【技术实现步骤摘要】
联合轮廓增强与去噪统计先验的单幅图像超分辨率方法
本专利技术涉及图像分辨率提升技术，具体涉及一种联合轮廓增强与去噪统计先验的单幅图像超分辨率方法，属于图像处理领域。
技术介绍
图像超分辨率重建技术利用单幅或一组低分辨率图像(序列)来产生高质量、高分辨率图像。图像超分辨率重建应用领域极其宽广，在军事、医学、公共安全、计算机视觉等方面都存在着重要的应用前景。在计算机视觉领域，图像超分辨率重建技术可使图像实现向细辨水平(identificationlevel)的转化以提高图像的识别能力和识别精度，为后续的分析过程提供丰富的图像信息。单幅图像超分辨率重建方法主要包含三类：基于插值的方法、基于重建的方法与基于学习的方法。基于重建的方法主要利用特定先验项来约束超分辨率重建过程，基于学习的卷积神经网络通过学习大量高低分辨率图像对之间的映射关系来进行超分辨率重建。然而，目前仅仅通过简单地改变传统的显式先验项形式或设计更深的神经网络结构来显著提升超分辨率重建效果是非常具有挑战性的。
技术实现思路
本专利技术的目的是使用基于...
【技术保护点】
1.联合轮廓增强与去噪统计先验的单幅图像超分辨率方法，其特征在于包括以下步骤：/n步骤一：首先使用SBI算法，对原单幅图像超分辨率重建问题进行分解，得到一个图像复原逆子问题、一个去噪子问题、一个辅助变量迭代方程；再对得到的图像复原逆子问题和去噪子问题分别引入基于深度学习的先验，并引入一种连续性机制，得到基于改进SBI算法的单幅图像超分辨率重建框架；/n步骤二：针对输入的低分辨率图像，构建轮廓增强网络PENet，用于预测未知的高分辨率梯度轮廓特征；/n步骤三：利用训练图像数据集，训练步骤二中构建的网络，总共训练四个方向的梯度轮廓；/n步骤四：针对步骤一所述的去噪子问题，构建去...
【技术特征摘要】
1.联合轮廓增强与去噪统计先验的单幅图像超分辨率方法，其特征在于包括以下步骤：
步骤一：首先使用SBI算法，对原单幅图像超分辨率重建问题进行分解，得到一个图像复原逆子问题、一个去噪子问题、一个辅助变量迭代方程；再对得到的图像复原逆子问题和去噪子问题分别引入基于深度学习的先验，并引入一种连续性机制，得到基于改进SBI算法的单幅图像超分辨率重建框架；
步骤二：针对输入的低分辨率图像，构建轮廓增强网络PENet，用于预测未知的高分辨率梯度轮廓特征；
步骤三：利用训练图像数据集，训练步骤二中构建的网络，总共训练四个方向的梯度轮廓；
步骤四：针对步骤一所述的去噪子问题，构建去噪统计先验网络DSPNet，用于预测未知的去噪图像；
步骤五：利用训练图像数据集，训练步骤四中构建的去噪统计先验网络，总共训练二十五个噪声等级的去噪统计先验网络用于迭代过程中去噪子问题的动态去噪；
步骤六：利用步骤三中训练好的轮廓增强网络，对输入低分辨率图进行多方向梯度轮廓预测，得到预测的四个方向的高分辨率图梯度轮廓特征，使用这些梯度轮廓特征来构建显式的图像轮廓增强先验PEP，并将该先验应用于步骤一中所述的图像复原逆子问题；
步骤七：使用TFOCS技术来优化步骤一所述的图像复原逆子问题，得到迭代更新后的高分辨率估计图像Xk+1；
步骤八：计算每一次迭代过程中去噪子问题对应的噪声等级σk；
步骤九：使用步骤五中训练好的去噪统计先验网络应用于步骤一所述的去噪子问题，噪声级别对应步骤八中的σk，并采用多重估计的策略进一步提升去噪性能，最终在去噪子问题中构建隐式的图像统计先验DSP，得到去噪后的图像vk+1；
步骤十：更新步骤一所述的图像复原逆子问题中的惩罚参数μk，并由步骤一的辅助变量迭代方程bk+1＝bk+Xk+1-vk+1，对辅助变量bk进行更新；
步骤十一：重复步骤七到十，直到达到指定的迭代次数，最后输出即为最终的超分辨率重建结果。
2.根据权利要求1所述的联合轮廓增强与去噪统计先验的单幅图像超分辨率方法，其特征在于步骤一所述的基于改进SBI算法的单幅图像超分辨率重建框架：首先，对使用SBI算法所得到的图像复原逆子问题和去噪子问题分别引入基于深度学习的先验，也就是，在原图像复原逆子问题中加入图像增强先验PEP以增强重建图像的高频细节，使用去噪统计先验网络替代原去噪子问题中的显式去噪先验，在提出的单幅图像超分辨率重建框架中，图像复原逆子问题和去噪子问题的具体公式如下：
其中，X为未知的高分辨率图，Y为低分辨率图，H为模糊矩阵，D为下采样矩阵，Xk+1为迭代更新后的高分辨率估计图，vk为去噪图像，μk为惩罚参数，k为迭代次数，b为辅助变量，η为正则化参数，F为特征提取矩阵，P为预测到的特征矩阵，I为单位矩阵，σk为当前迭代过程中的噪声等级，表示去噪算法，Z和K的表达式如下：
然后，为了提升去噪效果，在提出的重建框架中还引入一种连续性机制来在迭代过程中自适应地调节去噪子问题对应的噪声等级σk，首先对惩罚参数μk进行更新：
μk+1＝ρμk
其中ρ为一个大于1的常数，然后再根据噪声等级与惩罚参数之间的关系：
对噪声等级进行更新，λ为正则化参数。
3.根据权利要求1所述的联合轮廓增强与去噪统计先验的单幅图像超分辨率方法，其特征在于步骤二和步骤三所述的训练四个方向梯度轮廓的轮廓增强网络：首先对训练图像数据集进行双三次下采样得到低分辨率图像数据集，然后将低分辨率图像数据集与原始图像数据集采用相同的梯度算子进行方向梯度轮廓特征提取，构建高低分辨率的训练图像对，在提出的重建框架中，提取0°，45°，90°，1...
【专利技术属性】
技术研发人员：任超，何小海，翟森，王正勇，卿粼波，熊淑华，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51
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。