[发明专利]一种基于非局部均值的图像超分辨率方法

说明书

单幅图像的超分辨率放大技术仅利用一幅低分辨率的图像就可以获得更高分辨率的图像，以使图像的视觉效果更清晰。在已有的超分辨率方法中，在线重建阶段中对每一个低分辨率块只选取一个最接近的映射矩阵，会造成很多有价值的图像信息的丢失。针对以上缺点，本发明提出了一种基于非局部均值(NLM)的图像超分辨率方法，在训练阶段利用迭代反向投影加强双三次插值后的图像。在图像重建阶段，利用加入梯度因素的非局部均值方法加强双三次插值后的图像并提取特征，同时，筛选若干个最优的映射矩阵并加权映射得到图像中的高频信息。由于该方法保留了较多的有价值的图像信息，得到了质量更好高分辨率图像。实验表明，此方法优于目前提出的其它方法。

技术领域

本发明涉及到图像处理中的一种以单幅图像为输入的图像超分辨率放大的方法，以提高图像的分辨率，输出分辨率更高的图像。

背景技术

以往的单幅图像超分辨率的方法，可以大致分为三类：(1)基于插值的方法，(2)基于样例的方法，(3)基于学习的方法，(4)基于稀疏表示的方法。其中，在基于插值的方法中，仅利用当前未知像素点值周围的已知像素点值来估计当前未知像素点的值，其优点是计算复杂度低，计算速度快，其缺点是放大的图像的质量不高，在图像的细节部分会产生较大的失真和模糊。在基于样例的方法中，在其离线的训练阶段将从大量的训练图像中提取低分辨率的图像块和其对应的高分辨率的图像块，然后进行保存。在其在线的图像放大阶段，将首先对低分辨率图像进行分块，然后对低分辨率块寻找在存储的低分辨率块中和其相似的图像块，接着利用这些低分辨率块所对应的高分辨率块的组合来得到高分辨率块。这类方法的优点是其放大的图像的质量较高，缺点是需要利用很大的存储空间来存储训练阶段产生的低分辨率和高分辨率的图像块，并且在线的训练阶段中寻找相似的低分辨率图像块的过程的计算复杂度大，非常耗时，同时其输出的高分辨率图像还存在有块效应等问题。在基于学习的方法中，在其离线阶段利用卷积神经网络来学习低分辨率的图像和高分辨率图像之间的关系，在其在线阶段将利用这个卷积神经网络来产生高分辨率的图像块。这类方法的优点是其放大的图像具有相对较好的质量，其缺点是其训练阶段需要大量的时间，并且当所放大的图像和训练图像有较大的差距时，会降低放大的图像的质量。基于稀疏表示的方法中，在其离线的训练阶段将利用训练图像产生低分辨率图像块的字典和高分辨率图像块的字典，然后在线放大过程中将对输入的低分辨率图像块寻找其在低分辨率图像块字典下的稀疏表示的系数，接着利用高分辨率的字典和这个系数得到高分辨率的图像块。这类方法的优点是其只需要存储低分辨率和高分辨率的字典，所需要的存储空间相对于基于样例的方法大大减少了，并且其在线放大的速度快，得到的放大图像具有较好的质量。

发明内容

所提方法同样包含离线训练阶段和在线重构阶段。

1.所提出的方法的离线训练阶段的操作

在离线训练阶段，首先将输入的训练的高分辨率图像I_H作模糊和下采样处理得到低分辨率图像I_L，即，

其中，S为图像需要放大的倍数，↓_S是下采样S倍的算子。B是模拟的模糊算子，其元素σ²为方差参数，i＝-L，...，0，...，L，j＝-L，...，0，...，L，即，i和j为从-L到L之间的整数，L为算子的范围。

将I_L经过双三次插值后得到大小与I_H相同的图像I_bic。考虑到在训练阶段若采用非局部均值(non-local means，NLM)方法对图像I_bic进行加强将耗时很长，为降低时耗，采用迭代反向投影的方法，即如下式的方法，对图像I_bic进行加强得到图像I_back。

X^t+1＝X^t+τ{(Y-(X*B)↓_S)↑_S} (2)