[发明专利]基于多尺度结构自相似与压缩感知的单图像超分辨率方法

说明书

技术领域

本发明涉及一种基于多尺度结构自相似与压缩感知的单图像超分辨率方法。

背景技术

高分辨率图像能够提供很多细节信息，因此在众多领域中高分辨率图像的获取具有重要意义。图像分辨率受成像平台、成像设备制造工艺以及成本等多方面因素的影响具有一定的局限性，因此在实际应用中通常采用超分辨率方法来提升图像的空间分辨率。超分辨率方法利用信号处理方法，通过单幅或多幅低分辨率图像重构高分辨率图像。传统的超分辨率方法通常采用多幅低分辨率图像，利用它们之间的互补信息重构高分辨率图像，然而在众多应用场合下同一时相、同一区域的多幅低分辨率图像通常无法获取，这使得利用单幅低分辨率图像提升空间分辨率成为目前超分辨率技术中一个亟待解决的问题。

超分辨率方法将低分辨率成像设备获取图像的过程看作由高分辨率图像退化为低分辨率图像的降质过程，在降质过程中高分辨率图像损失了一些细节信息。超分辨率方法所要解决的问题对应于降质过程的逆过程，即通过低分辨率图像重构高分辨率图像，这一逆过程被称为重构过程，而获得的高分辨率图像被称为高分辨率重构图像。在单幅图像的超分辨率方法中，只有一幅低分辨率图像可以利用，因此在重构过程中，需要加入附加信息以弥补降质过程中损失的细节信息。超分辨率方法通常将附加信息作为正则化约束项加入到重构过程中，这使得超分辨率问题转换成为求解带有约束项的最优化问题。基于压缩感知的超分辨率方法将图像在特定字典下具有稀疏性这一附加信息作为约束项；基于结构自相似性的超分辨率方法将图像中广泛存在自相似结构这一附加信息作为约束项。尽管这两种方法取得了较好的超分辨率重构效果，然而方法均存在各自的不足。基于压缩感知的超分辨率方法是在压缩感知框架下完成的，这种方法利用图像在特定字典下具有稀疏性这一先验知识，将由大量高分辨率图像构成的图像库作为训练样本进行字典学习。字典的每一列称为字典的一个元素，字典学习的过程是使样本能够表示为少数字典元素的线性组合。字典构建完成后，方法通过求解一个最优化问题获取高分辨率重构图像。由于用于字典学习的样本取自图像库，因此会带来两个问题：首先，由于图像内容多种多样，为了使所有的图像块在训练得到的字典下均具有较好的稀疏表示形式，用于构建字典的图像库必须具有较大的规模，这使得字典学习的过程很难得到收敛；另外，图像库未必能提供待处理低分辨率图像所需要的附加信息，虽然对于训练样本来说字典是最优的，但是对于某一特定的图像块而言这种全局字典既不是最优的也不是有效的。因此，全局字典所提供的附加信息可能是不准确的，这一点制约了现有基于压缩感知的超分辨率方法。基于结构自相似性的超分辨率方法将图像中广泛存在的相似结构作为附加信息提升图像的空间分辨率。在这种方法中，由于附加信息来自图像自身，因此是准确的，从而克服了基于压缩感知的超分辨率方法的不足。然而目前大多数基于结构自相似性的超分辨率方法仅利用了同尺度自相似结构，而没有利用不同尺度自相似结构，因此附加信息的获取具有局限性；另外，方法在实现过程中需要在整幅图像中搜索相似图像块，因此运算复杂度较高。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种基于多尺度结构自相似与压缩感知的单图像超分辨率方法。

为了实现上述目的，本发明采用的技术方案是：

基于多尺度结构自相似与压缩感知的单图像超分辨率方法，包括如下步骤：

步骤1：设置高分辨率重构图像的初始估计值k＝0，设置迭代中止的误差∈，迭代最大的次数K_max；

步骤2：根据图像的降质过程确定降采样矩阵D和模糊矩阵H；

步骤3：构建图像金字塔，并将其作为K-SVD方法的训练样本建立字典Ψ；

步骤4：按照Nonlocal方法在当前高分辨率重构图像中搜索具有相同尺度的相似图像块并确定权值矩阵B；