[发明专利]基于图像非局部自相似性的单幅图像的超分辨率重建方法

权利要求书

1.一种基于图像非局部自相似性的单幅图像的超分辨率重建方法，其特征在于，包括以下步骤：

步骤1、建立训练高分辨率滤波器

根据卷积稀疏编码快速求解方法，通过求解(8)式，得到相应的高分辨率滤波器，即高分辨率图像滤波器f_hi训练过程如下：

其中，训练图像集为首先将训练图像集进行预处理，提取其相应的Y分量的高频信息图像以此高频信息图像集做为训练图像集，得到对应的滤波器

步骤2、基于非局部自相似性卷积稀疏编码的图像超分辨率重建

首先对待重建的低分辨率图像y进行空间转换，得到其YCbCr空间图像，通过图像高低频信息分离算法，提取Y分量图像的高频信息，做为待重建的低分辨率图像y_l；而其它的两个分量Cb、Cr以及Y分量的低频信息，采用插值算法进行超分辨率重建，其中，我们首先对y_l进行双线性3倍上采样插值，得到对应的初始化高分辨率图像x⁽¹⁾，根据卷积公式z_i＝f_hi*x⁽¹⁾，初始化具体包括：

3.1、特征图Z相似块位置的确定

根据当前得到的高分辨率图像x⁽¹⁾，以及NLM算法，将图像分成6*6非重叠的图像块集其中，r为图像块数；通过计算当前块与其它块之间的欧氏距离，来寻找与当前块最相似的12个块，记下这12个块的位置信息，即Ω_i；

3.2特征图Z相似块值的确定

根据卷积神经网络的特性，可知卷积滤波器提取的是基于整幅图像的全局特征，因此，可认为特征图中的信息与图像中的信息具有一致对应关系；根据以上特征，得到每一个特征图对应的图像块集其中r为图像块数；根据上一步求得的图像相似块位置信息集Ω_i，可计算出添加了非局部相似信息后的特征图Z

其中，

3.3特征图Z当前更新值的确定

在当前迭代过程中，固定可求解以下L₁正则化最小值问题，即

采用稀疏约束线性逆问题的迭代阈值算法求解(12)式，在第t+1次迭代中，所求得的收缩算子为

其中，n，m分别为z_i的行数与列数，z′_ij与分别为z_i与中的元素值，S_τ(.)是软阀值操作，其中F_i＝fliplr(flipud(f_hi))；τ＝λ_i/c，c是保证函数凸性的辅助参数，根据所求得的可以得到当前迭代下的高分辨率图像

不断重复3.1～3.3步骤，直到达到迭代终止条件，停止迭代，得到最终的高分辨率图像

2.如权利要求1所述的基于图像非局部自相似性的单幅图像的超分辨率重建方法，其特征在于，还包括图像预处理，具体过程如下：

首先对原始彩色图像，利用图像空间的变化，将其变换到YCbCr空间中，仅对Y分量的高频信息做基于稀疏表示的超分辨率重建，而其他的两个分量Cb、Cr以及Y分量的低频信息，采用插值算法进行超分辨率重建，提取图像Y分量的高频信息过程如下：

其中，是图像y的低频特征图；f^s是一个3*3的低通滤波器，其值为1/9；f^dh和f^dv分别是水平方向和垂直方向的梯度算子，其值为[1，-1]和[1；-1]；

为了求解(9)式，将其转换到傅里叶域中进行求解，求解形式如下：

其中，和是傅里叶变换(FFT)与逆傅里叶变换；以及是f^s、f^dh和f^dv的傅里叶变换；符号“Λ”表示复共轭，表示分量相乘；

根据所求的可得y的高频信息Y，即