一种图像重建法制造技术

本申请公开了一种图像重建法，首先利用待重建低分辨率图像在不同下采样尺度空间中的缩放图像以及标准高分辨率图像库训练高分辨率字典；然后，对待重建低分辨率图像块，构建其非局部自相似性图像块矩阵并计算列方向间和行方向间的两个权值矩阵；最后，把高分辨率字典和两个权值矩阵投递到双方向约束稀疏表示模型中，重建出近似高分辨率图像块以及最优的近似高分辨率图像。本发明专利技术能够对各种自然图像进行重建，具有有效避免重建瑕疵、细节丰富、边缘锐化的特性，提高了图像质量。

【技术实现步骤摘要】
一种图像重建法
本申请涉及图像处理
，尤其涉及一种图像重建法。
技术介绍
高分辨率图像承载了丰富的可辨识细节。因此，其在计算机视觉、模式识别等领域广泛应用。但是，由于成像设备在获取、存储阶段的固有物理限制，使得观察图像的分辨率常常无法满足应用需求。这就要求对分辨率较低的观察图像进行超分辨率重建，从而获得满足应用需求的高分辨图像。目前，常用的关于低分辨率图像的超分辨率重建方法(以下简称为图像重建法)有三类。第一类是基于插值的图像重建法，其具体包括最邻近插值、双线性插值以及双立方插值等方法。该类图像重建法仅能处理简单的图像退化模型，对于含有噪声和模糊等因素叠加的复杂图像将无法处理。第二类是基于退化模型的图像重建法，其重建的过程极大的依赖具有图像先验信息的正则化项，例如TV、梯度先验正则化项等。该类方法在重建锐化边缘时，常会出现伪边缘或振铃瑕疵。第三类是基于学习的图像重建法，其包括基于稀疏表示的图像重建法。该类方法在利用高分辨率图像的潜在先验信息方面仍不足，易导致重建后的图像在细节上不够清晰，在边缘上不够锐利。因此，亟待一种可重建出清晰细节、锐利边缘的图像重建法。
技术实现思路
本申请提供了一种图像重建法，以解决现有的图像重建法无法重建出具有清晰细节、锐利边缘的超分辨图像的问题。本申请提供一种图像重建法，包括：步骤S100，构建高分辨率图像块训练簇，其具体包括，步骤S110，对待重建图像Y利用PCA技术去除噪声得到图像Ydn，步骤S120，对图像Ydn进行不同下采样尺度空间下的缩放，同时进行图像块分割，步骤S130，对分割后的图像块用K-Means技术进行聚类，获得K个库内同构、库外异构的初始高分辨图像块训练簇，步骤S140，从标准高分辨率图像库中收集更多高分辨率图像块，并将其聚类到初始高分辨率图像块训练簇中，获得K个最终高分辨率图像块训练簇；步骤S200，训练自适应高分辨率字典Ψ，其具体包括，采用PCA技术，对K个最终高分辨率图像块训练簇进行训练，获得其对应的自适应高分辨率字典Ψ；步骤S300，构建非局部自相似性图像块矩阵Yk，其具体包括，步骤S310，将待重建图像Y分割成尺寸相同的图像块，步骤S320，针对每个图像块，获取其对应的非局部自相似性图像块集合，其中，非局部自相似性图像块集合为所有图像块中与该图像块相似的图像块的集合，步骤S330，按字典顺序对非局部自相似性图像块集合中每个图像块进行向量化，使非局部自相似性图像块集合变成非局部自相似性图像块矩阵Yk；步骤S400，计算每个非局部自相似性图像块矩阵Yk的权值矩阵，包括列权值矩阵与行权值矩阵；步骤S500，求解非局部自相似性图像块矩阵Yk的近似稀疏表示系数Sk，其具体包括，将列权值矩阵、行权值矩阵和自适应高分辨率字典投递到双方向约束稀疏表示模型中，求解非局部自相似性图像块矩阵Yk对应的理想高分辨率图像块矩阵的近似稀疏表示系数Sk；步骤S600，构建初始近似高分辨率图像其具体包括，步骤S610，根据步骤S200得到的自适应高分辨率字典Ψ与步骤S500得到的近似稀疏表示系数Sk，计算非局部自相似性图像块矩阵Yk对应的理想高分辨率图像块的近似值，步骤S620，对所有非局部自相似性图像块矩阵Yk对应的理想高分辨率图像块的近似值进行步骤S120的反拼接操作，得到其对应的初始近似高分辨图像步骤S700，构建最优近似高分辨率图像具体包括，对步骤S600得到的初始近似高分辨图像重复进行步骤S300至步骤S600的操作，重复数次，得到最优近似高分辨率图像优选地，步骤S120，对图像Ydn进行不同下采样尺度空间下的缩放，同时进行图像块分割，过程如下，步骤S121，对图像Ydn进行采样倍数为upscale的下采样处理，采样方式为水平和垂直两方向隔upscale步长抽取，采样起始点坐标有四种：(1，1)，(1，2)，(2，1)和(2，2)，其中，upscale为图像重建倍数；步骤S122，在第一种采样起始点坐标约束下，将下采样后的图像进行大小为m×m的分块处理，相邻图像块之间重叠m-2个像素，得到图像块集合P1(i)，其中，图像块集合P1(i)包括g1个图像块，i＝1，2，……，g1；步骤S123，对下采样后的图像再次进行采样倍数为upscale的下采样以及分块处理，并将得到的图像块进行集合，得到另一图像块集合P2(i)，其中，图像块集合P2(i)包括g2个图像块，i＝1，2，……，g2，重复该步骤，直至下采样得到的图像尺寸为m×m为止；步骤S124，对其余的三种采样起始点坐标约束，执行步骤S122至步骤S123，直至下采样得到的图像尺寸为m×m为止。优选地，步骤S300，构建非局部自相似性图像块矩阵Yk，其具体包括，步骤S310，将待重建图像Y进行大小为m×m的分块处理，且相邻图像块之间重叠m-2个像素，步骤S320，采用K-Means技术聚类分割出的所有图像块，得到Z个非局部自相似性图像块集合，步骤S330，按字典顺序对Z个非局部自相似性图像块集合中每个图像块进行向量化，构成Z个行列大小为m2×n的非局部自相似性二维矩阵Yk＝{y1，y2，……，yn}，其中，k＝1，2，……，Z，n表示第k个非局部自相似性二维矩阵中所包含的图像块数目，yn表示在Yk中第n个图像块向量，定义为y1的第m2个像素值，则矩阵Yk形式为优选地，步骤S400，计算每个非局部自相似性图像块矩阵Yk的权值矩阵，包括列权值矩阵与行权值矩阵，其具体包括，步骤S410，计算非局部自相似性图像块矩阵Yk的列权值矩阵其计算公式为，其中，为非局部图像块yn对要重建图像块y1的贡献度；步骤S420，计算非局部自相似性图像块矩阵Yk的行权值矩阵其计算公式为，其中，为n个非局部图像块的第m2行的像素对要重建图像块第1行像素的贡献度。优选地，步骤S500，求解非局部自相似性图像块矩阵Yk的近似稀疏表示系数Sk，其具体包括，步骤S510，将列方向间的权值矩阵、行方向间的权值矩阵和自适应高分辨率字典投递到双方向约束稀疏表示模型中，投递后的双方向约束稀疏表示模型为：其中，y为待重建图像Y按字典顺序向量化的表示形式，H为高斯模糊和下采样混合算子，Ψ为由步骤S200得到自适应高分辨率字典，s为图像y所对应的理想高分辨率图像在高分辨率字典Ψ下的待求稀疏表示系数，γ和μ为正则化参数，Sk为非局部自相似性二维矩阵Yk对应的待求稀疏表示系数矩阵，和分别为2-范数和1-范数；步骤S520，用迭代收敛算法对步骤S510中的双方向约束稀疏表示模型进行求解：在第t次迭代中，则有：当时，有：当时，有：其中，γ1＝γ/2，γ2＝μ/2，a是一个辅助量，Α＝HΨ，是双变量收敛符号；步骤S530，重复步骤S520，当迭代次数t＝640时结束，求解出非局部自相似性二维矩阵Yk所对应的理想高分辨率图像块的近似稀疏表示系数Sk。本申请提供了一种图像重建法，与现有图像重建法相比，具有以下优点：挖掘并利用非局部自相似性图像块矩阵的双方向自相似性先验信息来正则化稀疏表示模型进而重建图像。相比现有图像重建法，重建出的图像在边缘上更加清晰锐化、在细节信息上更加丰富，提高了重建图像质量。仿真实验表明，本专利技术能增加重建图像的细节信息，提高重建图像清晰度。本文档来自技高网...

【技术保护点】
1.一种图像重建法，其特征在于，包括：步骤S100，构建高分辨率图像块训练簇，其具体包括，步骤S110，对待重建图像Y利用PCA技术去除噪声得到图像Ydn，步骤S120，对图像Ydn进行不同下采样尺度空间下的缩放，同时进行图像块分割，步骤S130，对分割后的图像块用K‑Means技术进行聚类，获得K个库内同构、库外异构的初始高分辨图像块训练簇，步骤S140，从标准高分辨率图像库中收集更多高分辨率图像块，并将其聚类到初始高分辨率图像块训练簇中，获得K个最终高分辨率图像块训练簇；步骤S200，训练自适应高分辨率字典Ψ，其具体包括，采用PCA技术，对K个最终高分辨率图像块训练簇进行训练，获得其对应的自适应高分辨率字典Ψ；步骤S300，构建非局部自相似性图像块矩阵Yk，其具体包括，步骤S310，将待重建图像Y分割成尺寸相同的图像块，步骤S320，针对每个图像块，获取其对应的非局部自相似性图像块集合，其中，非局部自相似性图像块集合为所有图像块中与该图像块相似的图像块的集合，步骤S330，按字典顺序对非局部自相似性图像块集合中每个图像块进行向量化，使非局部自相似性图像块集合变成非局部自相似性图像块矩阵Yk；步骤S400，计算每个非局部自相似性图像块矩阵Yk的权值矩阵，包括列权值矩阵与行权值矩阵；步骤S500，求解非局部自相似性图像块矩阵Yk的近似稀疏表示系数Sk，其具体包括，将列权值矩阵、行权值矩阵和自适应高分辨率字典投递到双方向约束稀疏表示模型中，求解非局部自相似性图像块矩阵Yk对应的理想高分辨率图像块矩阵的近似稀疏表示系数Sk；步骤S600，构建初始近似高分辨率图像...

【技术特征摘要】
1.一种图像重建法，其特征在于，包括：步骤S100，构建高分辨率图像块训练簇，其具体包括，步骤S110，对待重建图像Y利用PCA技术去除噪声得到图像Ydn，步骤S120，对图像Ydn进行不同下采样尺度空间下的缩放，同时进行图像块分割，步骤S130，对分割后的图像块用K-Means技术进行聚类，获得K个库内同构、库外异构的初始高分辨图像块训练簇，步骤S140，从标准高分辨率图像库中收集更多高分辨率图像块，并将其聚类到初始高分辨率图像块训练簇中，获得K个最终高分辨率图像块训练簇；步骤S200，训练自适应高分辨率字典Ψ，其具体包括，采用PCA技术，对K个最终高分辨率图像块训练簇进行训练，获得其对应的自适应高分辨率字典Ψ；步骤S300，构建非局部自相似性图像块矩阵Yk，其具体包括，步骤S310，将待重建图像Y分割成尺寸相同的图像块，步骤S320，针对每个图像块，获取其对应的非局部自相似性图像块集合，其中，非局部自相似性图像块集合为所有图像块中与该图像块相似的图像块的集合，步骤S330，按字典顺序对非局部自相似性图像块集合中每个图像块进行向量化，使非局部自相似性图像块集合变成非局部自相似性图像块矩阵Yk；步骤S400，计算每个非局部自相似性图像块矩阵Yk的权值矩阵，包括列权值矩阵与行权值矩阵；步骤S500，求解非局部自相似性图像块矩阵Yk的近似稀疏表示系数Sk，其具体包括，将列权值矩阵、行权值矩阵和自适应高分辨率字典投递到双方向约束稀疏表示模型中，求解非局部自相似性图像块矩阵Yk对应的理想高分辨率图像块矩阵的近似稀疏表示系数Sk；步骤S600，构建初始近似高分辨率图像其具体包括，步骤S610，根据步骤S200得到的自适应高分辨率字典Ψ与步骤S500得到的近似稀疏表示系数Sk，计算非局部自相似性图像块矩阵Yk对应的理想高分辨率图像块的近似值，步骤S620，对所有非局部自相似性图像块矩阵Yk对应的理想高分辨率图像块的近似值进行步骤S120的反拼接操作，得到其对应的初始近似高分辨图像步骤S700，构建最优近似高分辨率图像具体包括，对步骤S600得到的初始近似高分辨图像重复进行步骤S300至步骤S600的操作，重复数次，得到最优近似高分辨率图像2.根据权利要求1所述的方法，其特征在于，步骤S120，对图像Ydn进行不同下采样尺度空间下的缩放，同时进行图像块分割，过程如下，步骤S121，对图像Ydn进行采样倍数为upscale的下采样处理，采样方式为水平和垂直两方向隔upscale步长抽取，采样起始点坐标有四种：(1，1)，(1，2)，(2，1)和(2，2)，其中，upscale为图像重建倍数；步骤S122，在第一种采样起始点坐标约束下，将下采样后的图像进行大小为m×m的分块处理，相邻图像块之间重叠m-2个像素，得到图像块集合P1(i)，其中，...

【专利技术属性】
技术研发人员：李进明，黄复贤，关威，
申请(专利权)人：菏泽学院，
类型：发明
国别省市：山东,37