一种基于改进稀疏自动编码器的图像超分辨率方法技术

本发明专利技术涉及一种基于改进稀疏自动编码器的图像超分辨率方法，其以训练样本的高频信息为特征，分别构造高、低分辨率图像训练集，并通过ZCA白化技术对联合训练集去相关以降低其冗余性，从而提高自动编码器的训练效率；然后，在传统稀疏自动编码器的代价函数中加入构造的稀疏正则化项，获取改进的稀疏自动编码器，进一步加强对隐含层的稀疏性约束；接着，采用改进的稀疏自动编码器实现无监督的联合字典学习，以学习到更加准确和鲁棒的字典；最后将学习到的字典应用于基于稀疏表示的图像超分辨率重建框架中，实现图像的重建，达到提高重建质量的效果。

An image super-resolution method based on improved sparse automatic encoder

The present invention relates to an image super-resolution method based on improved sparse automatic encoder, which constructs high-resolution and low-resolution image training sets respectively with high-frequency information of training samples, and decorrelating the joint training set by ZCA whitening technology to reduce its redundancy, thereby improving the training efficiency of the automatic encoder; and then, the cost function of the traditional sparse automatic encoder. The sparse regularization term is added to the number to obtain the improved sparse automatic encoder, which further enhances the sparse constraint on the hidden layer. Then, the improved sparse automatic encoder is used to realize unsupervised joint dictionary learning to acquire more accurate and robust dictionary. Finally, the learned dictionary is applied to the image super-resolution reconstruction framework based on sparse representation. To achieve image reconstruction and improve the quality of reconstruction.

【技术实现步骤摘要】
一种基于改进稀疏自动编码器的图像超分辨率方法
本专利技术涉及一种图像超分辨率方法，特别是涉及一种基于改进稀疏自动编码器的图像超分辨率方法。
技术介绍
通常，图像的空间分辨率越高意味着图像细节越丰富，越有利于后续的图像处理、分析和理解。然而，在实际应用中，由于成像设备限制、场景变化等退化因素，导致成像系统只能得到质量较差、分辨率较低的图像，不能满足实际应用的要求。图像超分辨率(SuperResolution,SR)方法可以利用信号处理的方法从单幅或多幅低分辨率(LowResolution,LR)图像重建出高分辨率(HighResolution,HR)图像，从而提升图像的空间分辨率。因此SR方法在遥感、医疗、视频监控等领域都具有重要的应用价值。通常，SR方法可分为3种类型：基于插值的SR方法，基于重建的SR方法和基于学习的SR方法。其中，基于学习的SR方法，作为近年来SR算法研究的热点方向，是在给定训练图像样本的基础上，通过学习的方法在HR和LR图像块之间建立确定的关系，然后利用这种关系从给定的LR图像块重建出对应的HR图像块。该类方法的关键是，在图像重建过程中引入一定的图像先验知识作为本文档来自技高网...

【技术保护点】
1.一种基于改进稀疏自动编码器的图像超分辨率方法，其特征在于：所述方法包括以下步骤：步骤1、以训练样本的高频信息为特征，分别构造高分辨率图像训练集和低分辨率图像训练集即HR训练集和LR训练集，然后对联合训练集进行ZCA白化处理；步骤2、在传统的稀疏自动编码器代价函数中融入构造的稀疏正则化项，获取改进的稀疏自动编码器；步骤3、采用改进稀疏自动编码器实现无监督的联合字典学习，得到包含HR字典和LR字典的字典对；步骤4、将字典对D应用于稀疏标示超分辨率重建框架中，进行图像超分辨率重建。

【技术特征摘要】
1.一种基于改进稀疏自动编码器的图像超分辨率方法，其特征在于：所述方法包括以下步骤：步骤1、以训练样本的高频信息为特征，分别构造高分辨率图像训练集和低分辨率图像训练集即HR训练集和LR训练集，然后对联合训练集进行ZCA白化处理；步骤2、在传统的稀疏自动编码器代价函数中融入构造的稀疏正则化项，获取改进的稀疏自动编码器；步骤3、采用改进稀疏自动编码器实现无监督的联合字典学习，得到包含HR字典和LR字典的字典对；步骤4、将字典对D应用于稀疏标示超分辨率重建框架中，进行图像超分辨率重建。2.根据权利要求1所述的一种基于改进稀疏自动编码器的图像超分辨率方法，其特征在于：所述步骤1具体如下：步骤1.1、对HR样本图像Ph下采样，得到LR图像Pl；然后对Pl采用双三次插值上采样，得到与HR图像相同大小的中间图像Pm；步骤1.2、构造HR训练集；将HR样本图像Ph与中间图像Pm作差，去除HR图像中的低频信息，得到差值图像eh＝Ph-Pm，；然后对eh进行特征提取，获得HR训练集Zh；步骤1.3、构造LR训练集；对中间图像Pm采用r个高通滤波器进行滤波，i＝1,2,...,r；然后，将滤波后的图像进行特征提取，获得LR训练集Zl'；接着，对LR训练集Zl'采用主成分分析方法进行降维，得到LR训练集Zl；步骤1.4、结合HR训练集Zh和LR训练集Zl，得到联合训练集Z＝[Zh,Zl]，其中，HR训练集表示为Zh＝{z1,z2,...,zm}，LR训练集表示为Zl＝{zm+1,zm+2,...,zm+n}，则联合训练集Z＝[z1,z2,...,zm,zm+1,zm+2,...,zm+n]；步骤1.5、对联合训练集Z进行ZCA白化；首先，对训练数据集Z的协方差矩阵进行SVD分解，得到特征向量矩阵U，其中，矩阵U有正交性，满足UUT＝UTU＝1；然后将特征向量矩阵U进行旋转，即Zrot＝UTZ；将旋转后得到的矩阵Zrot进行PCA白化使其各个特征具有单位方差，即其中λi为矩阵zrot的协方差矩阵对角元素的值；最后，将zPCAwhite,i左乘矩阵U，得到ZCA白化的特征其中，si∈S，ZCA白化后的训练集为S＝[s1,s2,...,sm,sm+1,sm+2,...,sm+n]；步骤1.6、对ZAC白化后的联合训练集S进行归一化处理。3.根据权利要求2所述的一种基于改进稀疏自动编码器的图像超分辨率方法，其特征在于：所述步骤2具...

【专利技术属性】
技术研发人员：黄德天，黄炜钦，柳培忠，林炎明，张健，
申请(专利权)人：华侨大学，泉州市中仿宏业信息科技有限公司，
类型：发明
国别省市：福建,35