作者：肖亮博士 发布时间：09-10-25 阅读：465
所属分类：默认栏目
课题意义
超分辨率重建(super-resolution reconstruction) 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[1]。超分辨率重建技术综合考虑成像过程中诸如运动变形、光学模糊、低采样率、随机噪声等等各种退化因素，在航空成像、遥感成像、医学成像、层析成像等众多领域具有广泛应用前景。从数学的角度看， 图像超分辨率重建是Hardmard 意义下的非适定数学反问题，因此成为图像处理、计算机视觉和计算调和分析等多学科领域国际上众多研究者关注的热点问题。
迄今为止，人们已经提出图像超分辨率重建的许多算法。但是如何进一步刻画图像的边缘结构、纹理等图像中重要视觉特征，提高图像超分辨算法对图像不同视觉特征的保持能力，解决超分辨问题的不适定性有待深入研究。图像超分辨是包含图像去噪、去模糊、去马赛克、图像放大等的组合问题，图像形态分量分析（MCA- Morphological Component Analysis）通过结合图像的稀疏表示（Sparce representation）理论和变分方法进行图像分解，在图像超分辨应用中具有潜在优势：1）MCA通过分类稀疏表示字典将图像分解为“几何结构分量”、“振荡或纹理分量”、“噪声分量”，提供了良好的图像结构、纹理自适应处理和噪声分离机制；2）MCA继承了过完备稀疏表示与信号重建的优异性能，能够以最少的原子捕获图像中的高维奇异性特征。而这种捕获和跟踪机制是旋转、平移和伸缩不变的，因此对于超分辨重建的运动变形、光学模糊，低采样率的处理非常方便；3）MCA在稀疏表示的基础上，继承了图像几何正则化变分方法的优点，理论上为图像超分辨提供统一的变分框架。因此 MCA 理论为图像超分辨率复原提供了新的契机和研究思路。
基于上述学术思想，本项目旨在通过不同基函数系统或过完备字典对图像形态分量的统计不相干性和稀疏性的研究，建立符合类内强稀疏而类间强不相干的几何结构和纹理分量稀疏表示子字典，提出更广义MCA框架下的稀疏性度量、非局部结构正则化和噪声先验度量模型，并在凸分析和稳健统计学思想下，提出MCA框架下联合处理图像放大、去噪、去模糊、去马赛克效应的超分辨重建模型，通过子空间投影和迭代收缩方法提出超分辨率重建的多步迭代算法。本项目对于推动超分辩重建、图像理解、稀疏表示理论等发展都有重要意义。
1.2 国内外研究现状及分析
MCA方法是国际著名学者J.-L. Starck, M. Elad, D.L. Donoho 在2004年提出的一种将图像分解为 “几何结构”、“振荡或纹理”、“噪声”的多形态分量分解方法[2-4]。该方法与混叠信号盲分离在本质上近乎相同，与独立分量分析（ICA）之间的紧密联系。之后这些学者对MCA中形态成分稀疏性和多样性[5]、自适应投影阈值选取[6]等问题作了研究，并推广到多通道情形[7]。在MCA提出之前，关于图像分解的研究如火如荼。主要包括“基于稀疏表示的图像分解”和“基于变分方法的图像分解”。MCA方法较好的结合了变分方法和稀疏表示方法两类图像分量分解的优点，为图像超分辨等图像处理问题提供了良好的处理机制。
首先从关于图像形态成分分解的变分方法来看，国际上研究的研究朝着对图像结构和纹理等形态成分刻画更精细、计算更简单的方向发展。1992年，Rudin-Osher-Fatemi 提出含噪图像能分解为一个属于有界变差空间 的结构分量和一个属于 的噪声分量的全变差模型 [8]。根据国际上的研究表明：ROF模型模型较好地刻画了图像中的边缘结构，但不能描述纹理信息。2001年Meyer提出了振荡模式分解理论[2]：他认为纹理等振荡分量可以属于3个可能的函数空间，分别是 （BV,G）空间、有界均值振荡空间（BV,F） 和齐性Besov（BV,E）空间 。由此导出了图像分解的（BV,G）模型,（BV,F）模型和（BV,E）模型。Meyer理论上基本解决了振荡分量建模的理论框架，成为纹理等振荡模式分解的奠基性工作，但是原始模型比较难计算。后来的学者大都在Meyer工作的基础上展开。Vese-Osher提出将振荡分量建模为 的向量场的散度来逼近（BV,G）模型[9]，实质上是将空间 近似为负Soblev空间 。L.Lieu和L.Vese进一步推广到分数阶负Soblev空间 [10]。Aujol,Chamboll等人定义了G-空间中的一个子空间 ，提出了著名的BV空间半范 + 空间范数 + L2 范数约束优化模型及子空间投影算法 [11-12]。J.B.Garnet等提出更一般的齐性Besov空间 来刻画振荡分量 [13]。最近，J.Aujol, A.Chamboll分别对TV范数、G范数、F范数、E范数，L 2 范数对图像的结构、纹理和噪声进行数理统计和相关性分析，提出了分别运用TV范数、G范数和E范数联合约束优化的三分量图像分解模型[14]。2007年，G.Gilboa 和S. Osher受提出了非局部化G-空间的概念，并概括性的提出了非局部ROF模型、非局部Meyer模型、非局部ROF+L1模型[15]，进一步从理论上提供了图像形态分量分解的新思路。但是综合目前研究来看，变分方法的主要不足是对于纹理和噪声的刻画还不够精细。
其次从于图像分解的稀疏表示方法来看，大体上沿两条主线展开。其一是采取“固定基”：由于二维图像中的性状奇异性边缘和3-D 图像中丝状物(filaments) 和管状物(tubes)几何特征不能被各向同性的“方块基”（如小波基）表示，而“最稀疏”的函数表示方法应该由各向异性的“锲形基”表征（如Ridgelet、Curvelet、Bandlet, Contourlet[16-17]）；而纹理分量可以较好的由局部DCT、Gabor 框架等表征。其二是：“固定基”被基于过完备字典（(over-complete dictionary)的稀疏表示系统取代，提出了诸如基追踪、匹配追踪、正交匹配追踪、混合匹配追踪及许多算法。涉及的字典包括多尺度Gabor函数，各向异性的精细原子，Grassmannian框架，小波和正弦函数的级联[18-19]等，并通过训练方法获得结构和纹理分量稀疏表示字典[20-22]。随着多尺度方向分析和过完备字典稀疏表示理论的发展，关于稀疏成分分析和压缩传感（Compressive Sensing）理论[23]等的研究近几年引起国内众多研究者的关注，目前研究表明基于稀疏表示的分解方法能明显提高混叠信号和图像形态成分的分离精度。近3年图像稀疏表示也成为国内众多研究者关注的热点问题，根据>的检索来看，在2004年之前几乎没有相关报道，而从2004年1月至2008年2月，中国期刊发表的图像稀疏表示与多尺度几和分析应用方面的论文达到187篇,其中关于Ridgelet 56篇，关于Contourlet 63篇，关于 Curvelet 34篇，关于过完备稀疏表示34篇。焦李成教授、谢胜利教授，尹忠科教授、王正明教授及课题组成员等纷纷展开了基于稀疏表示的相关应用问题的研究[28-32]。申请者及其合作者在基于多尺度几何分析的图像增强、去噪、融合、边缘检测、感知压缩和数字水印等展开了相关应用研究，研究表明：基于稀疏表示的形态分量分解理论能够很好的捕获图像的几何特征，在图像建模和处理方面具有先天优势。但是综观国内的这些研究还与国外原创性成果具有很大差距。特别在稀疏表示字典的构造、高效稀疏分解算法、信号稀疏性度量与重建机理等层面均有大量工作可做。
在图像超分辨方面，自1984年，Tsai和Huang首先提出一种基于Fourier变换域的多幅卫星图像SR重建算法以后，图像超分辨重建算法层出不穷，IEEE多篇综述文章从不同角度对超分辨率复原技术作了回顾与展望[1-2],经典算法包括：迭代反投影(IBP)法、凸集投影(POCS)法、最大似然(ML)/最大后验概率(MAP)估计法和混合ML/ MAP/POCS法，基于样本的学习方法.进几年，随着图像处理中的稀疏表示和变分PDE深入研究，为解决超分辨重建的不适定性提供了一条有效途径，出现了一系列新方法。例如Farsiu等人[34]提出基于双边滤波思想和l1 范数耦合的超分辨率复原算法。将稀疏表示与变分PDE相结合解决超分辨率复原问题的代表性工作是J.Stack,L.Donoho提出的联合变分方法的图像分解，并将其应用到图像去噪、图像修补中[23,26]。国内对于图像超分辨率复原的研究主要工作有，张新明等人[35]基于Huber-MRF图像先验模型，提出一种基于多尺度边缘保持正则化的MAP超分辨率复原算法；孟庆武[36]基于Gaussian-MRF图像先验模型,提出一种联合估计帧间位移和高分辨率图像的预估计混叠度MAP超分辨率处理算法. 国防科技大学王正明、郁文贤教授等展开了基于过完备原子库稀疏分解的雷达成像超分辨率研究[31-32]，已取得初步研究成果。边缘保持的正则化图像超分辨重建也受到国内研究者的关注[37-38]。
申请者及其课题组成员近几年来对基于变分PDE的图像处理作了有益探索，包括：在黎曼几何的框架下提出了向量值图像推广的Mumford-Shah模型；基于PCA方法的“上下文几何特征”的稳健性边缘方向估计，超分辨率复原的非线性方向扩散算法，取得了很好的效果。课题组成员最近利用基于广义Huber-MRF图像先验模型、几何结构驱动PDE展开图像恢复、单幅图像放大和多幅图像超分辨等问题展开了卓有成效的研究（参见申请者及成员发表论文）。
1.3 亟待解决的科学问题
尽管，当今图像联合“变分方法”和“稀疏表示方法”的MCA在图像处理等方面的研究在不断深入，但应用于图像超分辨率重建尚存在着理论和算法上具有挑战性的问题，主要在于：
◇如何建立不同基库或过完备字典对图像形态分量的稀疏性先验度量，选择在类内强稀疏、而类间强不相干的形态分量稀疏表示字典？
◇如何建立具有上下文结构的正则化几何先验和噪声模型，提高超分辨重建中噪声抑制和边缘结构保持能力？
◇如何有效地结合“变分方法”和“稀疏表示”方法的几何结构捕获能力，设计更为高效的超分辨率重建的约束优化模型？
◇如何针对MCA框架的约束优化超分辨重建模型，设计快速、稳定和收敛的实用算法？
目前，人们已经对MCA方法解决图像处理问题的挑战性有了一定的认识，已经在这方面作了初步理论和应用研究，但是这些研究还有待深入。因此本项目将从上述四点挑战性问题出发，展开相关研究，有望在这些方面取得突破性进展。
1.4 参考文献
[1] S. C. Park, M. K. Park, and M. G. Kang. Super-resolution image reconstruction – a technical overview, IEEE Signal Processing Magazine, 2003, 20(3): 21~36.
[2] J. L. Starck, M. Elad, and D.L. Donoho. Redundant Multiscale Transforms and their Application for Morphological Component Analysis. Advances in Imaging and Electron Physics, 2004,132
[3] M.Elad. Simultaneous cartoon and texture image inpainting using morphological component analysis (MCA), Journal on Applied and Computational Harmonic Analysis. 2005,19(3): 340–358
[4] J.L. Starck, M. Elad, and D.L. Donoho.Image Decomposition Via the Combination of Sparse Representation and a Variational Approach. IEEE Transaction on Image Processing , 2005,14(10):1570-1582.
[5] J.Bobin1, Y.Moudden1, J.Fadili2 and J-L.Starck. Morphological diversity and sparsity in blind source separation
[6] J. Bobin, J.-L. Starck, J. Fadili, Y. Moudden, and D.L. Donoho. Morphological Component Analysis : An Adaptive Thresholding Strategy. IEEE Transactions on Image Processing, 2007, 16(1):2675 - 2681.
[7] J. Mairal, M. Elad, G. Sapiro. Sparse Representation for Color Image Restoration. IEEE Transactions on Image Processing, 2008，17(1):53-68.
[8] L. Rudin, S. Osher, E. Fatemi, Nonlinear total variation based noise removal algorithms, Physica D, 1992,60:259-268.
[9] Y. Meyer, Oscillating Patterns in Image Processing and Nonlinear Evolution Equations, University.Lecture Series, Vol. 22, Amer. Math. Soc., 2001.
[10] L. A. Vese, and S. J. Osher, Image Denoising and Decomposition with Total Variation Minimization and Oscillatory Functions. Journal of Mathematical Imaging and Vision, 2004, 20(1):7-18.
[11] L. Lieu and L. Vese, Image Restoration and Decomposition via Bounded Variation and Negative Hilbert-Sobolev Spaces, UCLA CAM Report, 05-33, May 2005.
[12] J. F. Aujol, G. Aubert, L. Blanc-F´eraud, and A. Chambolle, Image decomposition into a bounded variation component and an oscillating component, Journal of Mathematical Imaging and Vision, 2005, 22(1): 71-88.
[13] J.B.Garnett, Triet M.Le, Y.Meyer, L.Vese. Image Decomposition using bounded variation generalized Homogeneous Besov spaces. 2005:UCLA CAM Report 05-57.
[14] J.-F Aujol and A. Chambolle. Dual norms and image decomposition models. International Journal of Computer Vision, 2005, 63(1):85-104.
[15] G.Giboa, S.Osher. Non-local linear image reconstruction and supervised segmentation. SIAM Multiscale Modeling and simulation, 2007, 6(2):595-630.
[16] J. L. Starck, E. J. Candès, and D. L. Donoho.The curvelet transform for image denoising, IEEE Trans. Image Processing, 11(6): 670–684,.
[17] 焦李成，谭山. 图像的多尺度几何分析：回顾和展望. 电子学报，2003;31(12A):1975-1981.
[18] S. Mallat,D.Zhang. Matching pursuit with time-frequency dictionaries. IEEE Transactions on Signal Processing. 1993, 41(12): 3397–3415.
[19] M. F.Rosa V. Pierre Low-rate and flexible image coding with redundant representation. IEEE Transactions on Image Processing, 2006,15(3):726-739.
[20] Xu Peng,Yao Dezhong Two dictionaries matching pursuit for sparse decomposition of signals
Signal Processing, 2006,86(11):3472-3480
[21] M. Elad, A.Michal. Image denoising via sparse and redundant representations over learned dictionaries. IEEE Transactions on Image Processing, 2006, 15(12) : 3736-3745
[22] G.Monaci, P. Jost, P.Vandergheynst, etal. Learning Multimodal Dictionaries. IEEE Transactions on Image Processing, 2007,16(9): 2273-2283.
[23] Donoho, David L. Compressed sensing. IEEE Transactions on Information Theory, 2006, 52(4):1289-130.
[24] 何昭水，谢胜利，傅予力. 信号的稀疏性分析. 自然科学进展，2006，16（9）：1167-1173.
[25] 谢胜利，何昭水，傅予力.基于稀疏元分析的欠定混叠自适应盲分离方法. 中国科学E，2007,37(8) : 1086~1098.
[26] 尹忠科等.利用FFT实现基于MP的信号稀疏分解. 电子与信息学报，2006，28(4)：614-618.
[27] 汪雄良,冉承其,王正明. 基于紧致字典的基追踪方法在SAR图像超分辨中的应用. 电子学报，2006,34(6):997-1000.
[28] 杜小勇,胡卫东,郁文贤. 基于稀疏分量分析的逆合成孔径雷达成像技术. 电子学报，2006，34(3): 491-495.
[29] J.D.VanOuwerkerk, Image super-resolution survey. Image and Vision Computing, 2006, 24(10):1039-1052.
[30] Farsiu, Sina Elad, Michael; Milanfar, Peyman. Multiframe demosaicing and super-resolution of color images.IEEE Transactions on Image Processing, 2006, 15(1):141-159
[31] 张新明，沈兰荪.基于多尺度边缘保持正则化的超分辨率复原.软件学报,2003,14(06):1075-1081.
[32] 孟庆武.预估计混叠度的 MAP 超分辨率处理算法.软件学报,2004,15(02):207-214.
[33] 韩玉兵,束锋,孙锦涛,吴乐南. 基于MG2CG算法的图像超分辨率重建. 电子学报，2007，35(7):1394-1397.
[34] 禹晶，苏凯娜，肖创柏.一种改善超分辨图像重建中边缘质量的方法. 自动化学报，2007，33(6):577-582.
作者：肖亮博士 发布时间：09-10-25 阅读：465
所属分类：默认栏目
课题意义
超分辨率重建(super-resolution reconstruction) 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[1]。超分辨率重建技术综合考虑成像过程中诸如运动变形、光学模糊、低采样率、随机噪声等等各种退化因素，在航空成像、遥感成像、医学成像、层析成像等众多领域具有广泛应用前景。从数学的角度看， 图像超分辨率重建是Hardmard 意义下的非适定数学反问题，因此成为图像处理、计算机视觉和计算调和分析等多学科领域国际上众多研究者关注的热点问题。
迄今为止，人们已经提出图像超分辨率重建的许多算法。但是如何进一步刻画图像的边缘结构、纹理等图像中重要视觉特征，提高图像超分辨算法对图像不同视觉特征的保持能力，解决超分辨问题的不适定性有待深入研究。图像超分辨是包含图像去噪、去模糊、去马赛克、图像放大等的组合问题，图像形态分量分析（MCA- Morphological Component Analysis）通过结合图像的稀疏表示（Sparce representation）理论和变分方法进行图像分解，在图像超分辨应用中具有潜在优势：1）MCA通过分类稀疏表示字典将图像分解为“几何结构分量”、“振荡或纹理分量”、“噪声分量”，提供了良好的图像结构、纹理自适应处理和噪声分离机制；2）MCA继承了过完备稀疏表示与信号重建的优异性能，能够以最少的原子捕获图像中的高维奇异性特征。而这种捕获和跟踪机制是旋转、平移和伸缩不变的，因此对于超分辨重建的运动变形、光学模糊，低采样率的处理非常方便；3）MCA在稀疏表示的基础上，继承了图像几何正则化变分方法的优点，理论上为图像超分辨提供统一的变分框架。因此 MCA 理论为图像超分辨率复原提供了新的契机和研究思路。
基于上述学术思想，本项目旨在通过不同基函数系统或过完备字典对图像形态分量的统计不相干性和稀疏性的研究，建立符合类内强稀疏而类间强不相干的几何结构和纹理分量稀疏表示子字典，提出更广义MCA框架下的稀疏性度量、非局部结构正则化和噪声先验度量模型，并在凸分析和稳健统计学思想下，提出MCA框架下联合处理图像放大、去噪、去模糊、去马赛克效应的超分辨重建模型，通过子空间投影和迭代收缩方法提出超分辨率重建的多步迭代算法。本项目对于推动超分辩重建、图像理解、稀疏表示理论等发展都有重要意义。
1.2 国内外研究现状及分析
MCA方法是国际著名学者J.-L. Starck, M. Elad, D.L. Donoho 在2004年提出的一种将图像分解为 “几何结构”、“振荡或纹理”、“噪声”的多形态分量分解方法[2-4]。该方法与混叠信号盲分离在本质上近乎相同，与独立分量分析（ICA）之间的紧密联系。之后这些学者对MCA中形态成分稀疏性和多样性[5]、自适应投影阈值选取[6]等问题作了研究，并推广到多通道情形[7]。在MCA提出之前，关于图像分解的研究如火如荼。主要包括“基于稀疏表示的图像分解”和“基于变分方法的图像分解”。MCA方法较好的结合了变分方法和稀疏表示方法两类图像分量分解的优点，为图像超分辨等图像处理问题提供了良好的处理机制。
首先从关于图像形态成分分解的变分方法来看，国际上研究的研究朝着对图像结构和纹理等形态成分刻画更精细、计算更简单的方向发展。1992年，Rudin-Osher-Fatemi 提出含噪图像能分解为一个属于有界变差空间 的结构分量和一个属于 的噪声分量的全变差模型 [8]。根据国际上的研究表明：ROF模型模型较好地刻画了图像中的边缘结构，但不能描述纹理信息。2001年Meyer提出了振荡模式分解理论[2]：他认为纹理等振荡分量可以属于3个可能的函数空间，分别是 （BV,G）空间、有界均值振荡空间（BV,F） 和齐性Besov（BV,E）空间 。由此导出了图像分解的（BV,G）模型,（BV,F）模型和（BV,E）模型。Meyer理论上基本解决了振荡分量建模的理论框架，成为纹理等振荡模式分解的奠基性工作，但是原始模型比较难计算。后来的学者大都在Meyer工作的基础上展开。Vese-Osher提出将振荡分量建模为 的向量场的散度来逼近（BV,G）模型[9]，实质上是将空间 近似为负Soblev空间 。L.Lieu和L.Vese进一步推广到分数阶负Soblev空间 [10]。Aujol,Chamboll等人定义了G-空间中的一个子空间 ，提出了著名的BV空间半范 + 空间范数 + L2 范数约束优化模型及子空间投影算法 [11-12]。J.B.Garnet等提出更一般的齐性Besov空间 来刻画振荡分量 [13]。最近，J.Aujol, A.Chamboll分别对TV范数、G范数、F范数、E范数，L 2 范数对图像的结构、纹理和噪声进行数理统计和相关性分析，提出了分别运用TV范数、G范数和E范数联合约束优化的三分量图像分解模型[14]。2007年，G.Gilboa 和S. Osher受提出了非局部化G-空间的概念，并概括性的提出了非局部ROF模型、非局部Meyer模型、非局部ROF+L1模型[15]，进一步从理论上提供了图像形态分量分解的新思路。但是综合目前研究来看，变分方法的主要不足是对于纹理和噪声的刻画还不够精细。
其次从于图像分解的稀疏表示方法来看，大体上沿两条主线展开。其一是采取“固定基”：由于二维图像中的性状奇异性边缘和3-D 图像中丝状物(filaments) 和管状物(tubes)几何特征不能被各向同性的“方块基”（如小波基）表示，而“最稀疏”的函数表示方法应该由各向异性的“锲形基”表征（如Ridgelet、Curvelet、Bandlet, Contourlet[16-17]）；而纹理分量可以较好的由局部DCT、Gabor 框架等表征。其二是：“固定基”被基于过完备字典（(over-complete dictionary)的稀疏表示系统取代，提出了诸如基追踪、匹配追踪、正交匹配追踪、混合匹配追踪及许多算法。涉及的字典包括多尺度Gabor函数，各向异性的精细原子，Grassmannian框架，小波和正弦函数的级联[18-19]等，并通过训练方法获得结构和纹理分量稀疏表示字典[20-22]。随着多尺度方向分析和过完备字典稀疏表示理论的发展，关于稀疏成分分析和压缩传感（Compressive Sensing）理论[23]等的研究近几年引起国内众多研究者的关注，目前研究表明基于稀疏表示的分解方法能明显提高混叠信号和图像形态成分的分离精度。近3年图像稀疏表示也成为国内众多研究者关注的热点问题，根据>的检索来看，在2004年之前几乎没有相关报道，而从2004年1月至2008年2月，中国期刊发表的图像稀疏表示与多尺度几和分析应用方面的论文达到187篇,其中关于Ridgelet 56篇，关于Contourlet 63篇，关于 Curvelet 34篇，关于过完备稀疏表示34篇。焦李成教授、谢胜利教授，尹忠科教授、王正明教授及课题组成员等纷纷展开了基于稀疏表示的相关应用问题的研究[28-32]。申请者及其合作者在基于多尺度几何分析的图像增强、去噪、融合、边缘检测、感知压缩和数字水印等展开了相关应用研究，研究表明：基于稀疏表示的形态分量分解理论能够很好的捕获图像的几何特征，在图像建模和处理方面具有先天优势。但是综观国内的这些研究还与国外原创性成果具有很大差距。特别在稀疏表示字典的构造、高效稀疏分解算法、信号稀疏性度量与重建机理等层面均有大量工作可做。
在图像超分辨方面，自1984年，Tsai和Huang首先提出一种基于Fourier变换域的多幅卫星图像SR重建算法以后，图像超分辨重建算法层出不穷，IEEE多篇综述文章从不同角度对超分辨率复原技术作了回顾与展望[1-2],经典算法包括：迭代反投影(IBP)法、凸集投影(POCS)法、最大似然(ML)/最大后验概率(MAP)估计法和混合ML/ MAP/POCS法，基于样本的学习方法.进几年，随着图像处理中的稀疏表示和变分PDE深入研究，为解决超分辨重建的不适定性提供了一条有效途径，出现了一系列新方法。例如Farsiu等人[34]提出基于双边滤波思想和l1 范数耦合的超分辨率复原算法。将稀疏表示与变分PDE相结合解决超分辨率复原问题的代表性工作是J.Stack,L.Donoho提出的联合变分方法的图像分解，并将其应用到图像去噪、图像修补中[23,26]。国内对于图像超分辨率复原的研究主要工作有，张新明等人[35]基于Huber-MRF图像先验模型，提出一种基于多尺度边缘保持正则化的MAP超分辨率复原算法；孟庆武[36]基于Gaussian-MRF图像先验模型,提出一种联合估计帧间位移和高分辨率图像的预估计混叠度MAP超分辨率处理算法. 国防科技大学王正明、郁文贤教授等展开了基于过完备原子库稀疏分解的雷达成像超分辨率研究[31-32]，已取得初步研究成果。边缘保持的正则化图像超分辨重建也受到国内研究者的关注[37-38]。
申请者及其课题组成员近几年来对基于变分PDE的图像处理作了有益探索，包括：在黎曼几何的框架下提出了向量值图像推广的Mumford-Shah模型；基于PCA方法的“上下文几何特征”的稳健性边缘方向估计，超分辨率复原的非线性方向扩散算法，取得了很好的效果。课题组成员最近利用基于广义Huber-MRF图像先验模型、几何结构驱动PDE展开图像恢复、单幅图像放大和多幅图像超分辨等问题展开了卓有成效的研究（参见申请者及成员发表论文）。
1.3 亟待解决的科学问题
尽管，当今图像联合“变分方法”和“稀疏表示方法”的MCA在图像处理等方面的研究在不断深入，但应用于图像超分辨率重建尚存在着理论和算法上具有挑战性的问题，主要在于：
◇如何建立不同基库或过完备字典对图像形态分量的稀疏性先验度量，选择在类内强稀疏、而类间强不相干的形态分量稀疏表示字典？
◇如何建立具有上下文结构的正则化几何先验和噪声模型，提高超分辨重建中噪声抑制和边缘结构保持能力？
◇如何有效地结合“变分方法”和“稀疏表示”方法的几何结构捕获能力，设计更为高效的超分辨率重建的约束优化模型？
◇如何针对MCA框架的约束优化超分辨重建模型，设计快速、稳定和收敛的实用算法？
目前，人们已经对MCA方法解决图像处理问题的挑战性有了一定的认识，已经在这方面作了初步理论和应用研究，但是这些研究还有待深入。因此本项目将从上述四点挑战性问题出发，展开相关研究，有望在这些方面取得突破性进展。
1.4 参考文献
[1] S. C. Park, M. K. Park, and M. G. Kang. Super-resolution image reconstruction – a technical overview, IEEE Signal Processing Magazine, 2003, 20(3): 21~36.
[2] J. L. Starck, M. Elad, and D.L. Donoho. Redundant Multiscale Transforms and their Application for Morphological Component Analysis. Advances in Imaging and Electron Physics, 2004,132
[3] M.Elad. Simultaneous cartoon and texture image inpainting using morphological component analysis (MCA), Journal on Applied and Computational Harmonic Analysis. 2005,19(3): 340–358
[4] J.L. Starck, M. Elad, and D.L. Donoho.Image Decomposition Via the Combination of Sparse Representation and a Variational Approach. IEEE Transaction on Image Processing , 2005,14(10):1570-1582.
[5] J.Bobin1, Y.Moudden1, J.Fadili2 and J-L.Starck. Morphological diversity and sparsity in blind source separation
[6] J. Bobin, J.-L. Starck, J. Fadili, Y. Moudden, and D.L. Donoho. Morphological Component Analysis : An Adaptive Thresholding Strategy. IEEE Transactions on Image Processing, 2007, 16(1):2675 - 2681.
[7] J. Mairal, M. Elad, G. Sapiro. Sparse Representation for Color Image Restoration. IEEE Transactions on Image Processing, 2008，17(1):53-68.
[8] L. Rudin, S. Osher, E. Fatemi, Nonlinear total variation based noise removal algorithms, Physica D, 1992,60:259-268.
[9] Y. Meyer, Oscillating Patterns in Image Processing and Nonlinear Evolution Equations, University.Lecture Series, Vol. 22, Amer. Math. Soc., 2001.
[10] L. A. Vese, and S. J. Osher, Image Denoising and Decomposition with Total Variation Minimization and Oscillatory Functions. Journal of Mathematical Imaging and Vision, 2004, 20(1):7-18.
[11] L. Lieu and L. Vese, Image Restoration and Decomposition via Bounded Variation and Negative Hilbert-Sobolev Spaces, UCLA CAM Report, 05-33, May 2005.
[12] J. F. Aujol, G. Aubert, L. Blanc-F´eraud, and A. Chambolle, Image decomposition into a bounded variation component and an oscillating component, Journal of Mathematical Imaging and Vision, 2005, 22(1): 71-88.
[13] J.B.Garnett, Triet M.Le, Y.Meyer, L.Vese. Image Decomposition using bounded variation generalized Homogeneous Besov spaces. 2005:UCLA CAM Report 05-57.
[14] J.-F Aujol and A. Chambolle. Dual norms and image decomposition models. International Journal of Computer Vision, 2005, 63(1):85-104.
[15] G.Giboa, S.Osher. Non-local linear image reconstruction and supervised segmentation. SIAM Multiscale Modeling and simulation, 2007, 6(2):595-630.
[16] J. L. Starck, E. J. Candès, and D. L. Donoho.The curvelet transform for image denoising, IEEE Trans. Image Processing, 11(6): 670–684,.
[17] 焦李成，谭山. 图像的多尺度几何分析：回顾和展望. 电子学报，2003;31(12A):1975-1981.
[18] S. Mallat,D.Zhang. Matching pursuit with time-frequency dictionaries. IEEE Transactions on Signal Processing. 1993, 41(12): 3397–3415.
[19] M. F.Rosa V. Pierre Low-rate and flexible image coding with redundant representation. IEEE Transactions on Image Processing, 2006,15(3):726-739.
[20] Xu Peng,Yao Dezhong Two dictionaries matching pursuit for sparse decomposition of signals
Signal Processing, 2006,86(11):3472-3480
[21] M. Elad, A.Michal. Image denoising via sparse and redundant representations over learned dictionaries. IEEE Transactions on Image Processing, 2006, 15(12) : 3736-3745
[22] G.Monaci, P. Jost, P.Vandergheynst, etal. Learning Multimodal Dictionaries. IEEE Transactions on Image Processing, 2007,16(9): 2273-2283.
[23] Donoho, David L. Compressed sensing. IEEE Transactions on Information Theory, 2006, 52(4):1289-130.
[24] 何昭水，谢胜利，傅予力. 信号的稀疏性分析. 自然科学进展，2006，16（9）：1167-1173.
[25] 谢胜利，何昭水，傅予力.基于稀疏元分析的欠定混叠自适应盲分离方法. 中国科学E，2007,37(8) : 1086~1098.
[26] 尹忠科等.利用FFT实现基于MP的信号稀疏分解. 电子与信息学报，2006，28(4)：614-618.
[27] 汪雄良,冉承其,王正明. 基于紧致字典的基追踪方法在SAR图像超分辨中的应用. 电子学报，2006,34(6):997-1000.
[28] 杜小勇,胡卫东,郁文贤. 基于稀疏分量分析的逆合成孔径雷达成像技术. 电子学报，2006，34(3): 491-495.
[29] J.D.VanOuwerkerk, Image super-resolution survey. Image and Vision Computing, 2006, 24(10):1039-1052.
[30] Farsiu, Sina Elad, Michael; Milanfar, Peyman. Multiframe demosaicing and super-resolution of color images.IEEE Transactions on Image Processing, 2006, 15(1):141-159
[31] 张新明，沈兰荪.基于多尺度边缘保持正则化的超分辨率复原.软件学报,2003,14(06):1075-1081.
[32] 孟庆武.预估计混叠度的 MAP 超分辨率处理算法.软件学报,2004,15(02):207-214.
[33] 韩玉兵,束锋,孙锦涛,吴乐南. 基于MG2CG算法的图像超分辨率重建. 电子学报，2007，35(7):1394-1397.
[34] 禹晶，苏凯娜，肖创柏.一种改善超分辨图像重建中边缘质量的方法. 自动化学报，2007，33(6):577-582.