[发明专利]一种基于学习的低比特率压缩图像超分辨率重建方法

说明书

技术领域

本发明涉及图像处理方法，特别涉及一种基于学习的低比特率压缩图像超分辨率重建方法。

背景技术

高质量的图像和视频因其具有更丰富的信息和更真实的视觉感受，越来越成为一种主流的需求。但是图像的质量越高也就意味着数据量越大，这给图像信息的存储、传输、处理等带来了很大的负担。受到传输带宽和存储空间等因素的影响，人们对视频和图像内容进行低比特压缩的需求日益增长。但是，当JPEG压缩率较高时，通常会导致解码后重建图像的质量下降，影响信息的主观质量和自动分析。因此，针对高度压缩后的低质图像，研究超分辨率复原技术，提高图像的质量，具有重要的理论意义和实际应用价值。

然而，由于图像压缩方法本身的局限性，采用针对非压缩图像的超分辨率方法直接对低比特压缩图像进行超分辨率重建时，会出现严重的块效应失真。因此，去除块效应成为低比特压缩图像超分辨率复原过程中的一个重要问题。人们往往采用后处理的方法来减少块效应。后处理方法在滤波时独立于解码器，直接对解码后的图像进行操作，具有灵活、简单、有效等优势。基于图像增强的后处理方法，因其不依赖任何解码信息，可独立地去除块效应，更易于实现而得到广泛研究。其中，空域滤波是一种最基本的方法，该方法直接对图像中像素的亮度值进行处理。由于图像中的块效应是由于量化误差引起的，图像内容的变化会引起压缩后图像的块效应的表现形式，因此对图像不同区域自适应地选择不同平滑强度的滤波器，有着很重要的意义。典型的空域滤波法通常采用纹理分类的方法，根据人眼视觉特性将图像分为平坦块与非平坦块，然后进行自适应滤波，该方法的两个显著特点是根据自身局部信息将图像划分为不同的区域，对不同的区域采用不同的滤波方法去除块效应。通常的方法是在平坦区域采用高强度平滑，因为平坦区域不存在高频信息，高强度的平滑不会使图像过度模糊。对于非平坦块，由于存在较多的高频信息，应用低强度平滑滤波能够较好地保存高频细节信息。然而在该算法中，含有明显边缘信息的区域统一归为纹理区域，并未进行单独处理。实验结果表明，受到量化失真的影响，这类区域会对图像的主观质量造成较大的影响。因此，采用与纹理区域相同的滤波器不能很好地处理边缘区域的量化失真问题。

发明内容

本发明的目的在于，面向低比特率压缩图像，采用一种改进的后处理滤波算法和一种样本预分类的方法，结合基于学习的图像超分辨率方法，解决具有块效应失真的低分辨率图像的超分辨率复原问题。

本发明是采用以下技术手段实现的：

一种基于学习的低比特率压缩图像超分辨率重建方法，整体流程图如附图1所示；算法分为离线部分和在线部分；其流程图分别如附图2和附图3所示；离线部分，根据压缩图像失真程度建立分类样本库；首先采用不同压缩质量参数（CQ，Compressed Quality）值对低分辨率（LR，Low Resolution）图像进行压缩；然后对压缩图像进行滤波处理，去除失真图像中的部分块效应；接着将滤波后压缩图像的量化失真程度作为特征进行K均值聚类，将滤波后的LR图像按照其失真程度分为多类并建立分类样本库，分别用各类样本进行超分辨率模型的训练；在线部分，对输入图像进行压缩程度的类别判定，然后实现基于学习的超分辨率复原；首先对输入的低比特率压缩LR图像进行滤波处理，然后评估量化失真程度，选择相应类别的样本库和超分辨率模型，进行基于学习的超分辨率复原。

所述离线部分分为4个步骤：

（1）对m幅LR图像运用JPEG压缩方法，进行n个不同CQ值的压缩处理，生成不同压缩失真程度的样本图像共m×n幅。以上所述LR图像是指相对于高分辨率（HR，High Resolution）图像而言，如果一幅HR图像单位面积内所占的像素数为H，那么相对于这幅HR图像而言单位面积内所占像素数小于或等于1/2×H，一般就视其为低分辨率图像。这里，CQ值为采用JPEG对图像进行压缩时的压缩质量参数，调节CQ大小就可以得到不同压缩率的压缩图像；

（2）对（1）中得到的图像采用后处理滤波方法进行滤波处理，去除失真图像中的部分块效应。