本发明专利技术涉及图像处理技术领域，尤其涉及一种超分辨率重建的成像方法。该方法包括以下步骤：步骤S1，将低分辨率图像分割成若干个低分辨率像素块，并寻找每个所述低分辨率像素块的相似度最高的超分辨率块，以形成原始超分辨率块；步骤S2，为每个低分辨率像素块建立几何模型和光学模型；步骤S3，通过几何模型和光学模型对所述低分辨率像素块重建，确定若干所述临时超分辨率块与原始超分辨率块的匹配度；步骤S4，将每个匹配度最高的所述临时超分辨率块进行拼装，以得到完整的超分辨率图像。通过建立低分辨率块到超分辨率块的对应关系，利用非线性优化迭代调优几何光学模型，实现实时重构超分辨率图像。
【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种超分辨率重建的成像方法。
技术介绍
1、随着现代社会的发展，对图像质量要求的不断提高，超分辨率重建技术作为一种数字图像处理和增强方法，为提供更高质量图像服务提供了可能。
2、公开号为cn110009565a的专利文献公开了一种基于轻量化网络的超分辨率图像重建方法，该方法包含以下步骤：步骤1，用设计的shufflenet unit代替edsr超分辨率重建模型的resblock(残差块)中两个卷积核，得到改进后的网络模型，其中，shufflenet unit由1×1gconv(逐点组卷积)、通道混洗、3×3dwconv(深度分离卷积)、1×1gconv四个部分组成；步骤2，对步骤1中改进后的网络模型进行权值参数压缩训练，包括以下子步骤；步骤2.1，将权值矩阵中权值绝对值小于阈值的连接进行剪枝，得到剪枝后的稀疏矩阵；步骤2.2，对步骤2.1得到的稀疏矩阵中的权值进行量化，完成所有权值的数值共享；步骤2.3，采用霍夫曼编码方式对权值数据进行编码；步骤3，将所需要超分辨率重建的图像通过上述训练好的网络模型进行计算，得到重建后放大的图像。
3、由此可见，所述基于轻量化网络的超分辨率图像重建方法存在现有技术中需提前训练模型来重建低分辨率图像导致不能实现超分辨率图像实时重建的问题。
技术实现思路
1、为此，本专利技术提供一种超分辨率重建的成像方法，用以克服现有技术中需提前训练模型来重建低分辨率图像导致不能实现超分辨率图像实时重建的问题。</p>2、为实现上述目的，本专利技术提供一种超分辨率重建的成像方法，包括：
3、步骤s1，将低分辨率图像分割成若干个低分辨率像素块，在预先建立的超分辨率数据库中寻找与每个所述低分辨率像素块的相似度最高的预存超分辨率块，以形成原始超分辨率块；
4、步骤s2，为每个所述低分辨率像素块建立几何模型和光学模型；
5、步骤s3，迭代优化所述几何模型对应的拉伸参数、旋转参数和平移参数，通过优化后的几何模型和光学模型对所述低分辨率像素块重建，以得到若干临时超分辨率重构块，利用所述光学模型对若干所述临时超分辨率重构块进行重建，以得到若干临时超分辨率块，并确定若干所述临时超分辨率块与原始超分辨率块的匹配度；
6、步骤s4，将每个匹配度最高的所述临时超分辨率块进行拼装，以得到完整的超分辨率图像。
7、进一步地，所述步骤s3包括：
8、步骤s31，提取低分辨率像素块中的特征点，与原始超分辨率图像中的对应特征点建立匹配关系；
9、步骤s32，根据特征点匹配关系，利用光学模型m对低分辨率像素块的hsv值进行重建，得到一个临时的超分辨率重构块，并根据几何模型t对所述临时的超分辨率重构块做拉伷、旋转和平移转换，得到调整后的临时超分辨率块，其中hsv值为h值、s值和v值，h值为颜色空间模型的色相，s值为颜色空间模型的饱和度，v值为颜色空间模型的明度；
10、步骤s33，对比所述临时超分辨率块与原始超分辨率块在对应点位置的hsv误差，作为本次迭代优化的目标函数，并使用非线性优化算法，专注优化几何模型t的矩阵中的拉伸、旋转和平移参数，最小化目标函数；
11、步骤s34，根据非线性优化结果更新几何模型t和光学模型m的矩阵，进入下一轮迭代优化；
12、步骤s35，重复步骤32至步骤34，直到目标函数收敛，输出最优的几何模型t的矩阵和光学模型m的矩阵。
13、进一步地，所述步骤s31包括：
14、步骤s311，使用sift算法提取尺寸为y×u的低分辨率图像a的特征点，以得到r个低分辨率特征点，使用sift算法提取尺寸为q×d的与低分辨率图像a对应的原始超分辨率图像j的特征点，以得到f个超分辨率特征点，其中y,u,r，q，d和f均为常数，所述sift算法为用于在图像中检测和描述局部特征的方法；
15、步骤s312，提取每一个低分辨率特征点的局部特征，以得到128维的sift描述子a，提取每一个超分辨率特征点的局部特征，以得到128维的sift描述子j，其中sift描述子a为用来描述低分辨率特征点的局部特征的方法，sift描述子j为用来描述超分辨率特征点的局部特征的方法；
16、步骤s313，收集低分辨率图像a和原始超分辨率图像j中所有特征点的描述子，分别存储在第一列表和第二列表中，所述第一列表存储图像a特征点描述子a，所述第二列表存储图像j特征点描述子j，对第一列表中的每个sift描述子a计算其与第二列表中的每个sift描述子j的欧式距离，根据欧式距离最小的描述子j’建立低分辨率图像a的特征点到原始超分辨率图像j的特征点的对应关系表，以记录低分辨率图像a的每个特征点以及其在原始超分辨率图像j对应的对应特征点。
17、进一步地，所述步骤s32包括：
18、步骤s321，计算低分辨率图像a中特征点对应的hsv值；
19、步骤s322，根据光学模型m，预测所述低分辨率图像a中特征点在原始超分辨率图像j对应的对应特征点的hsv值；
20、步骤s323，使用所述原始超分辨率图像j对应的对应特征点的hsv值对低分辨率图像a中所有特征点进行hsv值重建推断计算；
21、步骤s324，构建一个与原始超分辨率图像j大小一致但仅在对应特征点位置有确定hsv值的临时的超分辨率重构块；
22、步骤s325，初始化几何模型t的矩阵；
23、步骤s326，利用几何模型t的矩阵的前2×2矩阵描述拉伸和旋转变换，利用几何模型t的矩阵的第3列描述平移变换；
24、步骤s327，根据变换后的坐标，采样和重采样图像像素值，得到调整后的临时超分辨率块。
25、进一步地，所述步骤s33包括：
26、步骤s331，获取所述临时超分辨率块对应特征点的h值为hl、s值为sl、v值为vl，获取所述原始超分辨率块对应特征点的h值为hb、s值为sb、v值为vb，计算所述临时超分辨率块对应特征点和所述原始超分辨率块对应特征点的hsv值每个通道的差异，h差值＝|hl-hb|，s差值＝|sl-sb|，v差值＝|vl-vb|，对所有对应特征点计算通道差值后取平方和，目标函数e＝σ(hl-hb2+sl-sb2+vl-vb2)，其中σ表示对所有特征点求和，e为所述临时超分辨率块与所述原始超分辨率块在对应特征点hsv值之间的总误差；
27、步骤s332，使用拟牛顿法作为非线性优化算法，假设几何模型t的矩阵只包含一个平移参数t，初始化t＝0，根据当前t，计算临时超分辨率块并计算目标函数e，对t微增量δt，计算第一次目标函数e1＝e×(t+δt)，对t微减量δt，计算第二次目标函数e2＝e×(t-δt)，通过有限差分近似计算t的梯度使用梯度下降公式更新t，其中α为学习率，t_new为更新后的t，用t_new重复迭代优化t直至e收敛，对几何模型t的矩阵旋转角参本文档来自技高网
...
【技术保护点】
1.一种超分辨率重建的成像方法，其特征在于，包括：
2.根据权利要求1所述的超分辨率重建的成像方法，其特征在于，所述步骤S3包括：
3.根据权利要求2所述的超分辨率重建的成像方法，其特征在于，所述步骤S31包括：
4.根据权利要求3所述的超分辨率重建的成像方法，其特征在于，所述步骤S32包括：
5.根据权利要求4所述的超分辨率重建的成像方法，其特征在于，所述步骤S33包括：
6.根据权利要求5所述的超分辨率重建的成像方法，其特征在于，所述步骤S1包括：
7.根据权利要求6所述的超分辨率重建的成像方法，其特征在于，所述步骤S12包括：
8.根据权利要求7所述的超分辨率重建的成像方法，其特征在于，所述步骤S13包括：
9.根据权利要求8所述的超分辨率重建的成像方法，其特征在于，所述步骤S14包括：
10.根据权利要求9所述的超分辨率重建的成像方法，其特征在于，所述步骤S2包括：
【技术特征摘要】
1.一种超分辨率重建的成像方法，其特征在于，包括：
2.根据权利要求1所述的超分辨率重建的成像方法，其特征在于，所述步骤s3包括：
3.根据权利要求2所述的超分辨率重建的成像方法，其特征在于，所述步骤s31包括：
4.根据权利要求3所述的超分辨率重建的成像方法，其特征在于，所述步骤s32包括：
5.根据权利要求4所述的超分辨率重建的成像方法，其特征在于，所述步骤s33包括：
6.根据...
【专利技术属性】
技术研发人员：许淑华，高亚军，齐鸣鸣，
申请(专利权)人：浙江云谷数据有限公司，
类型：发明
国别省市：
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。