[发明专利]基于对偶约束的联合学习超分辨方法

说明书

技术领域

本发明属于图像处理技术领域，涉及机器学习和邻域嵌入(Neighbor Embedding)图像超分辨方法，可用于自然图像超分辨恢复。

背景技术

在实际应用中，大多数图像处理系统，如医学诊断、模式识别、视频监控、生物鉴别、高清晰电视HDTV成像等应用领域，往往需要处理高分辨图像。高分辨率的医学图像为医生的正确诊断能提供可靠依据，高分辨视频图像能有效提高目标识别的精度。无疑，通过提高电子成像设备分辨率级别是提高成像分辨率的有效途径之一。一方面，通过改进光学传感器件制造技术，缩小光学传感器感光元件的物理尺寸，从而增加物理成像单元的密度，可提高成像分辨率。然而，采用这种方法必定会导致成像设备成本的增加，限制消费类成像设备的应用与推广；另一方面，通过增加光学传感器的设计尺寸，增加单位面积像素的个数，也可提高成像的空间分辨率，但该方法会导致成像性能的急剧下降。而且，实际应用中，在远距离成像环境下，如视频监控、遥感成像和SAR成像，即便使用高分辨率的成像设备仍然无法获得满足实际应用要求的高分辨图像。因此，需要寻求提高现有图像分辨率的其它有效方法。通过信号处理技术，设计高效的超分辨图像重建算法，是解决该问题的关键技术，即图像超分辨重建技术。

1984年，Tsai和Huang等人在文献“T.S.Huang and R.Y.Tsai，“Multi-frame imagerestoration and registration，”Adv.Comput.Vis.Image Process.，vol.1，pp.317-339，1984.”中最早提出了图像超分辨技术的思想。他们通过低分辨率图像间的相对运动，在频域建立低分辨率图像与期望的高分辨率图像之间的关系，采用低分辨率图像的离散傅里叶变换与连续的高分辨率图像采样之间的关系实现超分辨反问题求解。近三十多年来，很多学者对超分辨问题进行了广泛而深入的研究，大体上，超分辨重建方法可分为三类：基于插值的方法、基于多帧低分辨图像的方法和基于实例学习的方法。

1)基于插值的方法：是一种直接而高效的提高图像分辨率的方法。该方法通过一个插值核或插值基函数估计高分辨图像中每个像素的值。如最近邻插值、双线性插值和双立方插值等均是常见的图像插值放大方法。具有代表性的插值超分辨方法有：Ur和Gross在“H.Ur，D.Gross，“Improved resolution from sub-pixel shifted pictures，”CVGIP：GraphicalModels and Image Processing，vol.54，pp.181-186，Mar.1992.”一文中提出的对空间变换的低分辨率图像合成的非均匀插值方法；Nguyen和Milanfa在“N.Nguyen and P.MilanFar.“An efficient wavelet-based algorithm for image superresolution，”in Proc.Int.Conf.ImageProcessing，vol.2，2000，pp 351-354”中提出了一种有效的基于小波的超分辨重构算法；XinLi等人在“X.Li and M.Orchard，“New edge directed interpolation，”IEEE Trans.ImageProcess.，vol.10，no.10，pp.1521-1527，Oct.2001”中提出的利用低分辨图像和待估计的高分辨图像局部协方差几何对偶关系估计插值像素的方法，该方法在一定程度上保持图像边缘信息。然而，实际应用结果表明，随着图像放大倍数的增加，单个图像中能利用的信息越来越少，直接插值生成的高分辨图像会越来越模糊，最终导致边缘和纹理等高频信息的丢失，尽管效率高，但满足不了图像处理系统的实际应用要求。