基于稀疏表示的图像超分辨率重建方法及系统技术方案

本发明专利技术公开了一种本发明专利技术基于稀疏表示的图像超分辨率重建方法及系统，其中方法包括步骤：利用图像训练库得到完备的高低分辨率字典对；将待重建的低分辨图像进行双三次放大，获得超分辨率算法的初始图像，提取该初始图像的一阶、二阶梯度特征，对提取的特征进行重叠分块，利用低分辨率字典获得低分辨率图像块的稀疏表示；将获得的低分辨率图像块的稀疏表示系数近似地等于待求的高分辨率图像块在高分辨率字典中的稀疏表示系数，并利用其估计出相应的高分辨率图像的初始估计值；利用后向投影滤波器来减小高分辨率图像的重建误差。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种本专利技术基于稀疏表示的图像超分辨率重建方法及系统，其中方法包括步骤：利用图像训练库得到完备的高低分辨率字典对；将待重建的低分辨图像进行双三次放大，获得超分辨率算法的初始图像，提取该初始图像的一阶、二阶梯度特征，对提取的特征进行重叠分块，利用低分辨率字典获得低分辨率图像块的稀疏表示；将获得的低分辨率图像块的稀疏表示系数近似地等于待求的高分辨率图像块在高分辨率字典中的稀疏表示系数，并利用其估计出相应的高分辨率图像的初始估计值；利用后向投影滤波器来减小高分辨率图像的重建误差。【专利说明】基于稀疏表示的图像超分辨率重建方法及系统
本专利技术涉及图像处理，尤其涉及一种基于稀疏表示的图像超分辨率重建方法及系 统。
技术介绍
在图像超分辨率重建算法中，首先要建立高分辨率图像之间的关系。一般来说，在 单帧图像超分辨图像重建算法中，几何扭曲可以忽略不计，因此可以将图像获取过程中的 退化现象模拟为原始高分辨率图像经过光学模糊、下采样和噪声干扰等一系列过程，现有 的单帧图像超分辨率算法主要包括基于学习的图像超分辨率算法和基于插值重建的图像 超分辨率算法。 基于学习的超分辨率重建技术首先利用高分辨图像训练库和图像退化模型获得 一个高低分辨率的图像训练集，然后通过一定的学习算法获得高低分辨率图像之间的映射 关系，最后利用优化算法对待重建的低分辨率图像进行优化，估计出相应的高分辨率图像。 经典的插值方法包括最近邻插值、双线性插值和双三次插值方法。三种插值方法 中，最近邻域和双线性插值计算复杂度相对较低，在多数场合能满足实时运算的需求，因此 它们被广泛应用。但是，不如人意的是，这两种方法对分辨率的提高贡献很小，尤其是无法 得到足够的高频信息，而使得恢复出来的图像仍然存在较大的失真。这三种方法中，双立方 插值最适合增强高频部分的细节信息，它的不足就是其计算复杂度比较大。 尽管双立方插值的能提供更多的细节信息，不过，它仍然存在与前两种方法相同 的问题，尤其是需要高分辨率的场合，它无法给出足够多的细节信息。插值方法或者出现锯 齿效应或者出现边缘模糊现象。最近邻插值边缘阶梯锯齿图像失真非常明显，双线性插值 边缘阶梯锯齿图像失真较为明显，有一定的边缘模糊，双立方插值边缘阶梯失真较弱，边缘 模糊非常明显。 传统的插值重建方法计算简单容易实现，应用也较为广泛。但是在高放大倍数的 情况下，由于图像原始信息的大量丢失，会使得重建出来的高分辨率图像在边缘处常常过 于平滑，而且缺少足够的细节信息。 基于学习的超分辨率算法，在进行高分辨图像重建之前，利用训练库，对图像的先 验信息进行了学习，所以能获得更多的图像细节信息，获得更好的图像重建质量。然而在基 于学习一类的超分辨率算法中，近邻数目选择不当，会使重建出来的高分辨率图像细节和 边缘模糊，从而影响图像的重建质量。
技术实现思路
本专利技术针对上述问题，提供一种基于稀疏表示的图像超分辨率重建方法及系统。 本专利技术解决其技术问题所采用的技术方案是： 提供一种基于稀疏表示的图像超分辨率重建方法，包括以下步骤： Sl、利用图像训练库得到完备的高低分辨率字典对，包括低分辨率字典Dl和高分 辨率字典Dh; S2、将待重建的低分辨图像进行双三次放大，获得超分辨率算法的初始图像，提取 该初始图像的一阶、二阶梯度特征，对提取的特征进行重叠分块，得到低分辨率图像块，将 每一个低分辨率图像块对应的特征组合成一个向量，设为y，然后利用低分辨率字典Dl获得 y的稀疏表示a' 像素值， β是一个常数，用来调整已重建出来的像素值对待重建块重建的影响； S3、将获得的低分辨率图像块的稀疏表示系数近似地等于待求的高分辨率图像块 在高分辨率字典Dh中的稀疏表示系数，并利用其估计出相应的高分辨率图像块.？ = DAi ; S4、利用后向投影滤波器来减小高分辨率图像的重建误差，得到滤波后的高分辨 率图像块，后向投影滤波器用数学式表达为，其中，S表 示采样因子，H表示模糊算子，c为常数，Xo为高分辨率图像的初始估计值;采用梯度下降法来求解： 其中，Xt表示t次迭代后对高分辨率图像的估计，V表示梯度下降法中的步长。 本专利技术所述的方法中，步骤Sl具体为:提取图像训练库中的高低分辨率图像块信 息，并利用K-奇异值分解算法对获得的高低分辨率图像块进行训练得到稀疏表示的高低分 辨率字典对。 本专利技术所述的方法中，所提取的一阶、二阶梯度特征为HOG方向梯度直方图特征。 本专利技术还提供一种基于稀疏表示的图像超分辨率重建系统包括：训练模块，用于利用图像训练库得到完备的高低分辨率字典对，包括低分辨率字 典Dl和高分辨率字典Dh;稀疏表示模块，用于将待重建的低分辨图像进行双三次放大，获得超分辨率算法 的初始图像，提取该初始图像的一阶、二阶梯度特征，对提取的特征进行重叠分块，将每一 个图像块对应的特征组合成一个向量，设为y，然后利用低分辨率字典Dl获得y的稀疏表示 α*： I勺像素值， β是一个常数，用来调整已重建出来的像素值对待重建块重建的影响；高分辨率图像重建模块，用于将获得的低分辨率字典Dl的稀疏表示系数近似地等 于待求的高分辨率图像块在高分辨率字典Dh中的稀疏表示系数，并利用其估计出相应的高 分辨率图像块7 ;误差消除模块，用于利用后向投影滤波器来减小高分辨率图像的重建误差，得到滤 波后的高分辨率图像块，后向投影滤波器用数学式表达为r =argmh|Si/7-XfI， 其中，S表示采样因子，H表示模糊算子，，Xo为高分辨率图像的初始估计值，c为常数，采用梯 度下降法来求解： Xim+i = Xt+v 其中，Xt表示t次迭代后对高分辨率图像的估计，v表示梯度下降法中的步长。 本专利技术所述的系统中，训练模块具体用于:提取图像训练库中的高低分辨率图像 块信息，并利用K-奇异值分解算法对获得的高低分辨率图像块进行训练得到稀疏表示的高 低分辨率字典对。本专利技术所述的系统中，所提取的一阶、二阶梯度特征为HOG方向梯度直方图特征。 本专利技术产生的有益效果是:本专利技术在进行超分辨率重建的估计过程中引入了参数 β，用来调整已重建出来的像素值对待重建块重建的影响，参数β的引入也就是引入了不确 定性，可阻止不同变量间估计误差的扩大;将高分辨率图像和算法中的未知参数在一个框 架下建模，对未知变量进行联合估计，计算出解析出超参数Xo的值，提高了对噪声的稳定 性，不需要进行参数调整。【附图说明】下面将结合附图及实施例对本专利技术作进一步说明，附图中： 图1是本专利技术实施例基于稀疏表示的图像超分辨率重建方法的流程图； 图2是本专利技术实施例基于稀疏表示的图像超分辨率重建算法的字典训练过程图； 图3是本专利技术实施例图像重建简图。【具体实施方式】 为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不 用于限定本专利技术。 本专利技术基于稀疏表示的图像超分辨率重建算法包括过完备字典构建和高分辨率 图像重建两个阶段。如图1所示，具体包括以下步骤： Sl、利用图像训练库得到完备的高低分辨率字典对，包括低分辨率字典Dl和高分 辨率字典Dh; S2、将待重建的低分辨图像进行双三次放大，获得本文档来自技高网...

【技术保护点】
一种基于稀疏表示的图像超分辨率重建方法，其特征在于，包括以下步骤：S1、利用图像训练库得到完备的高低分辨率字典对，包括低分辨率字典Dl和高分辨率字典Dh；S2、将待重建的低分辨图像进行双三次放大，获得超分辨率算法的初始图像，提取该初始图像的一阶、二阶梯度特征，对提取的特征进行重叠分块，得到低分辨率图像块，将每一个低分辨率图像块对应的特征组合成一个向量，设为y，然后利用低分辨率字典Dl获得y的稀疏表示a*：a*=arg min||y-Dla||22+β||PDha-w||22+λ||a||1=arg min||y~-D~a||22+λ||a||1]]>其中，P为重叠区域，w为重叠区域中已重建出来的像素值，β是一个常数，用来调整已重建出来的像素值对待重建块重建的影响，λ为a*与a的线性参数值；S3、将获得的低分辨率图像特征块的稀疏表示系数近似地等于待求的高分辨率图像块在高分辨率字典Dh中的稀疏表示系数，并利用其估计出相应的高分辨率图像块S4、利用后向投影滤波器来减小高分辨率图像的重建误差，得到滤波后的高分辨率图像块，后向投影滤波器用数学式表达为其中，S表示采样因子，H表示模糊算子，c为常数，X0为高分辨率图像的初始估计值；采用梯度下降法来求解:Xlm+1＝Xt+v[HTST(Y‑SHXt)+c(Xt‑X)]其中，T表示转置，Xt表示t次迭代后对高分辨率图像的估计，v表示梯度下降法中的步长，lm+1表示低分辨率字典Dl中的第m+1个参数，m为整数。...

【技术特征摘要】

【专利技术属性】
技术研发人员：熊盛武，郑文博，曹旺，许开弦，瞿毅力，韩恩浩，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42