基于高斯混合模型的多字典图像超分辨方法技术

本发明专利技术公开了一种基于高斯混合模型的多字典图像超分辨方法。该方法首先使用平稳小波变换提取低分辨率图像的特征，对高分辨率图像提取其残差特征，通过对应区域重叠取样获得训练样本对；利用高斯混合模型对训练样本对进行分类，然后对每一类都学习对应的字典对；重建阶段使用多个字典同时对图像进行超分辨重建，并使用改进的全局优化方法进行进一步提高重建的质量。本发明专利技术不仅能够训练出更好、更具有泛化性的字典，同时避免了单个全局字典对不能很好的对结构各异的图像块进行重建的问题，能够更好的对低分辨率图像进行超分辨重建。

【技术实现步骤摘要】
基于高斯混合模型的多字典图像超分辨方法
本专利技术属于图像超分辨重建
，特别是一种基于高斯混合模型的多字典图像超分辨方法。
技术介绍
图像作为反映客观场景的视觉信号载体，包含丰富的边缘结构和纹理细节信息，图像的质量不但影响人眼视觉感官的好坏，而且决定图像处理系统的分析和判断结果。通过硬件方式来提高图像的成像质量，往往会受制于成像设备与成像环境的限制，不能很容易的改善直接成像的质量。图像超分辨重建是指利用一幅或者多幅观测的低分辨图像重建高分辨图像的过程，可以从软件方面来提高图像的分辨率。由于其成本低、可靠性高等优点越来越受到人们的青睐，相应地，图像超分辨重建技术的产品市场需求正在日益扩大，应用也越来越广泛。图像超分辨重建方法主要有基于插值的图像超分辨重建算法和基于学习的图像超分辨重建算法。基于插值的图像超分辨率重建方法，是基于自然图像在空间上光滑这样的假设，在此基础上利用插值核来恢复高分辨率图像。该类方法计算简单，复杂度低，运行时间短，但是插值核不能随着图像的不同而自适应，导致重建的图像过于平滑，细节边缘较为模糊，如常用的双三次插值本文档来自技高网...

【技术保护点】
1.一种基于高斯混合模型的多字典图像超分辨方法，其特征在于步骤如下：/n第一步，图像特征提取；对低分辨率图像进行一级小波变换，获取水平、垂直和对角方向的高频子带作为低分辨率图像的特征，对高分辨率图像，使用高分辨率图像与低分辨率图像之间的残差作为高分辨率图像的特征；/n第二步，训练样本获取；在提取的低高分辨率训练样本特征图上按照对应位置进行重叠取样，对采样后的训练样本块进行向量化，并使用主成分分析法对低分辨率特征向量进行降维；/n第三步，训练样本聚类；使用高斯混合模型对训练样本向量进行聚类，并保留每一类的参数；/n第四步，字典学习；对第三步获得多个类别的训练样本利用K-SVD算法训练字典，使得每...

【技术特征摘要】
1.一种基于高斯混合模型的多字典图像超分辨方法，其特征在于步骤如下：
第一步，图像特征提取；对低分辨率图像进行一级小波变换，获取水平、垂直和对角方向的高频子带作为低分辨率图像的特征，对高分辨率图像，使用高分辨率图像与低分辨率图像之间的残差作为高分辨率图像的特征；
第二步，训练样本获取；在提取的低高分辨率训练样本特征图上按照对应位置进行重叠取样，对采样后的训练样本块进行向量化，并使用主成分分析法对低分辨率特征向量进行降维；
第三步，训练样本聚类；使用高斯混合模型对训练样本向量进行聚类，并保留每一类的参数；
第四步，字典学习；对第三步获得多个类别的训练样本利用K-SVD算法训练字典，使得每组训练样本都可以获取一组高低分辨率字典对；
第五步，超分辨重建；对于输入的待超分辨重建的低分辨率图片，进行图像特征提取与分块，利用上一步学习的多个字典共同重建出高分辨率图像；
第六步，全局优化；使用改进的迭代反投影算法对第五步中重建出的图像进行进一步优化。


2.根据权利要求1所述的基于高斯混合模型的多字典图像超分辨方法，其特征在于，所述特征提取过程如下：
对低分辨率图像进行一级haar平稳小波变换，获取水平、垂直和对角方向的高频子带作为低分辨率图像的特征，对高分辨率图像，使用高分辨率图像与低分辨率图像之间的残差作为高分辨率图像的特征。


3.根据权利要求1所述的基于高斯混合模型的多字典图像超分辨方法，其特征在于，所述多字典训练过程如下：
首先利用低分辨率的训练样本学习出K类高斯混合模型的参数，对每一个低分辨率样本计算其在高斯混合模型中的所有多变量高斯函数上的概率值，选择概率值最大的作为该样本的类别，对应的高分辨率样本被认为是同一类；
在获取K组高、低分辨率样本对之后，对于每一组中的低分辨率样本使用K-SVD算法计算出其对应的过完备字典Dl和稀疏表示系数Q，对应的高分辨率字典Dh用如下的公式计算出：
Dh＝PhQT(QQT)-1
其中Ph中每一列是由该类中的高分辨率训练样本向量组成的。

【专利技术属性】
技术研发人员：张亮，李敏，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32