Description of a Poisson Imagery Super Resolution Algorithm 论文阅读-CSDN博客

本文链接：https://blog.csdn.net/yangqoor/article/details/146327038

Description of a Poisson Imagery Super Resolution Algorithm

1. 论文的研究目标与实际意义

1.1 核心研究目标

论文旨在解决衍射极限下的空间频率信息恢复问题（Recovery of Spatial Frequencies Beyond the Diffraction Limit）。传统图像复原仅能修正衍射极限内的光学传递函数（OTF, Optical Transfer Function）退化，而该研究提出一种基于泊松噪声模型的最大后验估计（MAP, Maximum a Posteriori）算法，突破衍射极限限制，实现超分辨率（Super-Resolution, SR）。

1.2 拟解决的实际问题

信息缺失：成像系统受衍射极限约束，丢失物体高频细节。
噪声干扰：光子计数场景（如天文观测、低光成像）存在泊松噪声，传统线性算法（如维纳滤波）失效。
模型适配性：现有超分辨率算法（如Gerchberg迭代）缺乏对光子噪声的显式建模。

1.3 产业意义

应用领域	具体价值
遥感成像	提升卫星/航空影像分辨率，减少硬件成本（如无需更大口径镜头）
医学影像	增强显微成像细节（如细胞结构观察），推动病理诊断精度
安防监控	从低分辨率监控视频中恢复人脸、车牌等关键信息
天文观测	突破望远镜衍射极限，获取更清晰星体图像

2. 基础模型、创新方法

2.1 基础模型框架

2.1.1 成像系统的离散化建模

论文采用严格离散采样模型：

图像采样：探测器间距 $T$ 满足 Nyquist 准则（衍射极限约束），采样点为 $g(jT),\, j=1,2,...,M$
对象超采样：为恢复超分辨率信息，对象采样间隔为 $T/\alpha$ （ $\alpha>1$ ），采样点为 $f(kT/\alpha),\, k=1,2,...,\alpha N$
点扩散函数（PSF）适配： $h$ 在 $T/\alpha$ 网格采样，确保与 $f$ 卷积兼容

2.1.2 泊松统计模型

基于光子计数物理过程建立概率模型。贝叶斯定理：
$p(f\mid g)=\frac{p(g\mid f) p(f)}{p(g)}$
其中：

$p (f)$ ：对象的先验概率密度函数（pdf），假设为泊松分布：（式3）：
$p(f)=\prod_{k=1}^{\alpha N}\frac{ {\overline{f(k T/\alpha)}}^{f(k T/\alpha)}\exp(-\overline{f(k T/\alpha)})}{f(k T/\alpha)!}$
其中 $\overline{f(kT/\alpha)}$ 是位置 $k$ 的平均光子通量（Unknown Mean Photon Flux）
$p(g\mid f)$ ：成像似然函数，同样为泊松分布：（式4）：
$p(g\mid f)=\prod_{j=1}^{M}\frac{\left(\sum_{k=1}^{\alpha N} h(j T-k T/\alpha) f(k T/\alpha)\right)^{g(j T)}\exp\left(-\sum_{k=1}^{\alpha N} h(j T-k T/\alpha) f(k T/\alpha)\right)}{g(j T)!}$