一种基于多级稀疏字典学习的图像超分辨率方法技术

本发明专利技术公开了一种基于多级稀疏字典学习的图像超分辨率方法，该方法采用多级稀疏字典训练方法，训练多级子字典。在数据预处理阶段，对原始高分辨率图像的退化图像，使用一阶及二阶梯度算子滤波，并提取块特征，构成低分辨率块特征训练集。字典训练阶段，基于特征集离线训练低分辨率多级别稀疏字典，根据广义逆计算多级别高分辨率字典。重建阶段，对所有级别子字典，求解输入低分辨率图片特征块对应的1‑稀疏系数，根据对应多级高分辨率字典计算对应高分辨率图像块，最后对重叠部分采用平滑处理重建得高分辨率图像。本发明专利技术方法克服了一般方法稀疏度不够导致图像重建效果不理想，泛化能力弱的问题，有效提高最终图像超分辨率质量。

An Image Super-resolution Method Based on Multilevel Sparse Dictionary Learning

【技术实现步骤摘要】
一种基于多级稀疏字典学习的图像超分辨率方法
本专利技术涉及一种基于多级稀疏字典学习的图像超分辨率方法，属于单帧图像超分辨率重建

技术介绍
目前随着人工智能浪潮和万物互联概念的兴起，各个领域对高质量高分辨率图像的需求越发旺盛。然而事实上，由于成本限制以及传感环境的噪声影响等因素，在图像获取阶段得到高质高分辨率图像往往是困难的。因此，研究如何从获取的原始低分辨率图像复原出高分辨率图像具有十分重要的意义。超分辨率技术即解决由单帧或多帧低分辨率图像重建高分辨率图像的问题。压缩感知和稀疏表示方法自2008年以来被引入到超分辨率领域以来，已持续取得了算法性能上的突破。基于稀疏表示的图像超分辨率方法一般从原始高分辨率图像集以及其退化集中提取对应的高低分辨率图像块或特征作为训练集，应用稀疏字典训练方法获得对应的高低分辨率字典。采取最优化方法求解输入低分辨率图像块在低分辨率字典上的系数向量，并根据求得的系数向量和高分辨率字典重建高分辨率图片。由于超分辨率问题的病态问题属性，解空间的选择对最终重建结果具有巨大的影响。如何选择及训练出合适的全局稀疏字典来表示图像块，并使其在不同的测试集上具有良好本文档来自技高网...

【技术保护点】
1.一种基于多级稀疏字典学习的图像超分辨率方法，其特征在于，包括如下步骤：步骤1，根据原始高分辨率图像，建立用于多级稀疏字典学习的低分辨率图像训练集；步骤2，利用低分辨率图像训练集训练低分辨率多级稀疏字典，且每一级子字典的原子个数根据最小描述长度策略自适应确定，并根据广义逆计算高分辨率多级稀疏字典；步骤3，对输入的待重建低分辨率图像，基于双三次插值变换为目标高分辨率尺寸的退化图像，并提取该退化图像的一、二阶梯度特征，根据一、二阶梯度特征得到待重建低分辨率图像的特征矩阵，求解特征矩阵对应的低分辨率多级稀疏字典每一级的稀疏表示系数；步骤4，根据步骤3求得的稀疏表示系数，对应得到高分辨率多级稀疏字典...

【技术特征摘要】
1.一种基于多级稀疏字典学习的图像超分辨率方法，其特征在于，包括如下步骤：步骤1，根据原始高分辨率图像，建立用于多级稀疏字典学习的低分辨率图像训练集；步骤2，利用低分辨率图像训练集训练低分辨率多级稀疏字典，且每一级子字典的原子个数根据最小描述长度策略自适应确定，并根据广义逆计算高分辨率多级稀疏字典；步骤3，对输入的待重建低分辨率图像，基于双三次插值变换为目标高分辨率尺寸的退化图像，并提取该退化图像的一、二阶梯度特征，根据一、二阶梯度特征得到待重建低分辨率图像的特征矩阵，求解特征矩阵对应的低分辨率多级稀疏字典每一级的稀疏表示系数；步骤4，根据步骤3求得的稀疏表示系数，对应得到高分辨率多级稀疏字典每一级的稀疏表示系数，根据高分辨率多级稀疏字典与高分辨率多级稀疏字典每一级的稀疏表示系数，计算得到高分辨率图像块，并将高分辨率图像块融合得到高分辨率重建图像。2.根据权利要求1所述基于多级稀疏字典学习的图像超分辨率方法，其特征在于，所述步骤1的具体过程如下：1.1提取原始高分辨率图像的亮度通道，基于双三次插值得到与原始高分辨率图像同尺寸的退化图像，并提取退化图像的一阶及二阶梯度特征；1.2拼接一阶及二阶梯度特征为高维特征列向量，并将所有高维特征列向量合并为一个训练矩阵Y；1.3基于主成分分析法对训练矩阵Y进行降维处理，得到低分辨率图像训练集的尺寸为M*T，M为高维特征列向量的维度，T为高维特征列向量的个数。3.根据权利要求1所述基于多级稀疏字典学习的图像超分辨率方法，其特征在于，步骤2所述利用低分辨率图像训练集训练低分辨率多级稀疏字典，其训练模型为：其中，Ψl表示低分辨率多级稀疏字典的第l级子字典，Al表示第l级...

【专利技术属性】
技术研发人员：杨欣，朱晨，谢堂鑫，周大可，吴臣桓，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32