基于字典学习和结构聚类的图像超分辨率重建方法技术

本发明专利技术公开了一种基于字典学习和结构聚类的图像超分辨率重建方法，主要解决现有技术重建图像表面模糊，边缘锯齿化现象严重的问题。其实现步骤是：（1）采集训练样本；（2）对训练样本进行结构聚类；（3）利用OMP和K-SVD的方法训练得到各类的字典；（4）求出输入的低分辨率图像块的稀疏表示系数；（5）利用高分辨率字典和稀疏系数重建高分辨率图像块；（6）对高分辨率图像块加权求和，得到加权求和后的高分辨率图像块；（7）根据高分辨率图像块，得到高分辨率图像；（8）通过误差补偿，对高分辨率图像进行高频信息增强，得到最终的结果。仿真实验表明，本发明专利技术具有图像表面清晰，边缘比较锐化的优点，可用于图像识别以及目标分类。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及一种图像的超分辨率重建方法，可用于各种自然图像的超分辨率重建，并且对小噪声有一定的抑制作用。
技术介绍
在实际应用中，受成像系统物理分辨率限制，以及场景变化与天气条件等诸多因素的影响，实际成像过程中往往存在光学与运动模糊、欠采样和噪声等退化因素，导致成像系统只能得到质量较差、分辨率较低的图像或图像序列，通常满足不了实际的应用要求，这给后续的图像处理、分析和理解带来诸多困难，不利于人们正确地认识客观世界及其规律。解决这一问题一个实用而有效的方法就是图像超分辨重建技术，其不需要昂贵的图像获取设备，只需要通过计算机软件的处理就能够获得更高分辨率的图像。一般说来，图像超分辨技术主要分为三种类型:基于插值的方法、基于重构的方法和基于学习的方法。其中:基于插值的方法，如最邻近插值法和立方插值法，进行超分辨率重建时会造成图像表面比较模糊，高频信息会丢失严重，尤其是边缘锯齿化现象明显，严重影响图像质量。基于重建的方法由于人 为强加的图像先验，导致高分辨图像边缘有锯齿化现象出现，并且在高放大因子条件下重建图像的质量严重退化。这些图像超分辨方法虽然存在过平滑、边缘有锯齿化现象等缺陷，但在技术上取得了一定突破，已经趋于成熟并在电子图像、互联网视频、数字电视等多个领域获得广泛应用。近年来，随着机器学习和压缩感知理论的不断发展，基于学习的图像超分辨方法，是近年来由Freeman等人首先提出的一种图像分辨方法，其内容是通过马尔科夫随机场和先验知识来学习低分辨率图像和高分辨率图像之间的关系，然后重构出高分辨图像，但这种方法不能很好地保持高分辨图像的高频细节，并且计算复杂度较大，效率偏低。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种，以避免图像超分辨率重建时，导致重建图像的细节丢失严重以及图像边缘有振铃现象。实现本专利技术的技术思路是:利用图像结构信息的不同，对训练样本对进行结构聚类，并获得各类的字典对包括低分辨率字典及其对应的高分辨率字典，通过重建算法得到一幅高分辨率、高清晰的图像。其具体步骤包括如下:(I)从样本数据库中采集训练样本对M= [Mh ^1]，其中，Mh表示高分辨率样本集，M1表示对应的低分辨率样本集；(2)对采集到的训练样本对M进行结构聚类；(2a)按如下公式提取高分辨率样本块Mhz各个像素点的结构特征值Yhz (j，k):本文档来自技高网...

【技术保护点】
一种基于字典学习和结构聚类的图像超分辨率重建方法，包括如下步骤：（1）从样本数据库中采集训练样本对M=[Mh;Ml]，其中，Mh表示高分辨率样本集，Ml表示对应的低分辨率样本集；（2）对采集到的训练样本对M进行结构聚类；（2a）按如下公式提取高分辨率样本块Mhz各个像素点的结构特征值Yhz(j,k)：Yhz(j,k)=det(Cz)2πh2exp{-(x-xj,k)Cz(x-xj,k)T2h2},得到高分辨率样本块Mhz的结构特征矩阵Yhz，其中，Mhz表示高分辨率样本集Mh的第z个高分辨率样本块，Cz表示高分辨率样本块Mhz的梯度的协方差矩阵，x表示高分辨率样本块Mhz的中心像素点的位置坐标，xj，k表示高分辨率样本块Mhz的像素点Mhz(j,k)的位置坐标，h表示常量，det表示求矩阵的行列式，T表示矩阵的转置，exp表示指数；（2b）根据步骤（2a）计算出高分辨率样本集Mh的结构特征矩阵Yh，利用KMEANS方法对结构特征矩阵Yh进行聚类，并聚成N类，其中，1≤N≤100；（3）利用正交匹配追踪OMP算法和K?SVD的方法以及各类的训练样本对Mi，求得字典对Di包括高分辨率字典Dhi及其低分辨率字典Dli，其中，Mi表示第i类的训练样本对，1≤i≤N；（4）输入一幅待处理的低分辨率图像y，将低分辨率图像y按照阵列式扫描方式，得到低分辨率图像块yp，其中，1≤p≤L，L表示图像块的数目，利用公式求解得到低分辨率图像块yp在低分辨率字典Dli下的稀疏表示系数βi，式中，表示向量的l2范数，||||1表示向量的l1范数，F表示特征提取因子，用来提取图像的特征，λ表示正则项参数；（5）利用高分辨率字典Dhi及稀疏系数βi，重建得到高分辨率图像块Xpi=Dhiβi；（6）对高分辨率图像块Xpi加权求和，得到加权求和后的高分辨率图像块Xp；（7）按照矩阵式扫描方式依次将各个加权求和后的高分辨率图像块Xp放入各自对应的图像位置中，得到高分辨率图像X；（8）对高分辨率图像X，利用误差补偿，增强高频信息，得到高频信息增强后的高分辨图像X*。FDA00002779831800012.jpg,FDA00002779831800013.jpg...

【技术特征摘要】
1.一种基于字典学习和结构聚类的图像超分辨率重建方法，包括如下步骤: (1)从样本数据库中采集训练样本对M=[Mh; M1]，其中，Mh表示高分辨率样本集,M1表示对应的低分辨率样本集； (2)对采集到的训练样本对M进行结构聚类； (2a)按如下公式提取高分辨率样本块Mhz各个像素点的结构特征值Yhz (j, k):2.根据权利I所述的基于字典学习和结构聚类的图像超分辨率重建方法，其特征在于:步骤(2a)中所述的提取高分辨率样本块Mhz各个像素点的结构特征值Y...

【专利技术属性】
技术研发人员：张小华，焦李成，刘伟，马文萍，马晶晶，田小林，朱虎明，唐中和，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：