
‑
g
(n)
||2＜υ，其中υ为一足够小的正常数时，迭代完成；
[0049]
x
s
变量在固定变量g和x后，采用软阈值收缩的方式求解，其目标函数为：
[0050][0051]
解为：
[0052][0053]
式中：sign(
·
)为符号函数；为分量乘法；
[0054]
待重建图像求解方法：
[0055]
下面分情况给出待重建图像x的求解方法，当α＝2时，固定g和x
s
，目标函数为：
[0056][0057]
由于此时采用高斯先验做初步重建，目的仅为提取图像显著边缘，故λ统一取较大数值为0.1
×
10
‑2，式(15)对变量x求导，并令导数为0可得：
[0058][0059]
式中：k,f
i
分别为卷积算子k,f
i
的矩阵形式，应用二维快速傅里叶变换可直接求解x得：
[0060][0061]
式中：表示快速傅里叶变换；表示快速傅里叶反变换；为的复共轭；表示分量乘法；分式为对应元素相除；
[0062]
当目标函数中时，采用自适应正则化方式构建非盲超分辨率模型，目标函数为：
[0063][0064]
式中：m,n分别为图像行列方向像素点数量；λ
(m,n)
按式(6)计算方式确定取值；使用半二次分裂法引入辅助变量w
i
，目标函数变形为：
[0065][0066]
式(19)可分为x子问题和w子问题的求解，其中x子问题求解时，目标函数为：
[0067][0068]
其求解方式与式(15)相同，通过快速傅里叶变换即可求得x为：
[0069][0070]
求得x后对w子问题进行求解，令则目标函数简写为：
[0071]
[0072]
通过对式(22)求导，并令导数为0，可得：
[0073][0074]
进一步变形为：
[0075][0076]
记方程(24)根为r，当r介于与v之间时，式(24)的解w'＝r，否则w'＝0。
[0077]
可选的，步骤s1)中所述压缩感知基本模型的构建，具体包括：
[0078]
图像为一种二维信号记作x，将其像素点按列展开后化为一维信号x，一维信号x应用cs原理重构信号时通过稀疏变换矩阵ψ对一维信号x进行稀疏表示，在不考虑图像采集模糊过程时，其模型为：
[0079]
y＝φψx
s
＝ax
s
ꢀꢀꢀꢀꢀꢀ
(25)
[0080]
式中：x＝ψx
s
；x
s
为稀疏信号；a＝φψ为传感矩阵，此时通过测量信号y求解x
s
，从而根据ψx
s
得到待重构信号x，求解x
s
的目标函数为：
[0081][0082]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的电力设备红外图像非盲超分辨率方法，以压缩感知超分辨率模型为基础，结合图像反卷积先验信息，提出了压缩感知非盲超分辨率模型，并为进一步提升重建图像质量、抑制伪影振铃的产生，在重建过程中对正则项强度系数进行自适应控制；本发明与现有经典非盲超分辨率方法相比，能够有效地抑制去模糊过程中伪影振铃的产生，且重建图像视觉效果更好，包含更为丰富的细节纹理信息。本发明提供的方法能够直接使用，无需前期采用大量原始高清图像对模型进行训练，具有易于推广的优势；根据实验结果可见，本发明所提方法能够更好的提升图像边缘轮廓清晰水平，丰富图像细节纹理信息；其中本发明方法相对现有方法，优势在于：无需任何训练样本，可直接使用，且方法性能有明显提高，能够更好地提升低精度红外传感器采集得到的红外图像质量，为电力设备红外诊断技术的广泛应用提供良好基础。
附图说明
[0083]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0084]
图1为本发明实施例电力设备红外图像非盲超分辨率方法的流程图；
[0085]
图2a为本发明实施例典型电力设备红外图像；
[0086]
图2b为本发明实施例电力设备红外图像梯度概率密度曲线和不同分布的拟合结果；
[0087]
图3a为本发明实施例低分辨率模糊图像；
[0088]
图3b为本发明实施例方法重建结果；
[0089]
图3c为本发明实施例强正则化重建结果；
[0090]
图3d为本发明实施例弱正则化重建结果；
[0091]
图4为本发明实施例自适应正则项强度调整方法流程图；
[0092]
图5为本发明实施例非盲超分辨率模型求解过程；
[0093]
图6a为本发明实施例一号红外图像；
[0094]
图6b为本发明实施例一号红外图像采用keys所提方法的重建结果；
[0095]
图6c为本发明实施例一号红外图像采用glasner所提方法的重建结果；
[0096]
图6d为本发明实施例一号红外图像采用dong所提方法的重建结果；
[0097]
图6e为本发明实施例一号红外图像采用zhao所提方法的重建结果；
[0098]
图6f为本发明实施例一号红外图像采用本文所提方法的重建结果；
[0099]
图7a为本发明实施例二号红外图像；
[0100]
图7b为本发明实施例二号红外图像采用keys所提方法的重建结果；
[0101]
图7c为本发明实施例二号红外图像采用glasner所提方法的重建结果；
[0102]
图7d为本发明实施例二号红外图像采用dong所提方法的重建结果；
[0103]
图7e为本发明实施例二号红外图像采用zhao所提方法的重建结果；
[0104]
图7f为本发明实施例二号红外图像采用本文所提方法的重建结果；
[0105]
图8a为本发明实施例采用不同方法重建红外图像的ag指标数值对比图；
[0106]
图8b为本发明实施例采用不同方法重建红外图像的ie指标数值对比图。
具体实施方式
[0107]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0108]
本发明的目的是提供一种电力设备红外图像非盲超分辨率方法，可有效解决电力设备红外图像模糊、分辨率低的问题。
[0109]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0110]
如图1所示，本发明实施例提供的电力设备红外图像非盲超分辨率方法，包括步骤：
[0111]
s1)基于电力设备红外图像，根据图像降质模型对压缩感知基本模型进行改进，构建出压缩感知超分辨率模型；具体的，
[0112]
图像降质模型为：
[0113][0114]
式中：y为低分辨率图像；x为高分辨率图像；k为模糊核；为卷积运算；
↓
为下采样过程；n为噪声；
[0115]
改进的压缩感知超分辨率模型的目标函数为：
[0116]
[0117]
式中：φ
l
,φ
r
为行列采样矩阵，根据三次插值下采样原理生成，共同作用完成对二维信号的下采样；ψ为稀疏变换矩阵，ψ
t
为ψ的转置；x
s
＝ψ
t
x，x
s
为二维稀疏信号；η为惩罚系数；
[0118]
步骤s1)建立了压缩感知超分辨率基本模型，此时式(2)所示模型除稀疏约束外，不含其它任何先验信息，若直接根据式(2)对图像进行重建，由于其问题的不适定性，难以达到对重建图像反卷积去模糊的效果，因此需根据图像统计规律，引入其它先验信息作为约束；目前性能最好的去模糊方法一般采用一组滤波器输出的边缘统计信息与清晰图像的边缘统计信息进行匹配，作为去模糊问题的先验约束；其中，常用于对图像梯度进行拟合的分布包括高斯 (gaussian)分布、拉普拉斯(laplacian)分布和超拉普拉斯(hyper
‑
laplacian)分布，若假设边缘分布为高斯分布，则去模糊问题在频域中存在解析解，可通过快速傅里叶变换高效地恢复图像，然而，清晰红外图像通常具有非高斯边缘，如图 2a至图2b所示，因此采用高斯分布对图像梯度进行拟合往往重建结果视觉效果较差；另一类常见方法是假设图像边缘符合拉普拉斯分布，然而，由于真实世界图像边缘分布的“重尾”特性，拉普拉斯分布的拟合效果同样不佳；故现阶段方法大多采用能够较好拟合“重尾”特性的超拉普拉斯分布对图像边缘分布进行拟合，以此作为先验信息，进而达到反卷积去模糊的目的；
[0119]
s2)以压缩感知超分辨率模型为基础，结合图像反卷积先验信息，引入图像边缘分布先验约束，构建出压缩感知非盲超分辨率模型，对电力设备红外图像进行重建；具体的，
[0120]
采用任意分布对电力设备红外图像的边缘进行拟合，均记作其中0＜α≤2；若0＜α＜1则为超拉普拉斯分布，α＝1为拉普拉斯分布，α＝2为高斯分布；根据贝叶斯定理，清晰图像后验概率写作p(x|y)＝p(y|x)p(x)，故x的最大后验概率解为：
[0121][0122]
式中：第一项为数据保真项，通过l2范数约束实现；第二项可变形为其中f
i
为各阶导数滤波器，下标i的取值为i＝{x,y,xx,yy,xy}；
[0123]
此时即可构建出压缩感知非盲超分辨率模型为：
[0124][0125]
式中：λ为边缘分布先验约束强度系数；
[0126]
图3a所示为低分辨率模糊图像，本发明以压缩感知超分辨率模型为基础，结合图像反卷积先验信息，提出了压缩感知非盲超分辨率模型，但此时对模型仍需做进一步改进，原因在于边缘分布先验约束强度系数的取值并未考虑图像内部像素点语义的不同，采用相同数值对整张图片进行约束，此方式会致使强正则化，即取值较大时，重建图像边缘纹理模糊，而弱正则化时重建图像出现伪影振铃，从而导致重建图像质量降低；如图3c所示，当采取强正则化对图像边缘先验信息进行约束，即λ＝0.1
×
10
‑1时，重建结果不含振铃伪影，但设备边缘纹理较为模糊，图像对比度低，视觉效果较差；如图3d所示，当采取弱正则化进行约束，即λ＝0.1
×
10
‑4时，重建图像较为清晰，设备边缘纹理对比度高，但图像中较为平滑的
区域出现了明显的振铃效应；而本发明进一步采用步骤 s3)；
[0127]
s3)采用双先验二次估计的方式对重建的电力设备红外图像中显著边缘区域加以提取，根据生成的标签图像区分边缘区域和平滑区域，采用不同λ取值对正则项强度加以调整，获得了较好的重建结果，如图3b所示，其重建图像边缘纹理清晰，且不含振铃伪影。
[0128]
如图4所示，本发明所采取的自适应正则项强度调整方法主体为通过采用不同先验作为约束，根据式(4)的模型对图像进行二次重建；首次重建模型采用便于求解的高斯先验，提取重建图像显著边缘，生成标签图像；二次重建采用效果较好的超拉普拉斯先验作为约束，根据标签图像对不同像素点正则化强度做自适应调整。
[0129]
步骤s3)中所述采用不同λ取值对正则项强度加以调整，具体包括：
[0130]
s31)令式(4)中边缘分布先验参数α取值为2，求解式(4)得到初步重建图像x1；
[0131]
s32)采用滤波器组{f
x
,f
y
,f
xx
,f
yy
,f
xy
}对初步重建图像x1做滤波处理，得到各方向边缘图像；
[0132]
s33)对各方向边缘图像做阈值收缩，收缩方式为：
[0133][0134]
式中：为收缩阈值；σ为比例系数；收缩结果记作 x
i
＝{x
x
,x
y
,x
xx
,x
yy
,x
xy
}；
[0135]
s34)求解整合各方向显著边缘为最终图像显著边缘结果
[0136]
s35)将中小于的元素置0，其余元素置为1，生成二值化图像；
[0137]
s36)对二值化图像做数学形态学处理，先后做开、闭运算各一次，去除二值化图像噪声，得到最终标签图像x
lab
，在求得x
lab
后对λ数值进行自适应控制，方式为：
[0138][0139]
并将λ
(m,n)
代入式(4)，对式(4)进行求解，则完成图像超分辨率重建。
[0140]
步骤s36)中所述对式(4)进行求解，在不同α取值下的求解方法，具体包括：采用半二次分裂的方法为式(4)引入辅助变量，通过交替迭代的方式对模型进行求解；引入辅助变量后模型为：
[0141][0142]
式中：g,x
s
为辅助变量；ε,η,η'为惩罚系数，其数值随迭代次数的增加而增大，当其足够大时认为式(7)与式(4)同解；
[0143]
辅助变量求解方法：
[0144]
由于α取值不同时，项表示方式，求解方法均不相同，因此首先给出变量g和x
s
的求解方法，其中g采用梯度下降法进行求解；固定x
s
,x后，目标函数为：
[0145][0146]
式(8)关于g的导数为：
[0147][0148]
迭代步长则通过非单调线性搜索方法确定，即当满足以下条件时：
[0149][0150]
确定此次迭代步长为σ
(n)
，若不等式不满足，则令σ
(n)
'＝0.6σ
(n)
，并将σ
(n)
'代入式(10)重新判断直至不等式成立；其中，非零常数θ∈[0,1]，c
(n)
的确定方式为：
[0151]
c
(n 1)
＝(τq
(n)
c
(n)
f(g
(n 1)
))/q
(n 1)
ꢀꢀꢀꢀꢀ
(11)
[0152]
式中：c
(0)
＝f(g
(0)
)，f(g
(n)
)为g第n次迭代时式(8)的取值；常数τ∈[0,1]；q
(n 1)
的计算方式为：
[0153]
q
(n 1)
＝τq
(n)
1
ꢀꢀꢀꢀꢀ
(12)
[0154]
式中：q
(0)
＝1，当||g
(n 1)
‑
g
(n)
||2＜υ，其中υ为一足够小的正常数时，迭代完成；
[0155]
x
s
变量在固定变量g和x后，采用软阈值收缩的方式求解，其目标函数为：
[0156][0157]
解为：
[0158][0159]
式中：sign(
·
)为符号函数；为分量乘法；
[0160]
待重建图像求解方法：
[0161]
下面分情况给出待重建图像x的求解方法，当α＝2时，固定g和x
s
，目标函数为：
[0162][0163]
由于此时采用高斯先验做初步重建，目的仅为提取图像显著边缘，故λ统一取较大数值为0.1
×
10
‑2，以抑制铃伪影的产生，式(15)对变量x求导，并令导数为0可得：
[0164][0165]
式中：k,f
i
分别为卷积算子k,f
i
的矩阵形式，应用二维快速傅里叶变换可直接求解x得：
[0166][0167]
式中：表示快速傅里叶变换；表示快速傅里叶反变换；为的复共轭；表示分量乘法；分式为对应元素相除；
[0168]
当目标函数中时，采用自适应正则化方式构建非盲超分辨率模型，目标函数为：
[0169][0170]
式中：m,n分别为图像行列方向像素点数量；λ
(m,n)
按式(6)计算方式确定取值；使用半二次分裂法引入辅助变量w
i
，目标函数变形为：
[0171][0172]
式(19)可分为x子问题和w子问题的求解，其中x子问题求解时，目标函数为：
[0173][0174]
其求解方式与式(15)相同，通过快速傅里叶变换即可求得x为：
[0175][0176]
求得x后对w子问题进行求解，令则目标函数简写为：
[0177][0178]
通过对式(22)求导，并令导数为0，可得：
[0179][0180]
进一步变形为：
[0181][0182]
记方程(24)根为r，当r介于与v之间时，式(24)的解w'＝r，否则w'＝0。
[0183]
步骤s1)中所述压缩感知基本模型的构建，具体包括：
[0184]
图像为一种二维信号记作x，将其像素点按列展开后化为一维信号x，一维信号x应用cs原理重构信号时通过稀疏变换矩阵ψ对一维信号x进行稀疏表示，在不考虑图像采集模糊过程时，其模型为：
[0185]
y＝φψx
s
＝ax
s
ꢀꢀꢀꢀꢀꢀ
(25)
[0186]
式中：x＝ψx
s
；x
s
为稀疏信号；a＝φψ为传感矩阵，此时通过测量信号y求解x
s
，从而根据ψx
s
得到待重构信号x，求解x
s
的目标函数为：
[0187][0188]
但由于式(26)仅考虑了图像下采样过程，并未考虑模糊卷积过程，因此为获得更好的重建效果，有必要根据图像降质模型对其进行改进。
[0189]
上文分别给出了压缩感知非盲超分辨率方法中各未知变量的计算方式，当α取不同数值时，式(4)的整体求解过程，如图5所示。
[0190]
本节对低分辨率模糊红外图像进行非盲超分辨率重建实验以验证算法性能，实验环境为：intel(r)core(tm)i5
‑
9300h cpu@2.40ghz，内存16.00gb，采用matlab r2019a编
程，稀疏基ψ使用daubechies
‑
8小波基，通过反复实验调整得到以下固定参数：β＝η＝1，ε＝0.25，σ＝0.3，ε
max
＝β
max
＝η'
max
＝256。
[0191]
在对实际拍摄的低分辨率模糊电力设备红外图像进行重建的对比实验中，对比方法选取keys(keys r.cubic convolution interpolation for digital image processing[j].ieee transactions on acoustics，speech，and signal processing，1981， 29(6)：1153
‑
1160.)，glasner(glasner d，bagon s，irani m.super
‑
resolution from a single image[c]//2009 ieee 12th international conference on computer vision.ieee，2009：349
‑
356.)，dong(dong w，zhang l，shi g，et al.nonlocally centralized sparse representation for image restoration[j].ieee transactions on image processing，2012，22(4)：1620
‑
1630.)和zhao(zhao n，wei q，basarab a，et al.fast single image super
‑
resolution using anewanalytical solution for l2
–
l2 problems[j].ieee transactions on image processing，2016，25(8)： 3683
‑
3697.)提出方法，模糊核估计方法统一选取michaeli(michaeli t，irani m.nonparametric blind super
‑
resolution[c]//proceedings of the ieee international conference on computervision.2013：945
‑
952.)中方法，实际拍摄的电力设备红外图像由于不存在原始高分辨率清晰图像，因此采用无原图评价指标对重建结果进行量化，所采取的指标为影像平均梯度(average gradient,ag)以及信息熵(information entropy,ie)指标；其中ag的计算方式为：
[0192][0193]
式中：f
x
(i,j)和f
y
(i,j)分别为图像行方向和列方向的sobel差分算子对图像运算的结果，ag指标越大，说明图像中层次越多、边缘越清晰；
[0194]
信息熵定义为：
[0195][0196]
式中：p(i)为灰度值为i的像素点在影像中出现的频率，最终求得的ie数值越大，表示图像中包含的信息越丰富。
[0197]
选取10张实际拍摄的模糊低分辨率电力设备红外图像进行超分辨率重建，给出其中两张图像的具体重建结果图像，以及全部10张图像的客观评价参数数值，其中一号红外图像如图6a所示，实验结果如图6b至图6f所示，二号红外图像如图7a所示，实验结果如图7b至图7f所示。
[0198]
由图6a至图7f可见，本发明方法在对实际拍摄的低分辨率红外图像进行重建时，相较对比方法而言，其细节纹理、边缘轮廓明显更为清晰，对图像质量的改善更为明显；为进一步量化方法性能，采用ag和ie指标对重建结果进行评价，如图8所示，发现本发明方法重建图像ag和ie指标相较对比方法而言，有着明显优势，说明重建图像内部纹理更为清晰，且所含信息更多，客观评价指标与主观视觉效果相印证，体现了本发明方法的性能优势。
[0199]
本发明提供的电力设备红外图像非盲超分辨率方法，以压缩感知超分辨率模型为基础，结合图像反卷积先验信息，提出了压缩感知非盲超分辨率模型，并为进一步提升重建图像质量、抑制伪影振铃的产生，在重建过程中对正则项强度系数进行自适应控制；本发明
与现有经典非盲超分辨率方法相比，能够有效地抑制去模糊过程中伪影振铃的产生，且重建图像视觉效果更好，包含更为丰富的细节纹理信息。本发明提供的方法能够直接使用，无需前期采用大量原始高清图像对模型进行训练，具有易于推广的优势；根据实验结果可见，本发明所提方法能够更好的提升图像边缘轮廓清晰水平，丰富图像细节纹理信息；其中本发明方法相对现有方法，优势在于：无需任何训练样本，可直接使用，且方法性能有明显提高，能够更好地提升低精度红外传感器采集得到的红外图像质量，为电力设备红外诊断技术的广泛应用提供良好基础。
[0200]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。