[发明专利]一种基于非局部均值的图像超分辨率方法

摘要

单幅图像的超分辨率放大技术仅利用一幅低分辨率的图像就可以获得更高分辨率的图像，以使图像的视觉效果更清晰。在已有的超分辨率方法中，在线重建阶段中对每一个低分辨率块只选取一个最接近的映射矩阵，会造成很多有价值的图像信息的丢失。针对以上缺点，本发明提出了一种基于非局部均值(NLM)的图像超分辨率方法，在训练阶段利用迭代反向投影加强双三次插值后的图像。在图像重建阶段，利用加入梯度因素的非局部均值方法加强双三次插值后的图像并提取特征，同时，筛选若干个最优的映射矩阵并加权映射得到图像中的高频信息。由于该方法保留了较多的有价值的图像信息，得到了质量更好高分辨率图像。实验表明，此方法优于目前提出的其它方法。

主权项

1.一种基于非局部均值的图像超分辨率方法，其特征在于：包括离线的训练过程和在线的图像超分辨率放大的过程，其离线的训练过程包括如下步骤，A1)将输入的训练的高分辨率图像I_H作模糊和下采样处理得到低分辨率图像I_L，即，其中，S为图像需要放大的倍数，↓_S是下采样S倍的算子，B是模拟的模糊算子，其元素σ²为方差参数，i＝‑L，...，0，...，L，j＝‑L，...，0，...，L，即，i和j为从‑L到L之间的整数，L为算子的范围，A2)将IL经过双三次插值后得到大小与IH相同的图像Ibic，然后采用迭代反向投影的方法，即如下式的方法，对图像Ibic进行加强得到图像Iback，Xt+1＝Xt+τ{(Y‑(X*B)↓S)↑S}其中，t为迭代次数，初始时X⁰＝I_bic，经过N_t次迭代后，τ为步长参数，S为图像需要放大的倍数，↓_S是下采样S倍的算子，↑_S是上采样S倍的算子，A3)对Iback进行分块，使用如下L＝(1，0，‑2，0，1)                                   (2)GT＝[1，0，‑1[T                                    (3)LT＝(1，0，‑2，0，1)T                                  (4)四个滤波器模板进行滤波处理，提取特征后再采用主成分分析(principle component analysis，PCA)方法降维后得到低分辨率特征块，其中，每个低分辨率特征块插入到当前低分辨率特征块的集合中，而高分辨率特征块则由I_H与I_back作差获取高频信息后再分块得到，每个高分辨率特征块插入到当前高分辨率特征块的集合中，A4)返回以上步骤A1中，处理下一幅训练图像，直到处理完所有的训练图像为止，才进行以下的步骤。A5)用K‑均值(K‑means)分类方法对进行分类，共得到K个类，每个类的矩阵(k＝1，...，K)由此类中的低分辨率特征块构成，每个低分辨率块按照从上到下，从左到右的扫描顺序构成其中的一个列，以及这个类所对应的矩阵由此类中所对应的高分辨率特征块构成，每个对应的高分辨率块按照从上到下，从左到右的扫描顺序构成其中的一个列。最后根据每一类的和求出该类对应的映射矩阵F^k，其中F^k由式计算得到，其中I是单位矩阵，λ是平衡因子，T为矩阵转置符号，在得到并存储每个类的投影矩阵后，就完成了离线的训练过程；所提出的方法的在线超分辨率放大过程包括以下步骤，B1)对于输入的低分辨率图像IINPUT，首先将其进行双三次插值操作得到图像IMIDLLE，再利用非局部均值化处理，对图像IMIDLLE进行效果增强得到图像INLM，B2)然后，再对图像I_NLM进行与离线训练阶段A3步骤中同样的分块、提取特征、PCA降维操作得到低分辨率特征集对每一个低分辨率块的特征，在训练好的K个中心点中，根据以下式计算每一个类的中心点和当前块的接近程度w_k(1≤k≤K)，其中dk为当前块与类中心点的欧氏距离，h为控制指数衰减速度的常数，B3)然后确定与当前块最接近的Nc个中心点gn(1≤n≤Nc，1≤cn≤K)，其中Nc的值为满足下式的wn的个数，μ为比例常数，max(wk)·μ＜wn(1≤n≤K)B4)然后，再通过下式加权平均投影的低分辨率块，便可得到对应的高分辨率特征块，其中，表示低分辨率的特征块，矩阵为离线训练阶段产生的第c_n类的投影矩阵，B5)最后将所有的高分辨率块拼接为图像其中块与块之间的重叠区域作取平均值处理，再将以上得到的图像与图像I_NLM作和得到最终的高分辨率输出图像I_FINAL。