[发明专利]单图像超分辨率重建方法

说明书

本发明涉及一种单图像超分辨率重建方法，包括对原始图像进行预处理得到所对应的低分辨率图像；将所述低分辨率图像分为多个组；对各个组进行自适应字典学习，计算各个组的自适应学习字典；在各个组的自适应学习字典的基础上计算各个组的稀疏编码；对各个组的图像块进行恢复重建，对所有的组计算平均值并得到一个完整的高分辨率图像。采用该种方法，利用组作为稀疏表示单元稀疏表示图像，不仅具有良好的稀疏表示性能，而且在字典学习过程中需要解决一个小规模的优化问题，降低了计算复杂度；此外，图像块划分为组采用高斯距离度量考虑了图像块之间的非线性信息关系，更好地利用了图像的非局部自相似信息，重构的HR图像更加地清晰。

技术领域

本发明涉及图像处理技术领域，尤其涉及单图像超分辨率重建技术领域，具体是指一种单图像超分辨率重建方法。

背景技术

高分辨率(HR)图像在许多实际应用中都需要用到，例如医学图像分析、计算机视觉、遥感等。可以利用传感器制造技术增加单位面积的像素数量或降低像素大小获得HR图像。然而，这些方法受限于成像系统的物理限制。为了克服物理的局限性，已经提出各种单幅图像超分辨率(SISR)的方法，这些方法都是从单幅低分辨率(LR)图像通过某种操作获得其对应的高分辨率图像。

单图像超分辨率方法主要可以分为三类：基于插值的方法，基于重建的方法和基于例子的方法。虽然基于插值的方法简单，但是重建的HR图像往往是模糊的，具有锯齿状的伪影和振铃现象。基于重建的方法在重建过程中引入了一些先验知识，但得到的HR图像会出现过度平滑现象或缺乏一些重要的细节信息，在对HR图像进行放大时模糊效果更加明显，就会丢失真实图像的视觉性。

基于实例的方法已经成为一个研究热点，该方法的本质是假定LR图像中丢失的高频细节可以通过学习LR图像块和相应的HR图像块之间的关系得到。国内外学者利用马尔可夫(Markov)网络中LR和HR图像块之间的关系来获得HR图像。学者们进一步提出了一种基于邻域嵌入的方法，假设LR图像及其HR图像有类似的局部几何形状。然而，这些方法的效果主要依赖于一个大的图像数据库。最近，为了解决这项缺点，Yang等人(J.Yang,J.Wright,T.Huang and Y.Ma.,Image super-resolution via sparse representation,IEEETrans.Image Process,vol.19,no.11,pp.2861–2873,2010.)提出了基于稀疏表示超分辨率(SCSR)方法，该方法由编码和线性组合两个阶段组成。在这项工作中，首次提出了联合字典训练框架，用来训练HR和LR字典。在此框架下，国外学者Zeyde等人(R.Zeyde,M.Elad andM.Protter,On single image scale-up using sparse-representations,International Conference on Curves&Surfaces,vol.6920,pp.711-730,2012.)把稀疏域(sparse-land)模型引进到稀疏表示中，使得HR图像更加清晰。Dong等人(W.Dong,L.Zhang,R.Lukac and G.Shi,Sparse representation based image interpolationwith nonlocal autoregressive modeling,IEEE Trans.Image Process,vol.22,no.4,pp.1382–1394,2013.)把非局部自回归模型(NARM)引进稀疏表示中，使得HR图像消除了锯齿等伪影，具有比较清晰的边缘。由于局部秩(Local Rank)能够更好地抽取图像边缘信息，Gong等人(W.Gong,L.Hu,J.Li and W.Li,Combining sparse representation and localrank constraint for single image super resolution,Information Sciences,vol.325,pp.1-19,2015.)把局部秩约束引进稀疏表示中，提出了一个非局部和全局的优化模型(LRT_SR)进一步改善了HR图像的质量。为了进一步降低计算复杂度，最近局部学习方法得到快速发展，为了解决局部学习模型中的特征空间划分的优化问题和特征空间个数的优化问题，Zhang等人(K.Zhang,B.Wang,W.Zuo and H.Zhang,Joint Learning ofMultiple Regressors for Single Image Super-Resolution，IEEE SIGNAL PROCESSINGLETTERS,vol.23,no.1,pp.102-106,2016.)引入了混合专家模型(mixture of experts,MOE)对特征空间和局部回归进行联合学习。