[发明专利]用于将低分辨率图像转换为高分辨率图像的方法

说明书

技术领域

本发明涉及于图像处理技术领域，特别是涉及一种能够重建出高质量的，更真实的超分辨率图像的基于样本与先验知识的用于将低分辨率图像转换为高分辨率图像的方法。

背景技术

图像的超分辨率技术在视频、遥感、医学和安全监控等领域具有十分重要的应用，同时也逐步扩展到其它各个领域。就目前而言，获取高分辨率图像的最直接办法是通过高精准的光学设备等相关仪器，但是高精准的设备仪器往往体积笨重且价格昂贵，实用性不强。因此，在实际的应用过程中，人们更多的是希望利用软件程序来获得一般物理硬件所达不到的高分辨率图像。

图像的超分辨率技术研究可分为3个主要范畴：基于插值、基于重建和基于学习的方法。基于插值的这类超分算法快速易行，但因为不能引入额外有用的高频信息，也没有考虑到低分辨率图像的像素值并不是高分辨率图像的理想采样值，因而很难在超分图像中得到锐化的效果，且容易出现锯齿现象。基于重建的算法的主要缺点是如果没有足够的约束条件或超分的倍数过高，得到的高分辨率图像的效果明显下降。

基于学习的超分算法，根据实时性，单帧图像的超分成为研究的热点。单帧图像的超分辨率问题(Single Image Super Resolution，SISR)是指通过对一幅低分辨率图像(Low Resolution，LR)的处理，重建出视觉效果较好的高分辨率图像(High Resolution，HR)。这个问题具有一定的挑战性且是一个不适定问题，因为低分辨率图像与高分辨率图像之间的联系存在不确定性，不同的高分辨率图像下采样后可能产生相似的低分辨率图像。也就是说，高分辨率图像到低分辨率图像的映射是多对一，即仅根据一幅低分辨率图像重建出HR图像的过程是不确定的、不可逆的。

现有的算法中，存在的如下难题：第一，大量SISR算法都需要借助额外的信息，比如样本图像和先验知识。样本图像包含大量的数据，能从中学到足以重建出高分辨率图像的信息。第二，因为基于样本学习先验知识，需要处理大量的数据，增加了计算负担。第三，现有的SISR算法只考虑了边缘的突出性，没有考虑有向性，也没有考虑图像的具体结构模型(比如边缘的有向性)，且不能有效的重建其它细节(比如纹理)。第四，当超分倍数过大时，算法的有效性和鲁棒性减弱。

中国专利授权公开号：CN1985188A，授权公开日2007年6月20日，公开了一种提供用于构建目标物体区域的高分辨率图像的图像数据的方法，包括：从辐射源发出至所述目标物体的入射辐射；通过至少一个检测器来检测由所述目标物体散射的辐射强度；提供对应所述检测的强度的所述图像数据，而无须对所述入射辐射或目标物体后的光圈进行高分辨率的定位。不足之处是，该发明对设备要求较高，价格较为昂贵，且数据采集期间，容易被破坏。

发明内容

本发明的发明目的是为了解决现有图像的超分辨率技术中，出现锯齿、计算效率低、没有考虑图像的结构信息等问题，而给出一种能够重建出高质量的，更具真实性的高分辨率图像的算法。本发明基于样本与先验知识，考虑了纹理和边缘信息，增加了算法的有效性。

为了解决上述技术问题，本发明公开了一种用于将低分辨率图像转换为高分辨率图像的方法，包括如下步骤：

(1-1)在计算机中输入一幅低分辨率图像和由若干幅高分辨率图像I_h组成的样本集{I_h};设定b₁，b₂,...，b_n是n个阈值，i=1，2,...，n；

(1-2)计算机根据{I_h}计算纹理函数

(1-2-1)计算机利用公式计算{I_h}中每一幅高分辨率图像I_h对应的低分辨率图像I_l，并由各个I_l组成图像集合{I_l}；其中，为卷积算子，G为高斯核，σ为高斯宽度，x为I_h的任一个像素值，xc为I_h的中心像素，↓表示下采样操作，图像尺寸缩小s倍；

(1-2-2)计算机根据{I_l}和{I_h}计算得到若干个特征对(v_l，v_h)：