[发明专利]基于流形正则稀疏支撑回归的单帧图像超分辨率重建方法

说明书

技术领域

本发明涉及图像超分辨率领域，具体涉及一种基于流行正则稀疏支撑回归的单帧图像超分辨率重建方法。

背景技术

随着计算机网络和摄影手持移动设备的发展，图像和视频越来越多的应用于我们的生活。然而，由于网络带宽和服务器存储等问题的限制，我们所获得的大多数图像的分辨率和质量较低，远远不能满足人们的需求。图像超分辨率是一种可以利用图像处理算法来提升低分辨率图像细节信息的技术，它无需更高要求的硬件设备就可以为我们提供包含更多细节的高分辨率图像。

根据输入低分辨率图像的数目，超分辨率技术可以分成基于多帧图像重建的超分辨率技术和基于单帧图像学习的超分辨率这两大类。在本发明中，我们关注于基于单帧图像学习的超分辨率技术。它与基于多帧低分辨率图像的超分辨率技术相比，拥有更广泛的实用性和灵活性。Chang等人在文献1（H.Chang,D.Yeung,and Y.Xiong.Super-resolution through neighbor embedding[A].In Proc.IEEE CVPR’04[C].Washington,2004.275–282.）中提出了一种基于流形假设的局部线性嵌入技术，他们认为高低分辨率图像块所构成的流形空间具有相似局部几何结构，高分辨率图像块可以由训练集中K个最近邻的高分辨率图像块进行线性组合得到。最近，Yang等人在文献2（J.Yang,J.Wright,T.Huang,and Y.Ma,“Image super-resolution as sparse representation of raw image patches,”in Proc.IEEE Conf.Comput.Vis.Pattern Recognit.(CVPR),pp.1-8,2008.）和文献3（J.Yang,J.Wright,T.Huang,and Y.Ma.“Image super-resolution via sparse representation,”IEEE Trans.Image Process,vol.19,no.11,pp.2861–2873,2010.）中采用了稀疏编码来进行图像超分辨率，其具体做法是强制对应的高低分辨率图像块共享相同的稀疏表示：通过在正则化之前进行稀疏约束，低分辨率图像块被看作是一个过完备字典进行编码，则得到稀疏表示系数，使用此系数线性组合对应的高分辨率图像块即可完成图像超分辨率重建。然而，高低分辨率图像块具有“相同的稀疏表示”这一潜在假设在实际情况下很难达到。Tang等人在文献4（Y.Tang,P.Yan,Y.Yuan,and X.Li,“Single-image super-resolution via local learning,”Int.J.Mach.Learn.&Cyber.,vol.2,pp.15–23,2011.）中提出一种局部学习回归（LLR）的方法，同样是从高低分辨率训练集中选择最近邻的K个样本点学习一种映射，但没有考虑到图像块流形空间的几何结构信息，然而该流形结构对于图像的表示与分析是至关重要的。

发明内容

本发明目的是提供一种基于流形正则稀疏支撑回归的单帧图像超分辨率重建方法。

为达到上述目的，本发明采用的技术方案为一种基于流形正则稀疏支撑回归的单帧图像超分辨率重建方法，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；将输入低分辨率图像划分为若干个相互交叠的低分辨率图像块，大小与低分辨率图像块训练集内低分辨率图像块相同；

步骤2，对于输入低分辨率图像中每个低分辨率图像块，计算由低分辨率图像块训练集作为低分辨率图像块字典进行稀疏重建的稀疏编码系数及支撑集，得到与支撑集对应的高分辨率图像块支撑集和低分辨率图像块支撑集；

步骤3，对于输入低分辨率图像中每个低分辨率图像块，构建高分辨率图像块支撑集内邻域的相似矩阵W，并得到流形约束项；

步骤4，对于输入低分辨率图像中每个低分辨率图像块，根据步骤3所得相似矩阵W，约束重建低分辨率图像块支撑集与对应高分辨率图像块支撑集之间的映射矩阵P；

步骤5，对于输入低分辨率图像中每个低分辨率图像块，根据步骤4所得映射矩阵P重建输入对应的高分辨率图像块；求得输入低分辨率图像中所有低分辨率图像块对应的高分辨率图像块后，整合得到高分辨率图像并输出。