[发明专利]基于字典学习和结构相似的图像超分辨率重建方法

摘要

本发明公开了一种基于字典学习和结构相似的图像超分辨率重建方法，主要解决现有技术重建图像表面模糊，边缘锯齿化现象严重的问题。其实现步骤是：（1）采集训练样本对；（2）利用结构相似SSIM和K-SVD方法学习一对高低分辨率字典；（3）求出输入的低分辨率图像块的稀疏表示系数；（4）利用高分辨率字典和稀疏系数，重建高分辨率图像块X_i；（5）融合高分辨率图像块X_i，得到信息融合后的高分辨图像X′_i；（6）根据高分辨图像X′_i，得到高分辨率图像X；（7）通过误差补偿对高分辨图像X进行高频信息增强，得到高频信息增强后的高分辨率图像。仿真实验表明，本发明具有图像表面清晰，边缘比较锐化的优点，可用于图像识别以及目标分类。

主权项

1.一种基于字典学习和结构相似的图像超分辨率重建方法，包括如下步骤： （1）从样本数据库中采集训练样本对M=[M_h;M_l]=[m₁，...,m_num]，其中，M_h表示高分辨率样本块，M_l表示对应的低分辨率样本块，m_p表示M的第p列，1≤p≤num，num表示样本对的数目； （2）利用结构相似SSIM和K-SVD的方法，训练步骤（1）的训练样本对M，求得字典D₁： (2a)初始字典D； （2b）利用结构相似SSIM求解训练样本对m_p在字典D下的稀疏表示系数α_p，其公式如下： 其中，λ₁表示正则项参数，||||₀表示向量的l₀范数，S(m_p,Dα_p)用来度量m_p和Dα_p的结构相似性； （2c）根据步骤（2b）分别求解训练样本对M各列向量在字典D下的稀疏表示系数，得到训练样本对M的稀疏系数α=[α₁，...,α_num]； （2d）利用K-SVD的方法，按如下公式更新冗余字典D，并得到更新后的字典D₁： 其中，D₁=[D_h;D_l]，D_h表示高分辨率字典，D_l表示对应的低分辨率字典； （3）输入一幅待处理的低分辨率图像y，将低分辨率图像y按照阵列式扫描方式，得到低分辨率图像块y_i，其中，1≤i≤L，L表示图像块的数目，利用公式求解得到低分辨图像块y_i在低分辨率字典D_l下的稀疏表示系数β，式中，表示向量的l₂范数，||||₁表示向量的l₁范数，F表示特征提取算子，用来提取图像块的特征，λ₃表示正则项参数；（4）利用高分辨率字典D_h及稀疏系数β，重建得到高分辨率图像块X_i=D_hβ； （5）利用如下公式对高分辨率图像块X_i，进行信息融合，得到信息融合后的高分辨率图像X′_i： 其中，Z₁表示对低分辨率图像块y₁的插值图像，S(Z₁,X′_i)表示Z₁和X′_i的结构相似性，S(X_i,X′_i)表示X_i和X′_i的结构相似性，λ₄表示正则项参数； （6）按照阵列式扫描方式依次将各个信息融合后的高分辨率图像块X′_i放入各自对应的图像位置中，得到高分辨率图像X； （7）对高分辨率图像X，利用误差补偿，增强高频信息，得到高频信息增强后的高分辨图像X^*。