空间目标图像超分辨率重建方法技术

本发明专利技术涉及一种空间目标图像超分辨率重建方法，属于数字图像处理技术领域。本发明专利技术通过对每个字空间训练独立的字典，提升了字典对局部样本结构的表示能力。并通过将低秩矩阵复原方法引入超分辨率重建子空间字典构建，提升了子空间字典对空间目标图像规则的局部样本模式的表示能力、表示精度，进而提升了空间目标图像超分辨率重建的重建效果。利用本发明专利技术方法训练得到的字典对低分辨率样本的表示更为精确，同时对高分辨率样本的重建更接近高分辨率空间目标观测图像的局部样本模式。

Super resolution reconstruction method of space target image

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，字典对低分辨率样本表示能力有限；该方法模型通过全局统一的高分辨率字典对高分辨率图像样本模式进行重建，字典对高分辨率样本重建效果不佳。此外，空间目标观测图像主要以空间飞行器为观测目标，空间飞行器为典型的人造物体，人造物体成像的边缘及纹理模式体现为规则的局部模式。然而，传统的稀疏表示超分辨率重建算法在字典构建的过程中仅考虑最小化图像的像素级重建误差，而并未考虑局部模式对重建图像质量的影响，因此对于空间目标图像的重建会出现局部边缘及纹理失真的情况。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是：如何提升空间目标图像超分辨率重建的重建效果。(二)技术方案为了解决上述技术问题，本专利技术提供了一种空间目标图像超分辨率重建方法，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。优选地，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。优选地，步骤S1.1中，所述梯度特征集通过图像梯度进行构建，图像中边缘及纹理信息的提取通过一阶和二阶滤波器实现，通过使用一阶和二阶滤波器对训练图像进行滤波，得到关于同一幅训练图像的4张特征图像，特征图分别描述了训练图像水平和垂直方向上的一阶和二阶纹理特征，对于任意一个训练样本，从4个特征图像中得到4组特征向量，通过将这些特征向量依次连接得到对应这个图像样本的梯度特征向量。优选地，步骤S1.1中，所述亮度特征集使用去除均值后的图像样本向量采用图像样本的像素信息进行构建。优选地，步骤S2具体包括以下子步骤：S2.1进行低分辨率图像样本表示：在插值图像中采集低分辨率图像块样本的特征；并在图像样本的子空间中进行对低分辨率样本的表示与重建，其中样本子空间的划分通过样本梯度特征与低分辨率锚点集的最近邻匹配计算得到，在完成图像样本的子空间划分后，使用样本的亮度特征在子空间中对样本进行表示，图像样本亮度特征通过表示稀疏表示系数表示为子空间低秩字典原子的线性组合；S2.2进行高分辨率图像样本重建：基于子空间中低分辨率图像块与对应高分辨率图像块具有相同稀疏表示系数的假设，对高分辨率样本的亮度特征进行重建，通过使用低分辨率图像中每个图像块样本的重建结果对高分辨率图像对应像素进行赋值，即可完成对高分辨率图像的重建；S2.3进行重建后处理：其中通过使用迭代反向投影的后处理方法，增加重建过程中的全局约束。优选地，步骤2.1中，通过三次立方插值将低分辨率图像上采样至与重建图像相同的像素尺寸。(三)有益效果本专利技术通过对每个字空间训练独立的字典，提升了字典对局部样本结构的表示能力。并通过将低秩矩阵复原方法引入超分辨率重建子空间字典构建，提升了子空间字典对空间目标图像规则的局部样本模式的表示能力、表示精度，进而提升了空间目标图像超分辨率重建的重建效果。利用本专利技术方法训练得到的字典对低分辨率样本的表示更为精确，同时对高分辨率样本的重建更接近高分辨率空间目标观测图像的局部样本模式。附图说明图1为基于稀疏表示超分辨率重建算法流程图；图2为稀疏表示字典构建流程图；图3为本专利技术实施例的方法流程图；图4为本专利技术实施例的方法中子空间低秩字典构建流程图；图5为本专利技术实施例方法与现有方法的效果对比图。具体实施方式为使本专利技术的目的、内容、和优点更加清楚，下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。如图3所示，本专利技术实施例的空间目标图像超分辨率重建方法包括以下步骤：S1、训练样本提取与子空间低秩字典构建由于字典构建依赖于训练样本，因此需要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，算法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。字典构建过程在每个子空间中独立进行，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。如图4所示，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。其中下采样是指：对于一幅尺寸为M*N的图像I，对其进行s倍下采样，即得到(M/s)*(N/s)尺寸的低分辨率图像，s应该是M和N的公约数。如果考虑的是矩阵形式的图像，就是把原始图像s*s窗口内的图像变成一个像素，这个像素点的值就是窗口内本文档来自技高网...

【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