[发明专利]基于低秩张量和层次化字典学习的高分辨率图像重构方法

摘要

一种基于低秩张量和层次化字典学习的高分辨率图像重构方法：用双线性插值上、下采样原始图像，将处理结果和原始图像作为字典学习训练集；训练原始和下采样图像，提取下采样图像梯度，排列原始图像和下采样梯度为张量，对后者进行低秩近似；对原始张量和近似下采样梯度张量进行稀疏字典学习，得到图像恢复字典；训练低分辨率和上采样图像，提取低分辨率图像梯度，排列低分辨率梯度和上采样图像为张量，进行学习更新字典；将原始图像转至YCbCr空间，Y用字典进行重构，Cb和Cr用双线性插值进行重构，得到原始恢复图像；迭代反投影全局增强原始恢复图像，得到最终结果。本发明采用张量保留图像的结构信息，提高图像重构的精度。

主权项

一种基于低秩张量和层次化字典学习的高分辨率图像重构方法，其特征在于，包括如下步骤：1)采用双线性插值方法，对给定的低分辨率图像分别进行上采样和下采样处理，得到上采样图像和下采样图像，将低分辨率图像、上采样图像和下采样图像共同作为层次化字典学习的图像训练集；2)在图像训练集中首先选取低分辨率图像和下采样图像进行训练，对下采样图像提取梯度特征得到下采样梯度特征，然后按照下采样的比例分别对低分辨率图像和下采样梯度特征进行分块处理并排列成张量，得到低分辨率图像张量和下采样梯度特征张量，对下采样梯度特征张量进行低秩近似处理；3)对低分辨率图像张量和低秩近似处理后的下采样梯度特征张量进行联合稀疏化字典学习，得到下采样图像到原始低分辨率图像的恢复字典；4)在图像训练集中选取低分辨率图像和上采样图像进行训练，对低分辨率图像提取梯度特征得到低分辨率梯度特征，然后按照上采样的比例分别对低分辨率梯度特征和上采样图像进行分块处理并排列成张量，得到低分辨率梯度特征张量和上采样图像张量，对低分辨率梯度特征张量进行低秩近似处理，在步骤3)得到的恢复字典的基础上再一次通过联合稀疏化学习对所述恢复字典进行更新；5)选取低分辨率图像，将图像由原始的RGB色彩空间转换至YCbCr亮度色度空间，只对Y利用更新后的字典进行逐块高分辨率重构，而Cb和Cr采用双线性插值方法进行重构，直至遍历整个低分辨率图像，得到原始的恢复图像；6)利用迭代反投影算法对原始的恢复图像进行全局增强处理，得到最终的高分辨率重构图像。