[发明专利]一种基于稀疏表示的红外图像超分辨率重建方法

说明书

本发明公开了一种基于稀疏表示的红外图像超分辨率重建方法，步骤包括：步骤1、字典的训练，包括样本集的提取和子字典的训练，样本集的提取包括图像预处理和图像分块；子字典的训练包括样本块的聚类、子字典的训练；步骤2、重建高分辨率图像。本发明的方法，采用基于相关系数的自适应k‑means聚类算法将大量的训练样本集进行分类，然后针对每一个子类训练一个对应的高低分辨率字典对，字典对的大小则根据该类所含样本个数自适应决定，最终获得多个高低分辨率子字典对，通过计算待重建的图像样本块与每一个子类聚类中心的相关系数来选择子字典进行重建；该方法保证了红外图像超分辨率重建结果，重建速度显著提高。

技术领域

本发明属于图像处理技术领域，涉及一种基于稀疏表示的红外图像超分辨率重建方法。

背景技术

红外成像设备能够将人眼不可见的物体自身的红外辐射转化为图像，故红外成像设备抗干扰性强、可在夜间和恶劣环境下工作，在工业生活等场所监控领域取得了广泛的应用。然而由于红外成像设备中探测器阵列的像元数目有限及像元尺寸的限制，而且易受到红外衍射的影响，导致红外图像分辨率较低，纹理不明显，远不能满足人眼对分辨率的要求。因此，提高红外图像的分辨率，改善图像的质量，至关重要。

考虑到从红外成像设备的硬件角度提高分辨率成本太高，所以如何在现有硬件条件及当前观测图像的基础上，设计出相应的算法以提高红外图像的分辨率具有非常重要的现实意义和应用价值。超分辨率重建(SRR)技术就是采用软件方法由一幅或几幅低分辨率图像(LR)恢复或逼近真实场景的高分辨率图像(HR)，并不需要更换原有的红外成像设备，是一种经济、有效的提高图像分辨率的方法。

图像超分辨率重建是数学上典型的病态逆问题，必须引入附加信息。从附加信息的来源上看，可以将图像超分辨率重建方法分为三种类型：基于插值的方法、基于重建的方法、基于学习的方法。1)基于插值的方法有最近邻插值、双线性插值、双三次插值、样条插值、核回归插值等，该方法速度快、易实现，但由于其本质上并不产生丢失的高频信息，所以在高放大倍数时重建结果严重模糊，处理效果差。2)基于重建的方法主要分为频域法和空域法。该方法只是针对图像像素间的关系进行学习，且由于低分辨率图像包含的信息有限，所以随着分辨率的提高，算法性能下降较快，无法改变重建效果。3)基于学习的方法是针对更能反映图像内容与人类感知的图像特征进行学习，更好地利用了高低分辨率图像之间的关系，在不增加输入图像数量的情况下，仍能产生新的高频细节。

传统的基于学习的方法对噪声敏感，所需样本数量太大。而基于稀疏表示的学习方法是通过学习一个过完备字典，并求得输入图像在该字典上的稀疏表示，运算规模显著减小。但目前仍然不能有效地获取符合原始图像真实情况的先验知识，且训练字典效率太低，重建结果与原始图像差距仍然较大，成为研究的一个热点。

发明内容

本发明的目的是提供一种基于稀疏表示的红外图像超分辨率重建方法，解决了现有技术中不能有效地获取符合原始图像真实情况的先验知识，且训练字典效率太低，重建结果与原始图像差距较大的问题。

本发明所采用的技术方案是，一种基于稀疏表示的红外图像超分辨率重建方法，按照以下步骤实施：

步骤1、字典的训练

字典的训练分为两个步骤：

1.1)样本集的提取

1.1.1)图像预处理：从图像库里选取大量结构相似的高分辨率红外图像和可见光图像作为高分辨率红外图像训练集；然后依次对该高分辨率红外图像训练集中的每张图像进行3倍下采样，再将3倍插值放大所得的图像作为该高分辨率红外图像训练集中对应的低分辨率红外图像训练集；

采用LOG算子提取低分辨率图像的细节特征作为最终的低分辨率红外图像训练集；