基于結構自相似性與稀疏表示的超分辨率圖像重構方法
【專利摘要】本發(fā)明公開了一種基于結構自相似性與稀疏表示的超分辨率圖像重構方法，其主要步驟為：首先對一組訓練樣例圖像濾波提取特征，再抽取小塊構造一對高分辨圖像塊與低分辨圖像塊字典；對輸入的低分辨率圖像插值放大，濾波提取特征；求解重構權值矩陣W；迭代更新稀疏系數{αi}和待重構的高分辨率圖像X；直到迭代收斂，最終恢復出滿意的高分辨率圖像。本發(fā)明利用圖像的結構自相似性主要解決了現有方法重構質量不高的問題。運行時間短，重構圖像的效率和質量高，能夠對各種自然圖像，包括動植物和人等非紋理類圖像以及建筑物等紋理性比較強的圖像進行重構。
【專利說明】基于結構自相似性與稀疏表示的超分辨率圖像重構方法
【技術領域】
[0001]本發(fā)明屬于圖像處理【技術領域】，涉及圖像的超分辨率重構方法，具體是一種基于結構自相似性與稀疏表示的圖像超分辨率重構方法，該方法可以用于各類自然圖像的超分辨率重構。
【背景技術】
[0002]圖像超分辨率重構旨在突破圖像傳感器的分辨率限制，從一幅或幾幅低分辨率圖像中，重構出更高分辨率的圖像。在安全監(jiān)控視頻中的人臉識別、遙感衛(wèi)星圖像中的物體分辨、醫(yī)學成像系統(tǒng)中的目標檢測、以及圖像與視頻壓縮等領域中，人們渴望獲得高分辨率圖像。而實際情況中，往往受到圖像拍攝條件差、噪聲干擾嚴重、成像設備自身分辨率低的限制，人們所能獲得的圖像視覺質量較低、分辨率不高，圖像超分辨率重構能從低分辨率圖像重構得到分辨率較高的清晰圖像，能較好的滿足現實中人們對清晰的、分辨率高的圖像的需求，更重要的是能重清晰的高分辨率圖像中獲得更多有用的信息。
[0003]為了實現圖像超分辨率重構這一目的，一些方法已經被提出，如:極大似然估計法，最大后驗概率方法(MAP)，凸集投影方法(POCS)等。這些方法會產生過平滑以及鋸齒效應，重構圖像質量不高。因此，Freeman等人提出了一種基于學習的圖像超分辨率重構方法，其主要思路是:先構造一組低分辨率圖像塊與高分辨率圖像塊的訓練樣例的集合，再通過馬爾科夫隨機模型和先驗知識來學習低分辨率圖像塊和高分辨率圖像塊之間的對應關系，最后利用這種對應關系指導圖像的超分辨率重構。Sun等人則對Freeman等人的方法進行了擴展，主要是在重構過程中用原始的輪廓先驗知識來減少邊界和細節(jié)的過平滑。但是這些方法仍需要大量的訓練樣例以保證重構的效果，對于一張256*256的圖像，至少需要10分鐘以上的時間完成整個超分辨率重構過程，因此計算量巨大、耗時長，而且重構結果圖像的質量一般。

【發(fā)明內容】

[0004]本發(fā)明的目的在于克服上述已有技術的缺點，提出一種運行時間短的基于圖像結構自相似與稀疏表示的圖像超分辨率重構方法，通過利用圖像的結構自相似性提高重構圖像的效率和質量。
[0005]為實現上述目的，本發(fā)明的技術方案首先引入訓練樣例圖像，用這些圖像學習出一對聞分辨率字典和低分辨率字典；然后輸入低分辨率圖像，對輸入的低分辨率圖像進行插值放大，得到該圖的初始高分辨率圖像和特征圖像塊；再構造本發(fā)明的目標函數；最后通過優(yōu)化目標函數，得到高分辨率圖像輸出，完成圖像超分辨率重構。具體步驟包括:
[0006](I)輸入訓練樣例圖像對，用訓練樣例圖像對學習構造一對規(guī)模均為K的低分辨率字典D1和所對應的高分辨率字典Dh ；
[0007](2)輸入待超分辨率重構的低分辨率圖像y，對輸入的低分辨率圖像進行插值放大，得到該圖的初始高分辨率圖像\和特征圖像塊。插值放大獲得初始高分辨率圖像X。和特征圖像塊的過程包括:
[0008](2.1)輸入一幅低分辨率圖像y，對該圖像進行濾波提取特征，得到低分辨率特征圖像Q ；
[0009](2.2)從低分辨率特征圖像Q中，按重疊的方式，提取低分辨率特征圖像Q的特征圖像塊，本發(fā)明從低分辨率特征圖像Q中提取到相關特征圖像塊。
[0010](2.3)對低分辨率圖像y進行Bicubic插值放大，得到初始高分辨率圖像X。,本發(fā)明從低分辨率圖像I中得到初始高分辨率圖像X。。
[0011](3)引入稀疏表示約束項、圖像結構自相似性約束項和保真約束項，構造出目標函數 F (X，{aj):
【權利要求】
1.一種基于結構自相似性與稀疏表示的超分辨率圖像重構方法，包括如下步驟: 步驟1.輸入訓練樣例圖像對，用訓練樣例圖像對學習構造一對規(guī)模均為K的低分辨率字典D1和所對應的高分辨率字典Dh ； 步驟2.輸入待重構的低分辨率圖像y，對輸入的低分辨率圖像進行插值放大，得到該圖的初始高分辨率圖像Xtl和特征圖像塊，插值放大獲得初始高分辨率圖像Xtl和特征圖像塊的過程包括: (2.1)輸入一幅低分辨率圖像y，對該圖像進行濾波提取特征，得到低分辨率特征圖像Q ； (2.2)從低分辨率特征圖像Q中，按重疊的方式，提取低分辨率特征圖像Q的特征圖像塊； (2.3)對低分辨率圖像I進行Bicubic插值放大，得到初始高分辨率圖像X。； 步驟3.引入稀疏表示約束項、圖像結構自相似性約束項和保真約束項，構造出目標函數 F (X，{a f}):
2.根據權利要求1所述的基于結構自相似性與稀疏表示的圖像超分辨率重構方法，其中步驟I所述的對初始字典進行訓練，包括有如下步驟: 1a)輸入訓練圖像對，對低分辨率圖像進行濾波提取特征，所采用的濾波器是=[-1，O, 1], 12=At, f3= [1, O, -2’ O, 1]，f4 =f t/3，所采用的訓練圖像為圖像處理領域中常用的標準自然圖像； lb)從提取特征的低分辨率訓練圖像中隨機抽取特征低分辨率圖像塊，相應地，從高分辨率訓練圖像對應的位置抽取高分辨率圖像塊，通過K-SVD字典學習方法，用這些特征低分辨率圖像塊和高分辨率圖像塊，聯合學習出規(guī)模均為K的低分辨率字典D1和高分辨率字典Dh。
3.根據權利要求2所述的基于結構自相似性與稀疏表示的圖像超分辨率重構方法，其中步驟4中的步驟(4.2)所述的求出目標函數中的權值矩陣W，包括有如下步驟: .4.2a)在待修正的圖像X中第j個圖像塊\的近鄰區(qū)域中，找到圖像塊\的第k個近鄰小塊xk，圖像塊\的所有的近鄰小塊的索引組成近鄰索引集N(j)； .4.2b)根據下式計算圖像塊Xj與其近鄰小塊Xk的相似度權值w(j，k):
4.根據權利要求3所述的基于結構自相似性與稀疏表示的圖像超分辨率重構方法，其中步驟4中的步驟(4.3)所述的對稀疏系數變量{aj的更新，包括有如下步驟: .4.3a)目標函數F (X, { a J )中與變量{a J有關的項,組成變量{a J的目標函數F1({ a J ):
5.根據權利要求4所述的基于結構自相似性與稀疏表示的圖像超分辨率重構方法，其中步驟4中的步驟(4.4)所述的對變量X值的更新，包括有如下步驟: .4.4a)目標函數F (X, { a J )中與變量X有關的項,組成變量X的目標函數:
【文檔編號】G06T5/00GK103455988SQ201310426295
【公開日】2013年12月18日 申請日期:2013年9月17日 優(yōu)先權日:2013年9月17日
【發(fā)明者】楊淑媛, 焦李成, 汪智易, 馬文萍, 劉芳, 侯彪, 呂遠, 趙玲芳, 靳紅紅 申請人:西安電子科技大學