一种单幅图像超分辨率重建方法
【专利摘要】本发明公开了一种单幅图像超分辨率重建方法，基于非局部相似性和分类半耦合字典学习算法，包括训练阶段和重建阶段，该方法以半偶合字典学习算法为框架，引入基于映射误差的训练图像块稀疏域分类，并采用稀疏域分类与半耦合字典学习交替进行的启发式策略；引入稀疏域非局部相似约束项，在稀疏域挖掘训练图像块空间的结构化信息，以重建出更多高频细节；改进基于非局部约束的稀疏表示算法，使其满足半耦合字典学习算法整体框架的要求；另外，在重建阶段引入了误差补偿机制，进一步提升超分辨率重建质量。与现有技术相比，本发明提升了在重建纹理细节和消除伪边缘与锯齿两方面，同时做到了较好的效果，其主观视觉效果在现有技术中达到最优。
【专利说明】一种单幅图像超分辨率重建方法【技术领域】
[0001]本发明涉及计算机图像处理【技术领域】，尤其涉及医学影像诊断、遥感成像及视频监控等领域。
【背景技术】
[0002]单幅图像超分辨率重建是数字图像处理领域的研究热点之一，在医学影像诊断、卫星遥感成像以及视频监控等领域均具有重要的应用价值。当前，基于学习的超分辨率算法成为近年来国际上超分辨率领域的研究热点之一。该方法从高、低分辨率图像块集合中联合学习得到高、低分辨率冗余字典，使得训练集中的每个图像块都能在相应的字典下进行稀疏表示。在超分辨率重建过程中，首先计算低分辨率图像块在低分辨率字典下的稀疏表示系数，再由高分辨率字典与该稀疏表示系数相乘，得到高分辨率图像块的估计。
[0003]Wang等人提出半I禹合字典学习算法(Sem1-coupled DictionaryLearning, SCDL),其基本思路如图1 所示,令 X = [X1, X2,, xn]和 Y = Ly1, y2,..., yn]表示高、低分辨率图像块数据矩阵，其中Ixi, yj是相应的高、低分辨率图像块对,Dj^PDy表示高、低分辨率字典，Sx和Sy表示高、低分辨率图像块数据矩阵在相应字典下的稀疏表示系数矩阵。在半耦合字典学习框架下，高、低分辨率图像块的稀疏表示向量中，非零元素的位置和大小均不再假设是相等的，而是通过一个映射矩阵相联系:
【权利要求】
1.一种单幅图像超分辨率重建方法，基于非局部相似性和分类半耦合字典学习算法，包括训练阶段和重建阶段，其特征在于，该方法包括以下步骤: 步骤一、将训练图像集中的每一幅高分辨率图像经模糊算子H、下采样算子S滤波，并添加高斯噪声V后，得到相应的低分辨率图像|-<丨，再经双三次插值算子A放大为原始尺寸的低分辨率图像14，得到训练数据集以用于特征提取:在卜U上随机采样N个的高分辨率图像块；在中以水平和垂直方向的一阶、二阶梯度算子为滤波器得到四幅滤波图像，所述滤波图像的相应位置采样得到低分辨率图像特征块；去除其中方差小于一定阈值的平滑图像块后，将训练信号{X，Y}初始化分类为K类，记为，分类方法为K均值分类；此处的阈值为全体图像块方差的5%-10% ； 步骤二、令Xi和\是两个数据向量，它们在半耦合字典D下的稀疏表示向量分别为Si和S」；上述“稀疏域非局部相似性约束”，用Xi的相似块稀疏表示系数的加权平均来估计Si,即期望误差
【文档编号】G06T5/50GK103617607SQ201310629075
【公开日】2014年3月5日 申请日期:2013年11月28日 优先权日:2013年11月28日
【发明者】杨爱萍, 钟腾飞, 梁斌, 田玉针, 刘华平 申请人:天津大学