[发明专利]一种基于联合约束的图像超分辨率重建方法

说明书

本发明公开了一种基于联合约束的图像超分辨率重建方法，该方法首先从自然图像中提取图像块，在基于低阶约束的条件下，利用K‑SVD算法进行字典训练学习，在字典训练的过程中，对字典中的原子逐个进行更新；其次，通过搜索得到与图像块同尺度和多尺度相似的图形块集，利用相似图像块的稀疏编码对真实编码进行加权估计，将真实编码与所求得稀疏编码间的差值作为约束项引入到目标函数中；最后，对于需要重建的图像块，利用字典中的原子和稀疏系数相乘估计得到高分辨率图像块。本发明通过引入约束项来减弱噪声影响，并且同时增强重构的结果，获得更多的图像细节。

技术领域

本发明涉及一种基于联合约束的图像超分辨率重建方法，属于图像处理技术领域。

背景技术

近年来，图像超分辨率重建引起了研究者们的关注，并且已经被广泛应用到了实际的各个领域中，如医学图像、视频传输等。但是图像超分辨率重建在实际的应用当中还有许多问题需要去解决，比如：噪声的影响、图像的边缘效应、振铃效应等，而去除噪声的影响更是一个急需缓解的问题。

超分辨率图像的重建算法主要包括基于插值的方法、基于重建的方法和基于学习的方法。基于学习的方法有：邻域嵌入法、稀疏表示方法、深度学习法。现在大部分的算法都是从基于学习的角度来考虑并且一步一步去实现的，所以基于稀疏的算法比较受到学者们的欢迎，但效果最好的算法是从深度学习的方面进行思考的，但深度学习需要大量的数据，还有时间，所以每个思考方向都会有各自的长处和劣势，基于稀疏表示超分辨率图像重建算法的基本思想是：将HR图像块和退化得到的LR图像块作为数据集训练得到字典，然后通过求解最优化问题得到稀疏表示系数，最后利用稀疏表示系数对字典中的原子进行线性组合。文献(Shang L.Denoising natural images based ona modified sparse coding algorithm[J].Applied MathematicsComputation,2008,205(2):883-889)利用最大峰度作为最大稀疏度量准则，利用稀疏系数的固定方差项产生固定信息容量同时，为了提高算法的收敛速度，使用由快速不定点独立分量分析算法得到的确定基函数作为稀疏编码算法的初始化特征基函数。文献(Nath A G,Nair M S,RajanJ.Single Image Super Resolution from Compressive Samples Using Two LevelSparsity Based Reconstruction[J].Procedia Computer Science,2015,46:1643-1652)中，提出了一种基于二级稀疏度的重建方法，该方法通过基于补丁的图像插值和字典学习来实现。文献(Peleg T,Elad M.A Statistical Prediction Model Based on SparseRepresentations for Single Image Super-Resolution[J].IEEE Transactions onImage Processing A Publication of the IEEE Signal Processing Society,2014,23(6):2569-82)使用基于LR和HR图像块的稀疏表示的统计预测模型来处理单个图像的超分辨率。通过MMSE估计得到HR图像块的预测，使用数据聚类和级联几个基本算法，针对所得网络的训练模型，显示了它在计算复杂度、数值标准等方面优于现有方法。文献(Xie C,ZengW,Jiang S,et al.Multiscale Self-similarity and Sparse Representation BasedSingle Image Super-Resolution[J].Neurocomputing,2017,260)利用多尺度自相似性构造由l₁范数定义的正则化补偿对以便抑制稀疏噪声，从而产生更可靠的重建效果。

但是，上述方法均对噪声没有很好的抑制能力，使得图像重建效果不佳。

发明内容

本发明所要解决的技术问题是：提供一种基于联合约束的图像超分辨率重建方法，通过引入约束项来减弱噪声影响的同时，增强重构结果，获得更多的图像细节。