本发明专利技术公开了一种基于样本学习的快速图像超分辨率重建方法及装置，所述方法包括如下步骤：步骤S1，通过多幅包含有完全相同内容的高、低分辨率图像获取训练样本进行模型训练，以获得对应多个图像块尺寸的层次聚类树和回归矩阵；步骤S2，利用训练得到的对应多图像块的聚类树和回归矩阵，对低分辨率图像进行自适应多图像块的局部线性回归，从而获得高质量的重构高分辨率图像，通过本发明专利技术，既能较好地在图像中增加新的高频信息，同时还能较快地重构高分辨率图像。
【技术实现步骤摘要】
一种基于样本学习的快速图像超分辨率重建方法及装置
本专利技术涉及数字图像处理、机器学习以及人工智能领域，特别是涉及一种利用样本学习、对低分辨率图像快速进行放大以获得高质量高分辨率图像的快速图像超分辨率重建方法及装置。
技术介绍
图像作为人类感知世界的重要信息形式，其内容的丰富和细节，直接决定这人类感受到内容的详细程度。当图像单位尺度上的像素密度越高，则图像越清晰,其表达的细节能力越强，人类感知的信息越丰富，这也就是高分辨率图像。图像的超分辨率重建已经在很多方面有了相应的研究如遥感图像，卫星成像领域，医学图像领域，和一些高清晰显示领域等等。一种提高图像的分辨率的方法主要靠改进传感器制造工艺来减小像元尺寸，或者增加单位面积内的像元数量。但是减少像素元会减少像元能够接受的电磁能量，从而会造成容易受噪声干扰，导致图像质量不高。而增加集成电路板的尺寸会导致电容增加。这易造成电容难以转移电荷，使得其应用领域减少。另一类方法是采用信号处理技术对单帧或多帧低分辨率图像进行重建，得到高分辨率图像，也就是图像处理领域的超分辨率重建技术。图像的超分辨率重建是指利用信号处理和计算机软件的方法消除由于成像系统聚焦不准、运动模糊以及非理想采样等因素引起的图像质量退化，从而得到高分辨率的清晰图像。传统的图像超分辨率重建方法主要有以下两种：一、采用基于插值的方法，主要是通过构造光滑曲线或者曲面的插值函数来产生高分辨率图像。目前常用的插值方法包括最近邻域插值法、双线性插值法和双三次插值法，基于边缘信息的图像非线性插值方法等。该些插值方法直观和简单，但是往往导致细节模糊，不能增加高频信息；二、基于学习的超分辨率方法能从大量的训练样本集中获取先验知识作为超分辨率的依据，能产生新的高频细节，但速度太慢。
技术实现思路
为克服上述现有技术存在的不足，本专利技术之目的在于提供一种基于样本学习的快速图像超分辨率重建方法及装置，以达到既能较好地在图像中增加新的高频信息，同时还能较快地重构高分辨率图像的目的。为达上述及其它目的，本专利技术提出一种基于样本学习的快速图像超分辨率重建方法，包括如下步骤：步骤S1，通过多幅包含有完全相同内容的高、低分辨率图像获取训练样本进行模型训练，以获得对应多个图像块尺寸的层次聚类树和回归矩阵；步骤S2，利用训练得到的对应多图像块的聚类树和回归矩阵，对低分辨率图像进行自适应多图像块的局部线性回归，从而获得高质量的重构高分辨率图像。优选地，步骤S1进一步包括：步骤S100，通过多幅包含有完全相同内容的高、低分辨率图像获取训练样本；步骤S101，对获取的低分辨率图像块，进行均值归零和模值作归一处理，作为聚类的特征；步骤S102，基于低分辨率图像块特征，对低分辨率图像块进行由下而上的二叉树分层聚类；步骤S103，对于聚类树最底层的2L类中的每个类别，利用此类中高低分辨率样本计算回归矩阵；步骤S104，对于最底层的每个类别，利用回归矩阵由低分辨率图像块生成高分辨图像，并与高分辨率样本图像块进行比较，计算出此类别重构高分辨率图像的重构质量评价指标；步骤S105，设置不同的图像块大小，选择不同或者相同的训练样本，重复步骤S100-S104。优选地，于步骤S100中，获取多幅包含有完全相同内容的高、低分辨率图像，对每张低分辨率图像通过滑动窗口的方法提取低分辨率图像块，在对应图像高分辨率图像中提取与低分辨率图像块位置对应的高分辨率图像块。优选地，于步骤S100中，所述多幅包含有完全相同内容的高、低分辨率图像的获取方法如下：先选取高质量的高分辨率图像；然后对高分辨图像先下采样再上采样，得到与高分辨率图像同样尺寸的低分辨率图像。优选地，步骤S102进一步包括：将低分辨率图像块样本分成2L类，L≥1，并保存每个类别的中心点；对2L个类进行两两合并，得到2L-1类，如此进而分别可以得到2L-2,......,21类，计算两类中心点间的距离，对所有类别中距离最小的两类进行组合，并反复迭代这一过程。优选地，于步骤S103中，对于聚类树最底层的2L类中的每个类别，利用此类中高低分辨率样本的计算回归矩阵Sr，计算公式如下：其中，λ≥0是正则化因子，I是单位矩阵，Y是由此类中高分辨率样本图像列向量沿行方向堆叠而成的矩阵，是低分辨率样本图像列向量沿行方向堆叠而成的矩阵，是均值归一化后的低分辨率图像列向量堆叠而成的矩阵。优选地，步骤S2进一步包括：步骤S200，对输入低分辨率图像上采样得到目标图像大小的低分辨率图像；步骤S201，将低分辨率图像分割成待重构的低分辨率图像块；步骤S202，将分割后的图像块进行特征提取，作为特征向量；步骤S203，将图像块特征向量与训练过程得到的二叉分层聚类树的类中心点进行比较，判断属于最底层的2L类中的哪一类；步骤S204，对图像块进行重构；步骤S205，将所有高分辨率图像块按低分辨率图像块对应位置叠加后取平均值，作为与当前块大小对应的重构高分辨率图像；步骤S206，设置不同的图像块大小，重复步骤S200-S205；步骤S207，进行重构图像的混合，得到最终的重构高分辨率图像。优选地，步骤S204进一步包括：假设低分辨率图像块列向量为它的均值为重构的高分辨图像yr如下计算：其中，Sr为重构回归矩阵；将重构的图像按列沿行方向重排成n*n图像块，并将此类别的重构质量指标值设置为图像块每个元素的重构质量指标值。优选地，步骤S207进一步包括：基于重构质量指标图像，计算出重构图像的混合权重；根据混合权重对不同块大小重构的高分辨率图像进行混合，得到最终的重构高分辨率图像。为达到上述目的，本专利技术还提供一种基于样本学习的快速图像超分辨率重建装置，包括：模型训练单元，用于通过多幅包含有完全相同内容的高、低分辨率图像获取训练样本进行模型训练，以获得对应多个图像块尺寸的层次聚类树和回归矩阵；分辨率重构单元，用于利用训练得到的对应多图像块的聚类树和回归矩阵，对低分辨率图像进行自适应多图像块的局部线性回归，从而获得高质量的重构高分辨率图像。现有技术相比，本专利技术一种基于样本学习的快速图像超分辨率重建方法及装置通过模型训练单元获得对应多个图像块尺寸的层次聚类树和回归矩阵，通过分辨率重构单元利用训练得到的对应多图像块的聚类树和回归矩阵，对低分辨率图像进行自适应多图像块的局部线性回归，从而获得高质量的重构高分辨率图像，实现了既能较好地在图像中增加新的高频信息，同时还能较快地重构高分辨率图像的目的，本专利技术提出的自适应多图像块的图像放大，能够较好地重构不同尺度的细节，本专利技术提出的基于二叉树的层次聚类方法，能快速地进行图像分类，进而进行图像重构。附图说明图1为本专利技术一种基于样本学习的快速图像超分辨率重建方法的步骤流程图；图2为本专利技术具体实施例中步骤S1的细部流程图；图3为本专利技术具体实施例中二叉树分层聚类示意图；图4为本专利技术具体实施例中步骤S2的细部流程图；图5为本专利技术一种基于样本学习的快速图像超分辨率重建装置的系统架构图。具体实施方式以下通过特定的具体实例并结合附图说明本专利技术的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本专利技术的其它优点与功效。本专利技术亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本专利技术的精本文档来自技高网...
【技术保护点】
1.一种基于样本学习的快速图像超分辨率重建方法，包括如下步骤：步骤S1，通过多幅包含有完全相同内容的高、低分辨率图像获取训练样本进行模型训练，以获得对应多个图像块尺寸的层次聚类树和回归矩阵；步骤S2，利用训练得到的对应多个图像块的层次聚类树和回归矩阵，对低分辨率图像进行自适应多图像块的局部线性回归，从而获得高质量的重构高分辨率图像。
【技术特征摘要】
1.一种基于样本学习的快速图像超分辨率重建方法，包括如下步骤：步骤S1，通过多幅包含有完全相同内容的高、低分辨率图像获取训练样本进行模型训练，以获得对应多个图像块尺寸的层次聚类树和回归矩阵；步骤S2，利用训练得到的对应多个图像块的层次聚类树和回归矩阵，对低分辨率图像进行自适应多图像块的局部线性回归，从而获得高质量的重构高分辨率图像。2.如权利要求1所述的一种基于样本学习的快速图像超分辨率重建方法，其特征在于，步骤S1进一步包括：步骤S100，通过多幅包含有完全相同内容的高、低分辨率图像获取训练样本；步骤S101，对获取的低分辨率图像块，进行均值归零和模值归一化处理，作为聚类的特征；步骤S102，基于低分辨率图像块特征，对低分辨率图像块进行由下而上的二叉树分层聚类；步骤S103，对于聚类树最底层的2L类中的每个类别，利用此类中高低分辨率样本计算回归矩阵；步骤S104，对于最底层的每个类别，利用回归矩阵由低分辨率图像块生成高分辨图像，并与高分辨率样本图像块进行比较，计算出此类别重构高分辨率图像的重构质量评价指标；步骤S105，设置不同的图像块大小，选择不同或者相同的训练样本，重复步骤S100-S104。3.如权利要求2所述的一种基于样本学习的快速图像超分辨率重建方法，其特征在于：于步骤S100中，获取多幅包含有完全相同内容的高、低分辨率图像，对每张低分辨率图像通过滑动窗口的方法提取低分辨率图像块，在对应图像高分辨率图像中提取与低分辨率图像块位置对应的高分辨率图像块。4.如权利要求3所述的一种基于样本学习的快速图像超分辨率重建方法，其特征在于，于步骤S100中，所述多幅包含有完全相同内容的高、低分辨率图像的获取方法如下：先选取高质量的高分辨率图像；然后对高分辨图像先下采样再上采样，得到与高分辨率图像同样尺寸的低分辨率图像。5.如权利要求2所述的一种基于样本学习的快速图像超分辨率重建方法，其特征在于，步骤S102进一步包括：将低分辨率图像块样本分成2L类，L≥1，并保存每个类别的中心点；对2L个类进行两两合并，得到2L-1类，如此进而分别可以得到2L-2,......,21类，计算两类中心点间的距离，对所有类别中距离最小的两类进行组合，并反复迭代这一过程。6.如权利要求2所述的...
【专利技术属性】
技术研发人员：陈涛，王洪剑，林江，
申请(专利权)人：上海通途半导体科技有限公司，
类型：发明
国别省市：上海,31
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。