一种图像超分辨方法
【技术领域】
[0001] 本专利申请设及计算机视觉和图像处理领域，特别设及一种图像超分辨方法。
【背景技术】
[0002] 图像超分辨属于计算机视觉和图像处理领域，是一个经典的图像处理问题，有着 重要的学术和工业研究价值。图像超分辨的目标就是，由给定的低分辨率图像，重构出它相 应的高分辨率图像，使得在重构误差尽可能小的情况下，视觉效果尽可能的好。目前主流的 图像超分辨方法可W分为=大类；基于插值的方法；基于重构的方法；基于学习的方法。
[0003] 基于插值的方法，是一类基本的超分辨方法，其处理过程通常会使用局部协方差 系数，固定功能核或者自适应结构核，因其简单快速的特点而被广泛使用。但是，很多情况 下，该类方法产生的结果会随着放大倍数的增大而产生视觉伪影，比如：银齿效应和模糊效 应。基于重构的方法，假设低分辨图像是由高分辨率图像经过几种退化因素得到的，比如： 降采样和模糊化。该类方法在超分辨过程中强调重构约束的重要性，因而，其得到的高分辨 率图像往往有着过于平滑和不自然的边缘W及在图像边缘附近产生振铃效应。基于学习的 方法，因为利用机器学习技术从训练集中学习到了大量先验知识，因而获得了更好的结果。 但是，该类方法通常需要求解基于L。范数或者L1范数的最优化问题，其处理速度是很慢的。
[0004]W上【背景技术】内容的公开仅用于辅助理解本专利申请的专利申请构思及技术方 案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申 请的申请日已经公开的情况下，上述【背景技术】不应当用于评价本申请的新颖性和创造性。
[0005] 专利申请内容
[0006] 本专利申请（主要）目的在于提出一种图像超分辨方法，W解决上述现有技术存 在的处理速度慢的技术问题。
[0007] 为此，本专利申请提出一种图像超分辨方法，包括如下步骤；第一步：利用训练 集，训练出第0级映射模型；第二步；W迭代的形式进行训练，一直得到第R级映射模型；第 =步；利用所述第0级映射模型对输入的低分辨图像超分辨，得到第0级输出的高分辨率图 像。
[0008] 所述的图像超分辨方法还包括第四步；利用所述第0级输出的高分辨率图像W及 第0级后的各级映射模型，逐级输出高分辨率图像。
[0009] 所述第一步具体包括：从训练集中得到高分辨率图像，将所述高分辨率图像通过 缩小倍数为S进行下采样，得到低分辨率图像，从对应的高分辨率图像、低分辨率图像中提 取对应的高分辨率特征和低分辨率特征，利用所述高征、低分辨率特征训练出第0级映射 模型，所述第0级映射模型包括初级低分辨率字典、初级PCA降维矩阵，W及初级映射矩阵。
[0010] 所述第二步具体包括：利用所述第0级映射模型及所述训练集，继续训练，得到第 1级的映射模型；W此类推，利用第R-1级的映射模型化及训练集，继续训练，得到第R级的 映射模型。
[0011]所述第=步具体包括；对于每一个低分辨率特征，选择所述第0级映射模型，在低 分辨率字典中找到与其最接近的字典基，再用相应的映射矩阵恢复出高分辨率特征；将所 有恢复出的高分辨特征加上包含低频信息的图像块，得到相应的高分辨率图像块，将所有 高分辨图像块融合成一张第0级输出的高分辨图像。
[0012] 所述第四步具体包括：使用所述第0级输出的高分辨图像W及第1级的映射模型 得到第1级输出的高分辨率图像，W此类推，使用第R-1级输出的高分辨图像W及第R级的 映射模型得到第R级输出的高分辨率图像，并将此图作为最终的高分辨率图像。
[0013] 所述第一步具体包括；W自然图像公共数据集作为训练集，先使用第一插值算法， 从所述高分辨率图像中得到低分辨率图像，再将所述低分辨率图像利用第二插值算法恢复 至原高分辨率图像的尺寸一样；从所述高分辨率图像中提取高分辨率图像块集合与特征集 合，在所述低分辨率图像中的相应位置提取出低分辨率图像块集合与特征集合；由上述高、 低分辨率图像块和特征集合，可W得到第0级映射模型。
[0014] 所述第二步具体包括利用所述第0级映射模型对所述低分辨率训练集进行超分 辨，得到第0级输出的训练集，从中提取所述低分辨率特征，再联合高分辨率特征，训练出 第1级映射模型；W此类推，利用第R-1级映射模型对低分辨率训练集进行超分辨，得到第 R-1级输出的训练集，从中提取低分辨率的特征，再联合高分辨率特征，训练出第R级映射 模型。
[0015] 所述第=步具体包括；对于任意输入的低分辨率图像，从中提取相互重叠的低分 辨率特征集合；对于每一个低分辨率特征，选择第0级的映射模型，在低分辨率字典中找到 与其最接近的字典基，再用相应的映射矩阵恢复出高分辨率特征；将所有恢复出的高分辨 特征加上包含低频信息的图像块得到相应的高分辨率图像块，将所有高分辨图像块融合成 一张第0级输出的高分辨图像。
[0016] 所述第四步具体包括；对于第0级输出的高分辨图像，从中提取相互重叠的低分 辨率特征集合；对每一个低分辨率特征，在第1级映射模型中找到其最近邻的低分辨率字 典基和映射矩阵，来恢复相应的高分辨率特征，将所有恢复出的高分辨特征加上包含低频 信息的图像块得到相应的高分辨率图像块，将所有高分辨图像块融合成一张高分辨图像； W此类推，使用第R-1级输出的高分辨图像W及第R级的映射模型得到第R级输出的高分 辨率图像，并将此图作为最终的高分辨率图像。
[0017] 本专利申请与现有技术对比的有益效果包括；本专利申请提出了一种基于迭代和 协同表示的图像超分辨方法；利用本专利申请能够再次利用初级超分辨后的结果，从中提 取更精确的特征，重构出质量更好的高分辨率图像，使用迭代的方式，不断增强高分辨率图 像质量，利用协同表示加快超分辨速度，从而更准确地恢复高分辨率图像的高频信息，得到 更高质量的高分辨率图像。
【附图说明】
[0018] 图1是本专利申请的图像超分辨方法的流程图。
【具体实施方式】
[0019] 下面结合【具体实施方式】并对照附图对本专利申请作进一步详细说明。应该强调的 是，下述说明仅仅是示例性的，而不是为了限制本专利申请的范围及其应用。
[0020] 参照W下附图，将描述非限制性和非排他性的实施例，其中相同的附图标记表示 相同的部件，除非另外特别说明。
[0021] 本领域技术人员将认识到，对W上描述做出众多变通是可能的，所W实施例仅是 用来描述一个或多个特定实施方式。
[0022] 本专利申请提出了一种基于迭代协同表示的图像超分辨方法。在初级训练阶段， 从已有的高质量图像中提取训练样本集合，在此训练样本上训练出第0级映射模型M。，其包 括；PCA(PrincipalComponentAnalysis)降维矩阵P?，低分辨率字典及映射矩阵 巧W。在迭代训练阶段，利用第0级映射模型M山及A1中的训练集，继续训练，得到第1级 的映射模型Ml。W此类推，利用第R-1级的映射模型Mc_iW及A1中的训练集，继续训练，得 到第R级的映射模型M。。在初级超分辨阶段，对于每一个低分辨率特征X，选择第0级的映 射模型M。，得到第0级输出的高分辨图像。在迭代超分辨阶段，使用第0级输出的高分辨 图像增>W及第1级的映射模型Ml得到第1级输出的高分辨率图像W此类推，使用第 R-1级输出的高分辨图像与W及第R级的映射模型Me得到第R级输出的高分辨率图像 Jlf，并将此图作为最终的高分辨率图像Ih。该方法能够再次利用初级超分辨后的结果，从 中提取更精确的特征，重构出质量更好的高分辨率图像，使用迭代的方式，不断增强高分辨 率图像质量，利用协同表示加快超分辨速度，从而更准确地恢复高分辨率图像的高频信息， 得到更高质量的高分辨率图像。
[002引如图1所示，一种图像超分辨方法