[发明专利]串联式单图像超分辨率重建方法

说明书

本发明公开了一种串联式单图像超分辨率重建方法。利用以整块地分辨率图像作为输入的卷积稀疏编码进行重建，然后，使用以图像块作为输入的改进的固定邻域回归算法进行重建。最后，为了引进图像内部统计信息，建立自样例金字塔，以此为训练集使用自样例固定领域回归进行重建。本发明能利用各层方法各自的优势，对图像进行多次重建，能达到更好的重建效果。

技术领域

本发明属于图像处理技术领域，特别涉及一种串联式单图像超分辨率重建方法。

背景技术

单图像超分辨率重建通过恢复高频细节和去除模糊等方法来重建一个高分辨率图像。显然，这种单图像超分辨率重建算法在很多领域中都有重要的应用，比如监视设备、卫星图像、医学图像等。但是单图像超分辨率是一个严重的病态问题，因为观察到的低分辨率图像比渴望的高分辨率图像要小得多，所以高分辨率图像的重建是不确定的。各种方法被提出来解决这个难题：

提出的大多数方法可以被分为3类：基于插值的方法、基于重建的方法和基于学习的方法。

目前基于学习的方法因为其出色的重建效果被广泛地研究和应用。这一类方法可以被再一次细分为基于外部统计信息和基于内部统计信息的方法。基于内部统计信息方法利用一幅图像在相同尺度和不同尺度的相似和冗余信息。最具代表性的方法是Huang等人在2015年提出的用对低分辨率图像块的变换版本来重建高分辨率图像块。而基于外部统计信息的学习方法，从外部数据集学习从低分辨率图像块到高分辨率图像块的映射。其中，最经典的是杨建超等人在2010年提出的稀疏表示方法，它需要从外部数据集学习一对字典。为了加速该算法，脊回归被应用到算法中去，代替l₁范正则化项。因为脊回归具有闭式解，所以可以提前计算给予每个原子领域的映射矩阵。随着深度学习在计算机视觉领域的广泛应用，Dong等人在2014年提出SRCNN第一次使用深度卷积神经网络进行超分辨率重建。

但是，现有技术的超分辨率图像重建方法，仍然难以满足实际使用需求，存在进一步提升的空间。

发明内容

本发明的目的是提供一种串联式单图像超分辨率重建方法，提高了图像的重建效果。

为了实现上述目的，本发明提供了一种串联式单图像超分辨率重建方法，包括以下步骤：

a、将训练集图片对分解为低频光滑图像和高频图像两部分，对高频图像采用卷积稀疏编码训练，得到低分辨率滤波器和高分辨率滤波器，以及低分辨率特征图到高分辨率特征图的变换函数，存储备用；

b、用卷积稀疏编码对低分辨率训练图像进行重建，将重建后的图像与真实图像组成训练图像对，使用联合字典训练方法得到低分辨率字典。以低分辨率字典原子为锚点，寻找离锚点最近的图像块构建低分辨率字典和高分辨率字典，存储备用；

c、对于输入的一张低分辨率图像，将其分解为低频光滑图像和高频图像两部分，对于低频部分直接使用双三次插值进行重建，高频部分则利用存储的低分辨率和高分辨率滤波器进行卷积稀疏编码超分辨率重建，将重建的两部分相加得到超分辨率图像；

d、将步骤c中得到的超分辨率图像，使用存储的低分辨率字典和高分辨率字典进行改进的固定邻域回归超分辨率重建；

e、对步骤d得到超分辨率图像构建自样例金字塔对，并以自样例金字塔对作为训练集，使用改进的固定领域回归的训练方式训练得到低分辨率和高分辨率字典；

f、对d得到的超分辨率图像，利用e中的低分辨率和高分辨率字典进行固定领域回归重建得到最终的超分辨率重建图像。

可选的，所述步骤a中，对于低分辨率训练集图片，通过解优化问题：