[发明专利]一种超分辨率图像重构的方法

说明书

技术领域

本发明涉及图像重构技术领域，尤其涉及一种超分辨率图像重构的方法。

背景技术

在大多数电子图像应用中，都期望并要求具有高分辨率(HR)的图像。这意味着图像中的像素密度高，因此HR图像可以提供更多的细节，这在很多不同的应用中非常关键。例如，HR医学图像非常有助于医生进行正确的诊断。使用HR图像可以提高计算机识别中的模式识别性能。

图像的超分辨率(Super-Resolution SR)是图像处理领域重要且基础的操作之一，该技术指利用一幅或多幅同一场景的图像来提高描述该场景图像的分辨率，通过相应的算法来得到一幅更为清晰的分辨率更大的图像。这一方法在移动通信、图像和视频压缩技术、社会安全、高清电视等都有着重要的应用价值和市场前景。

尽管超分辨技术具有很大的发展空间和市场前景，国内外在这一方向上的研究仍然停留在探索阶段。到目前为止图像放大主要有三种主要的方法：1、基于插值的图像放大，2、基于重建的图像放大，3、基于样本学习方法的图像放大。图像插值算法原理简单，复杂度低，易于实现，但这种方法只是考察周围像素点和待插像素点的相关性进行插值，在边缘、纹理等人眼敏感的位置不可避免的会出现模糊、伪影等现象。基于重建的图像放大方法把寻找放大了的图像看成一个求解逆问题的过程，通过引入一系列的先验知识来做逆问题的约束条件，压缩解空间，使之得到符合一定条件的图像。但先验知识的获取需要做大量的前期统计工作，同时待放大图像应和统计工作中分析的图像类别一致才能有较为理想的效果。基于样本学习的图像放大方法是近几年来的一个热点，它通过外在的图像数据库寻找不同分辨率图像间的关系以试图恢复出待放大图像的高频成分。这种利用样本库学习的方法充分利用了外界的图像信息，把图像的先验知识隐含在学习库中高分辨率图像内，避免了前期的统计工作，可以得到很好视觉效果的图像。由于该方法需要用到外界信息，因此算法的计算量很大，同时存在着库中的图像片和待放大图像片的“距离”很小，但视觉差别却很大的情况，降低了放大图像的质量。

现有技术提出了一种基于领域嵌套的图像超分辨率方法，这种方法假设高分辨率图像块和其对应的低分辨率图像块在特征空间形成了相同局部几何结构。现有方法的具体方案如下：

对于高分辨训练图像Ys和对应的低分辨率训练图像Xs。两个训练图像均被分割成训练图像对，从而得到一一对应的训练图像块集合{(Xst,Yst)},对于输入的低分辨率图像Xt采用相同的原则分割成图像块集合{Xtq}。对每个图像块Xtq，从训练块集合中选择K个与Xtq最接近的训练块，并计算出最优权值，利用最优权值和K个高分辨率训练图像块来构造出高分辨率的测试图像块Ytq。

图1为现有方案的算法流程图。具体来说，现有技术的步骤如下：

1、对输入的训练图像对进行分块，得到训练图像块集合{(Xst,Yst)}。

2、对于每个测试高分辨率图像块Ytq：

2a)找到与其对应的低分辨率图像块Xtq；

2b)在训练块集合{Xst}中，找到与Xtq最接近的K个训练块集合，记为Nq；

2c)计算图像块Xtq的最优权值W。通过重构误差来实现，即：

ϵ=||Xtq-Σj=1kwjNj||2]]>

2d)通过权值向量W以及与集合Nq对应的高分辨率训练图像块集合NY来重构出测试的高分辨率图像块Ytq；

3、将所有的高分辨率图像块进行拼接。考虑到颜色通道对超分辨率算法的影响，图像首先会转换至YIQ空间，在通道处理后，IQ两个通道直接采用传统的双三次插值方法，然后将获得的高分辨图像再转换回RGB空间。

现有技术的缺点：