[发明专利]基于梯度轮廓例子字典和加权自适应p范数的单幅图像超分辨率重建方法

说明书

发明名称基于梯度轮廓例子字典和加权自适应p范数的单幅图像超分辨率重建方法摘要本发明公开了一种基于梯度轮廓例子字典和加权自适应p范数的单幅图像超分辨率重建方法。主要包括以下步骤：使用插值方法对输入的低分辨率图像进行上采样；由基于梯度轮廓例子字典的邻域嵌入超分辨率重建方法完成高分辨率梯度图像的估计；构建形状自适应的相似块组；建立形状自适应相似块组奇异值的加权p范数约束，并根据图像区域的显著性来自适应地调整每个相似块组范数约束的p值；建立重建代价函数，并迭代最优化求解，得到最终输出的高分辨率图像。本发明所述的基于梯度轮廓例子字典和加权自适应p范数的单幅图像超分辨率重建方法具有较好的主观视觉和较高的客观评价值。因此，本发明是一种有效的单幅图像超分辨率重建方法。

技术领域

本发明涉及图像超分辨率重建技术，具体涉及一种基于梯度轮廓例子字典和加权自适应p范数的单幅图像超分辨率重建方法，属于数字图像处理领域。

背景技术

在现实生活中，受成像系统硬件设备、成像条件、信息传输条件等因素的限制，人们常常无法获取高分辨率的观测图像。图像超分辨率重建技术，能在不增加硬件成本的情况下突破这些限制条件的约束，利用一幅或多幅具有互补信息的低分辨率观测图像，重建得到一幅高分辨率图像，使人们能更好地理解图像内容并作进一步的分析和利用。与多幅图像超分辨率技术相比，单幅图像超分辨率技术所需要的低分辨率观测图像数目较少，使用上更加灵活。相应地，从信号处理的角度看，由于约束信息的不足，令单幅图像超分辨率重建问题的解决具有更大的难度和挑战性。

单幅图像超分辨率重建技术发展至今主要包括三个研究方向：基于插值的方法、基于重建的方法和基于学习的方法。基于插值的方法运算速度快，但是容易引入模糊和锯齿效应。基于学习的方法通过学习并利用低分辨率图像与高分辨率图像间的关系，实现分辨率的提高。基于学习的方法能较好地恢复图像细节，但性能高度依赖于训练集和测试集的相似程度。基于重建的方法依赖于降质模型和各种图像先验，先验的使用使重建图像具备了相应的自然图像统计特性。很显然，使用更准确的先验模型能获取更好的超分辨率重建性能。

发明内容

本发明的目的是将邻域嵌入与梯度轮廓特征结合起来完成高分辨率梯度轮廓的估计，并将合成的高分辨率梯度图像作为局部梯度域约束先验引入超分辨率重建；通过对非局部相似块组奇异值的加权p范数约束，实现块组的低秩特性，用图像区域的显著性自适应调整每个相似块组的p值，提高p范数约束的灵活性和准确性，并将建立的加权自适应p范数模型引入超分辨率重建；通过两种局部和非局部先验的联合，提高超分辨率重建的性能，使重建能有效抑制各种失真，更好地恢复图像细节和锐化边缘。本发明通过以下操作步骤构成的技术方案来实现上述目的。

本发明提出的基于梯度轮廓例子字典和加权自适应p范数的单幅图像超分辨率重建方法，主要包括以下操作步骤：

（1）使用双三次插值方法对输入的低分辨率图像进行上采样，得到初始的高分辨率估计图像；

（2）由基于梯度轮廓例子字典的邻域嵌入超分辨率重建方法完成高分辨率梯度图像的估计，构建梯度域先验；

（3）根据现有的高分辨率估计图像，提取每个参考像素的自适应邻域，并进行非局部相似块搜索，组成形状自适应的相似块组；

（4）根据现有的高分辨率估计图像，确定每个参考像素的p范数值，并构建形状自适应相似块组的加权自适应p范数先验；