[发明专利]一种基于反向图保持的单张图像超分辨率方法

说明书

技术领域

本发明涉及图像超分辨率领域，具体涉及一种基于反向图保持的单张图像超分辨率方法。

背景技术

超分辨率是一种由低分辨率（Low-Resolution，LR）图像产生高分辨率（High-Resolution，HR）图像的技术。在电子图像应用领域，人们往往期望得到高分辨率图像。高分辨率图像能够提供更丰富的细节，这些细节在许多实际应用中是不可或缺的。例如，使用高分辨率医疗图像有助于医生做出正确的诊断；使用高分辨率卫星图像则很容易从相似物中区别相似的对象；在智能视频监控、公安刑事侦查、信息安全等领域也都需要高分辨率图像。

根据输入低分辨率图像的数目，超分辨率方法可以分成基于多帧图像重建的方法和基于单帧图像学习的方法这两大类，其中基于单帧学习的方法能获得更高的放大倍数和更好的效果，因而更受关注。Freeman（文献1：W.Freeman,E.Pasztor,and O.Carmichael.Learning low-level vision[J].International Journal of Computer Vision,2000,40(1):25-47.）提出一种基于Markov网络的图像超分辨率方法，这是最早提出的基于学习的超分辨率算法，但是该方法对训练数据十分敏感。受到局部线性嵌入流形学习思想的启发，Chang（文献2：H.Chang,D.Yeung,and Y.Xiong.Super-resolution through neighbor embedding[A].In Proc.IEEE CVPR’04[C].Washington,2004.275–282.）基于高低分辨率图像块空间的局部几何结构一致性这一假设，首次将流形学习思想引入到图像超分辨率重构中，提出一种邻域保持的图像超分辨率重构方法。在此方法的基础上，Fan（文献3：W.Fan,D.Yeung,Image Hallucination Using Neighbor Embedding over Visual Primitive Mainfolds.in Proc.IEEE Conf.Computer Vision and Pattern Recognition,2007.1-7）利用学习得到的高低分辨率原子图像块对对图像模糊的边缘和高频细节部分进行了增强。此后，许多基于流形学习的新方法相继被提出，也都获得了较好的效果。然而，随着放大倍数的增加，低分辨率图像块与高分辨率图像块之间不再是一一对应的关系，高低分辨率图像块空间的局部几何结构并非一致。

为了解决这一问题，Yang（文献4：J.Yang,J.Wright,T.Huang,and Y.Ma.Image super-resolution as sparse representation of raw image patches.in Proc.IEEE Conf.Computer Vision and Pattern Recognition,2008.1-8；文献5：J.Yang,J.Wright,T.Huang,and Y.Ma.Image super-resolution via sparse representation.IEEE Trans.Image Process.2010,19(11):2861-2873.）提出了一种基于稀疏表达的超分辨率方法，学习得到一个更加紧致和更加一致的高低分辨率图像字典对，将稀疏编码过程应用到每一个输入低分辨率图像块，得到一组稀疏系数，并将此系数应用于对应的高分辨率字典上，重建高分辨率图像。该方法可以获得很好的效果，但其稀疏求解的过程却要消耗大量的时间，难以实际应用。

发明内容

本发明目的是提供一种基于反向图保持的单张图像超分辨率方法，解决现有同类算法无法准确表达高低分辨率图像块之间对应的关系的问题，提高最终合成的高分辨率人脸图像的质量并减少时间消耗。

为达到上述目的，本发明采用的技术方案是一种基于反向图保持的单张图像超分辨率方法，包括如下步骤：

步骤1，构建高分辨率图像块训练集和对应的低分辨率图像块训练集，所述高分辨率图像块训练集由多个高分辨率图像块构成，所述低分辨率图像块训练集由相应的多个低分辨率图像块构成；

步骤2，构建描述高分辨率图像块训练集内高分辨率图像块之间相似关系的邻接矩阵图，获得相似矩阵W；

步骤3，根据步骤2所得相似矩阵W，基于重建后高分辨率图像块空间的反向图约束项，计算出低分辨率图像块与对应高分辨率图像块之间的映射矩阵A；