[发明专利]一种基于稀疏表示的在线字典学习超分辨率重建的方法

说明书

本发明涉及一种基于稀疏表示的在线字典学习超分辨率重建的方法，包括三个部分：先验信息、字典学习、稀疏重建；其中，在字典训练部分采用在线字典学习，不仅有效利用外部图像库信息，更加入图像本身信息更新字典；此外，在稀疏先验的基础之上，同时加入局部自回归模型和非局部自相似性作为先验信息，建立了非局部正则化的超分辨率重建模型，重建图像的各种结构特征；在稀疏重建阶段，利用多尺度自相似稀疏表示确定稀疏系数，不同尺度相似块间的对应关系构建非局部约束项，在图像重建模型中将多尺度自相似结构的附加信息引入到重建过程；该方法不仅能够减小测试图像对训练图像集的依赖，而且能够克服重建过程中图像块出现的局部失真或模糊，进一步提高重建图像的质量。

技术领域

本发明涉及图像信号处理技术领域，特别涉及一种基于稀疏表示的在线字典学习超分辨率重建的方法。

背景技术

人类认识世界获取信息的途径有许多，包括听觉、触觉以及嗅觉的，同样不可缺少来自视觉的信息。视觉信息的重要性往往是最重要的，远远超越了其他的获取途径。因此，通过视觉信息获取的图像质量将直接影响着我们对事物的认知和判断。

高分辨率图像具有更高的像素密度，且包含更加丰富的细节信息，对图像的特征提取、目标识别定位以及卫星遥感成像、医学影像等各特殊领域都存在着重要的意义和帮助。但是在实际中，获得的图像会受到成像硬件制约、外界环境等各种条件的影响，发生信息的损失，造成图像质量的衰退，空间分辨率通常无法满足实际应用的需要，对后期的图像处理带来不利。

图像超分辨率重建即利用单幅或多幅低分辨率图像进行图像的重建，从而获取高分辨率图像的数字处理技术。此法能够在图像传感硬件设备不被改变的情况下，较有效的恢复出高分辨率图像，因此成为当前的研究热点，并在医疗国防等各方面具有广泛的应用前景。

图像超分辨率重建从算法上大致可以分为以下三类：基于插值、基于重建和基于学习，具体如图1所示。

基于插值的方法通过插值函数在附近像素的基础上弥补丢失的像素值。该方法算法复杂度不高，但是重建效果较为模糊，且含有较为明显的锯齿效果。

基于重建的方法比如：凸集投影方法、迭代反向投影法、基于概率论等的方法，该法通常会受到先验信息的限制，且会出现收敛速度慢，求解不唯一等缺陷。

基于学习的方法是近年来的研究热点，该法的核心思想是从外部图像库中学习低分辨率和高分辨率图像之间的对应关系，以此估计并且恢复出当前低分辨率样本的高分辨率图像。较为经典的学习方式有马尔科夫网络和邻域嵌入的方法，但是前者存在计算成本大的缺陷；而后者利用低分辨率图像与样本库中k个邻近的高分辨率像素点构造所需HR图像，此法虽然减少了计算成本，但是在近邻个数的选取上存在争议。

另一种代表性的算法是基于稀疏表示的图像超分辨率重建，其主要思想是在同一幅图像中高低分辨率向量块具有相同的稀疏表示为前提，通过共同训练高低分辨率图像块组成的两个样本字典，并在设定好的前提下进行高低分辨率向量块的匹配，最终恢复出高分辨率图像。此法虽然重建效果好，但是也存在一些缺陷，比如对于字典库的训练，该模型复杂度高，对于边缘明显的图像，单一字典库的训练无法有效地表现出图像边缘信息，在细节信息的处理上存在弊端。

图像超分辨率重建是通过对单张或者多张具有互补信息的低分辨率图像进行处理，重建一张高分辨率图像的技术。目前传统超分辨率重建方法重建效果差、对于边缘、纹理等细节信息保持能力有限、易产生视觉伪影的问题。

发明内容

本发明的目的在于，提供一种基于稀疏表示的在线字典学习超分辨率重建的方法，不仅能够减小测试图像对训练图像集的依赖，而且能够克服重建过程中图像块出现的局部失真或模糊，进一步提高重建图像的质量。

为了解决上述技术问题，本发明实施例提供一种基于稀疏表示的在线字典学习超分辨率重建的方法，包括：