The invention discloses a Dan Zhengchao resolution reconstruction method, sparse encoding and combination mapping based on high resolution include: the initial training set of image processing has been expanded after the high resolution feature block samples and after interpolation in high resolution feature block samples; characteristics of sample training has been obtained, to get a dictionary atom as the cluster center to center clustering of sample; according to the corresponding relationship between different resolution for mapping matrix of each cluster; based on the low resolution image processing method of the training set, low resolution test image input, calculating the sparse coefficients by trained dictionary atoms; sparse coefficients as weights to each cluster by mapping matrix as a combination of elements, the matching combination mapping need to reconstruct the image, then the mapping matrix and inserted directly The value of high resolution feature block multiplied to obtain high resolution feature blocks; and to overlap and block fusion, by reconstructing high resolution image to add the original low frequency information.
【技术实现步骤摘要】
基于稀疏编码与组合映射的单帧超分辨率重建方法
本专利技术属于图像处理领域,具体涉及一种基于稀疏编码与组合映射的单帧超分辨率重建方法。
技术介绍
随着现代各种图像视频设备的广泛普及各种移动设备的频繁使用,对图像能够快速传输并能以高质量形式展现提出了挑战。目前为获取更加清晰的高分辨率图像,直接方法是应用分辨率更高的光学相机,但这种方法不仅受硬件设备制造工艺的限制,还存在成本高、存储占用空间大、传输耗时等弊端。而在软件方面,普遍采用插值的方法获得高分辨率图像,虽然能适量提高图像的空间分辨率,但受限于扩展倍数,清晰度不高,无法准确表现图像细节信息。随着机器学习研究的深入提出了多种基于学习的超分辨率重建方法,但在重建速度和重建质量上还有待提升。提出了一种在训练阶段通过稀疏基学习建立高分辨率与低分辨率样本集之间的映射函数关系,在测试阶段通过组合基于简单函数的映射关系快速重建高分辨率图像的方法。本方法弥补现流行方法在重建质量与重建速度无法权衡的缺陷。本方法在训练阶段将字典训练与聚类相结合,建立以字典原子为中心的不同分辨率对应特征类之间的映射模型,结合误差约束,通过凸优化方法确定 ...
【技术保护点】
一种基于稀疏编码与组合映射的单帧超分辨率重建方法,其特征在于,包括以下步骤:训练部分:步骤1、训练阶段数据准备对高分辨率训练集图像进行降质处理生成对应的低分辨率训练图像;低分辨率图像进行双三次插值,生成具有相同空间分辨率但细节信息缺失的中高分辨率图像;对中高分辨率图像一阶和二阶梯度特征进行分块处理得到低分辨率特征数据集;同时,对高分辨率图像提取高频特征进行分块得到对应高分辨率特征数据集;步骤2、计算高‑低分辨率特征对的最佳映射矩阵对步骤1已获得的低分辨率特征样本应用主成分分析法PCA降维;对高‑低分辨率特征样本对进行联合字典学习得到联合字典;分别以高分辨率和低分辨率字典原子 ...
【技术特征摘要】
1.一种基于稀疏编码与组合映射的单帧超分辨率重建方法,其特征在于,包括以下步骤:训练部分:步骤1、训练阶段数据准备对高分辨率训练集图像进行降质处理生成对应的低分辨率训练图像;低分辨率图像进行双三次插值,生成具有相同空间分辨率但细节信息缺失的中高分辨率图像;对中高分辨率图像一阶和二阶梯度特征进行分块处理得到低分辨率特征数据集;同时,对高分辨率图像提取高频特征进行分块得到对应高分辨率特征数据集;步骤2、计算高-低分辨率特征对的最佳映射矩阵对步骤1已获得的低分辨率特征样本应用主成分分析法PCA降维;对高-低分辨率特征样本对进行联合字典学习得到联合字典;分别以高分辨率和低分辨率字典原子作为聚类中心,对特征样本进行聚类,求取高-低分辨率对应类的映射矩阵,并通过迭代改变聚类大小,求得满足误差约束的映射矩阵;测试部分:步骤3、测试图像的稀疏编码对输入的低分辨率测试图像双三次插值后,提取一阶和二阶梯度特征并分块,得到测试特征块;基于步骤2训练得到的低分辨率字典对测试特征块进行稀疏编码,得到其稀疏系数;步骤4、基于稀疏系数组合映射重建以步骤3得到的稀疏系数为权重,将对应原子所属类的映射矩阵进行线性组合,得到测试特征的映射矩阵;基于该映射矩阵直接重建高分辨率特征块;融合重建高分辨率特征块,添加低频信息实现测试图像的高分辨率重建。2.如权利要求1所述的基于稀疏编码与组合映射的单帧超分辨率重建方法,其特征在于,步骤2所述的通过一原子为中心的聚类,求取不同分辨率图像之间的映射关系,具体如下:2-1.扩充的训练样本中,降维后的低分辨率特征与高分辨率特征应用K-SVD的方法,学习得到高分辨率和低分辨率字典;2-2.以字典原子为中心,根据原子与样本之间的距离关系,形成以原子为...
【专利技术属性】
技术研发人员:任坤,杨玉清,孟丽莎,孙光民,王普,
申请(专利权)人:北京工业大学,
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。