[发明专利]基于盲模糊估计与锚定空间映射的图像超分辨处理方法

说明书

训练样本的精度与时效性是当前图像超分辨领域面临的两大挑战。本发明针对该问题提出一种单幅图像超分辨处理方法。该方法包括模糊核函数估计与超分辨重建两个阶段。模糊核函数估计通过最小化图像跨尺度相异性来实现，以提高训练样本精度；超分辨重建在反向投影残差的特征提取策略和对偶词典学习的基础上进行锚定空间映射实现，以增强算法对图像底层特征的表达能力和准确反映低分辨率和高分辨率特征空间之间的映射关系。为提高算法效率，高分辨率特征重建采用锚定空间映射完成，并且模糊核函数估计阶段和超分辨重建阶段都采用分块处理方式。本发明为提高成像设备性能提供了有力竞争优势，为进一步提高超分辨处理效果提供必要的理论与技术支持。

技术领域：

本发明涉及图像/视频处理技术，具体来讲，本发明涉及一种盲模糊估计与锚定空间映射的单幅图像超分辨处理算法。

技术背景：

图像超分辨是从同一场景的一幅或多幅低分辨率图像生成一幅同一场景的高分辨率图像的技术。从本质上来说，超分辨问题是一个严重的病态问题，必须要有某些先验信息才能求解。从该领域的历史发展角度来看，超分辨技术大致可以分为三类：基于插值的方法、基于重建的方法和基于机器学习的方法。基于插值的方法目前已经发展得非常成熟，主流的插值算法有最邻近插值、双线性插值、双立方插值、立方卷积插值与拉格朗日插值等。插值算法一般假设图像信号是连续的、带宽受限的光滑信号，然而这一假设在自然图像中通常是不成立的，因为自然图像中包含了大量的不连续特征，如边缘、角点等。所以基于插值算法图像超分辨处理往往导致振铃与锯齿等现象，在对图像质量要求较高的场合往往不能满足应用要求；基于重建的方法将超分辨问题看成图像采集过程的逆问题，这类方法一般要求大量的输入样本来固定解的方向。这类技术一般可以取得比插值算法更好的处理效果，但当上采样因子较大或有效输入图像的数量不足时这类方法的效果会急剧下降。

基于机器学习的方法是一种比较有前景的技术，目前已经成为超分辨领域的主流研究方向。基于学习的方法最早体现在Freeman等人的样本学习方法中，该方法通过置信传播求解马尔科夫随机域(Markov Random Field)来进行低分辨率到高分辨率样本的预测。Sun等人利扩展了这一方法，他们用原始草图先验来加强边缘、角点等非连续性特征。然而，这类方法通常要求大量的外部数据库，该数据库由数以万计的高分辨率/低分辨率图像块对组成，这极大地降低了算法执行效率。为了解决这一问题，Chang等人采用局部线性嵌入(Locally Linear Embedding)的思想，假设高分辨率图像块与低分辨率图像块之间具有相似的空间结构，利用最小二乘法求解低分辨率图像块固定数量的邻域，并将得到的线性组合系数直接映射到高分辨率空间来恢复高分辨率图像块。这种方法能够以较少的训练样本表达一个低分辨率图像块，有效地降提高了算法执行效率。这类方法后来被其他人扩展，但是固定数量的邻域很容易引起过拟合或欠拟合现象，超分辨效果仍然有待提升。Yang等人提出了图像超分辨的稀疏表达方法，该方法将观察特征空间和隐藏特征空间串接在一起，然后根据压缩感知理论利用二次规划求得一个外部词典，最后利用该词典自适应地表达低分辨率图像块。该方法也依赖于外部数据库来构建词典，若训练数据与输入图像不兼容，算法也会引入明显的人工痕迹。Glasner等人于2009年发现了单幅图像的跨尺度非局部自相似性，结合基于样本学习和传统的重建方法实现了超分辨处理效果的大幅度提升。Glasner等人的方法没有考虑输入图像本身也存在模糊现象，而且在金字塔分层过程中假设模糊核函数是已知的，但这与事实是不符的。最近，Michaeli等人利用图像块冗余先验进行单幅图像的盲超分辨处理，通过最大化图像跨尺度自相似性来估计图像的真实模糊核函数。随后，他又将这一性质用到了单幅图像的去模糊中，并取得良好的处理效果。然而，Michaeli 等人的方法是基于自然图像的连续性假设的，而且模糊核估计过程中利用了所有图像块，这造成最终估计的模糊核函数出现过拟合或欠拟合现象。