[发明专利]基于NormLV特征的低秩稀疏邻域嵌入超分辨方法

摘要

本发明公开了一种基于NormLV特征的低秩稀疏邻域嵌入的超分辨方法。首先，构造NormLV特征将邻域嵌入算法进行特征增强，通过该特征来选取近邻；将训练集进行分组得到索引集；利用低秩稀疏邻域嵌入算法计算权值矩阵；将权值矩阵归一化；线性组合得到高分辨图像块；融合高分辨图像块得到初始的高分辨图像；最后，结合一致性先验和全局约束，利用TV和IBP算法进一步提高图像超分辨重建的质量。本发明将稀疏表示与邻域嵌入算法相结合，解决了低分辨图像与高分辨图像邻域关系的不一致性影响超分辨重建质量的技术问题。采用本发明获得高分辨图像能恢复更加清晰丰富的纹理细节和图像边缘，相比其他方法，有更好的视觉效果。

主权项

一种基于NormLV特征的低秩稀疏邻域嵌入超分辨方法，其特征在于，包括有如下步骤：步骤1：读入一幅不含噪声的低分辨彩色RGB图像Lt，将RGB图像转换为彩色空间的YCbCr图像，将其中的色度分量Cb和Cr直接利用Bicubic插值法进行插值，将其中的亮度分量Y用NormLV特征提取方法进行操作；步骤2：特征提取：将低分辨图像亮度分量Y提取NormLV特征，得到低分辨率图像训练集Xs；步骤3：分组：对于低分辨率图像训练集Xs中每个向量在Xs中选出K个最近邻图像块，并把K个最近邻图像块和放到一个组Gi中，Gi={xsi}∪{xsj,j∈NK(i)}]]>其中Gi表示与训练集中第i个样本相关的组，NK(i)表示由的K个最近邻图像块构成的索引集，1≤i≤N；为了节省内存空间，保持索引即可，所以将索引集Gi表示为：Gi＝{i}∪{j,j∈NK(i)}步骤4：低秩稀疏邻域嵌入：对于每个测试图像块用低秩稀疏邻域嵌入算法进行线性嵌入求出重构误差最小时的权值矩阵其中，低秩矩阵分解过程中得到高分辨图像块特征的低秩分量步骤5：归一化：将低分辨图像全部的权值矩阵归一化：wa,j=w‾a,j/Σa∈Nk(j)w‾a,j]]>步骤6：线性组合：线性组合邻域集Nk(j)中对应的高分辨图像块特征的低秩分量得到低分辨图像块的高分辨图像块特征的估计即ytj=Σa∈Nk(j)wa,j·(ysa)A]]>本发明将低分辨图像的权值映射到高分辨图像中，使得低分辨图像与高分辨图像邻域关系的一致性。步骤7：将低分辨率图像块的均值Imean与高分辨特征估计值进行线性组合得到最后的高分辨率图像块htj=c·||Itj||2·ytj+Imean]]>步骤8：融合：将得到的所有的高分辨图像块融合为初始高分辨图像估计H0，对于相邻图像块之间的重叠区域，使用平均融合的方法得到初始高分辨图像H0的像素值；步骤9：去模糊：对H0使用TV去模糊算法获得去模糊的高分辨图像H；步骤10：反向投影：对去模糊后的高分辨图像H，用IBP算法获得最终高分辨图像Ht*=argminH||DBH-Lt||22+μ||H-H0||22]]>其中μ为平衡参数；最终完成基于NormLV特征的低秩稀疏邻域嵌入超分辨重建，即低分辨图像Lt的高分辨图像估计为最终高分辨图像