The invention relates to a super-resolution reconstruction method of a space target image, which belongs to the technical field of digital image processing. The invention improves the dictionary's ability to represent the local sample structure by training independent dictionaries in each word space. And the low rank matrix recovery method is introduced into the super-resolution reconstruction subspace dictionary construction, enhance the local patterns of space target image subspace dictionary rule representation capability, accuracy, and further improve the super-resolution reconstruction of space target image reconstruction effect. The dictionary trained by the method of the invention is more accurate for the representation of the low resolution sample, and the reconstruction of the high-resolution sample is closer to the local sample pattern of the high-resolution spatial target observation image.
【技术实现步骤摘要】
空间目标图像超分辨率重建方法
本专利技术涉及数字图像处理
,具体涉及一种空间目标图像超分辨率重建方法。
技术介绍
随着空间目标观测技术的不断发展,人们需要从空间目标图像中获得更多细节信息,这些细节信息有助于对图像中空间目标进行判读与识别。然而,空间目标成像条件复杂,在图像成像过程中,受到采样、模糊及噪声等因素的影响,图像质量下降且图像细节损失严重,对图像细节信息的提取及图像的判读识别造成很大影响。图像超分辨率重建是一种从低分辨率图像中恢复高分辨率图像细节信息的信号处理技术。这一技术已在遥感、医学及安防监控图像处理等前沿领域显现出巨大的应用前景。因此,针对空间目标图像的超分辨率重建方法具有重要的研究及应用价值。现阶段国内外学者对超分辨率重建方法的研究主要分为两类:基于序列图像重建的超分辨率重建模型和基于学习的单帧超分辨率重建模型。基于序列图像的超分辨率重建模型主要包括:序列图像频域超分辨率重建和序列图像空域超分辨率重建。基于学习的单帧超分辨率重建模型主要包括:基于邻域嵌入的单帧超分辨率重建和基于稀疏表示的单帧超分辨率重建。在现有算法中,基于稀疏表示的单帧超分辨率重建算法是重建效果较好且受到广泛研究的方法。该算法通过构建高分辨率和低分辨率字典,实现单帧超分辨率重建,算法流程图如图1所示。其中,稀疏表示字典训练基于提取到的高分辨率和低分辨率图像块特征,训练可以最优表示训练图像样本的高分辨率和低分辨率字典,具体字典训练过程如图2所示。经典的稀疏表示超分辨率重建方法模型通过构建全局统一的低分辨率字典,对所有复杂多变的低分辨率图像样本模式进行表示,字典对低分辨率 ...
【技术保护点】
一种空间目标图像超分辨率重建方法,其特征在于,包括以下步骤:S1、训练样本与子空间低秩字典构建:首先准备高分辨率和对应低分辨率图像作为训练图像集,并从训练图像集中随机选图像块特征生成训练样本集,在完成训练样本集的构建后,以训练样本特征间欧式距离为依据,对训练样本集进行子空间划分;然后在每个子空间中独立进行字典构建过程,通过低秩矩阵恢复的方法对每个子空间分别构建高分辨率和低分辨率低秩字典;步骤S2、基于子空间低秩字典进行超分辨率重建:其中当获取到需要进行超分辨率重建的低分辨率图像时,以低分辨率图像块作为样本基元基于子空间低秩字典进行图像重建,逐块对低分辨率图像进行超分辨率重建。
【技术特征摘要】
2016.07.01 CN 20161051615261.一种空间目标图像超分辨率重建方法,其特征在于,包括以下步骤:S1、训练样本与子空间低秩字典构建:首先准备高分辨率和对应低分辨率图像作为训练图像集,并从训练图像集中随机选图像块特征生成训练样本集,在完成训练样本集的构建后,以训练样本特征间欧式距离为依据,对训练样本集进行子空间划分;然后在每个子空间中独立进行字典构建过程,通过低秩矩阵恢复的方法对每个子空间分别构建高分辨率和低分辨率低秩字典;步骤S2、基于子空间低秩字典进行超分辨率重建:其中当获取到需要进行超分辨率重建的低分辨率图像时,以低分辨率图像块作为样本基元基于子空间低秩字典进行图像重建,逐块对低分辨率图像进行超分辨率重建。2.如权利要求1所述的方法,其特征在于,步骤S1具体包括以下子步骤:S1.1、训练样本集构建:输入高分辨率样本图像,并由高分辨率样本图像经下采样并经三次立方卷积插值放大到高分辨率图像尺寸得到低分辨训练图像;三次立方卷积插值在考虑图像16邻域内像素亮度信息的同时利用反映邻域相邻像素变化剧烈程度的梯度信息计算图像插值结果;训练图像集由高分辨率训练图像集和低分辨训练图像集构成,训练样本集从训练图像集中随机提取训练图像集图像块特征的方式进行构建,每个训练样本集中又包含了梯度特征集和亮度特征集;S1.2、对所有训练样本进行子空间划分;其中通过使用耦合梯度特征进行子空间划分;S1.3、构建子空间低秩字典:其中使用鲁棒主成分分析的方法对子空间亮度特征集进行低秩矩阵恢复。3.如权利要求2所述的方法...
【专利技术属性】
技术研发人员:姜志国,张浩鹏,张鑫,谢凤英,罗晓燕,尹继豪,史振威,赵丹培,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。