一种基于学习的稀疏表示的超分辨率图像重建方法技术

本发明专利技术公开了一种基于学习的稀疏表示的超分辨率图像重建方法，主要包括如下步骤：首先，根据高分辨率图像训练集训练统一的高分辨率字典D

A method of super-resolution image reconstruction based on sparse representation of learning

The invention discloses a super resolution image reconstruction method based on learning sparse representation, which mainly includes the following steps: first, training a unified high resolution dictionary D based on high resolution image training set.

【技术实现步骤摘要】
一种基于学习的稀疏表示的超分辨率图像重建方法
本专利技术涉及图像处理
，特别是涉及一种基于学习的稀疏表示的超分辨率图像重建方法。
技术介绍
图像超分辨率是由一个或多个低分辨率图像重建出高分辨率图像。图像超分辨率算法主要包括基于插值、基于重建和基于学习的方法。基于插值的方法是利用未知像素点与邻域内已知像素点之间的关系，重建高分辨率图像。根据关系的不同产生了双线性和双三次等常用的插值算法。基于插值的算法虽然可以高效简单的重建高分辨率图像，但是重建出的高分辨率图像非常模糊、平滑而且图像边缘处存在振铃和锯齿的人工痕迹。基于重建的方法的核心思想是建立观察图像的降质模型，通过正则项约束，迭代求解出高分辨率图像。该方法的优点是可以根据正则项约束求解出唯一的高分辨率图像。但是，这个方法的计算量非常大，而且若选择不佳的降质模型，重建出的高分辨率图像会受损。基于学习的方法，首先，学习训练库中高分辨率图像样本和其对应的低分辨率图像之间的关系。然后，利用学习到的这个关系作为先验信息，重建测试低分辨率图像对应的高分辨率图像。目前比较经典的基于学习的算法是Yang的方法和Zeyde的方法。Yang本文档来自技高网...

【技术保护点】
一种基于学习的稀疏表示的超分辨率图像重建方法，其特征在于：包括训练阶段、测试阶段和图像后处理阶段；训练阶段：首先，将搜集到的N(N＝91)幅标准高分辨率图像组成训练图像集

【技术特征摘要】
1.一种基于学习的稀疏表示的超分辨率图像重建方法，其特征在于：包括训练阶段、测试阶段和图像后处理阶段；训练阶段：首先，将搜集到的N(N＝91)幅标准高分辨率图像组成训练图像集然后，利用K奇异值分解方法对训练集中的图像进行训练，得到存储于字典存储空间中用于超分出不同放大倍数图像的字典Ds，具体步骤如下：(1.1)，将β，β＝4个高通滤波器，即f1＝[1,-1]，f2＝f1T，f3＝[1,-2,1]和跟高分辨率训练图像集中第i幅高分辨率图像卷积，得到梯度图集用矩阵Rm将梯度图集中的每一幅图像裁剪成的块，其中Rm为块提取操作，m为块中心，将梯度图集中相同块中心m的块拉伸成列向量不同块中心的块组成矩阵(1.2)，对训练图像集中剩余N-1幅图像做如上步骤(1.1)，得到N-1个矩阵(1.3)，将N个按照i＝1,2,....,N-1,N的顺序连接在一起，组成矩阵将矩阵中的向量作为输入，根据以下优化算法训练高分辨率字典Ds；其中，为稀疏表示系数向量，L＝3为稀疏表示系数向量中不为零元素的个数；测试阶段：测试阶段包括测试字典的获取和对测试图像Lt进行超分辨率重建两部分；测试字典的获取：(2.1)，根据放大倍数Z，将低分辨率测试图像Lt利用双三次插值算法下采样倍，再上采样Z倍，得到与低分辨率测试图像大小相同的低频图像(2.2)，将低分辨率测试图像Lt和低频图像的差值作为高频图像即：(2.3)，将高频图像用矩阵裁剪成块，将每个块拉成列向量所有块向量组成矩阵其中为块中心，并用与训练阶段相同的四个高通滤波器f1＝[1,-1]，f2＝f1T，f3＝[1,-2,1]和分别与高频图像卷积得到的梯度图像集用矩阵将梯度图像集中的每一幅图像裁剪成块，将不同梯度图像相同块中心的块拉成列向量所有不同块中的块向量组成特征矩阵(2.4)，根据K最近邻算法，寻找高分辨率字典Ds中每个原子对应特征矩阵中的K个近邻及其位置γ；(2.5)，利...

【专利技术属性】
技术研发人员：徐健，史香晔，范九伦，李佳，赵小强，常志国，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：陕西,61