[发明专利]基于表征学习与邻域约束嵌入的图像超分辨重构方法

说明书

本发明公开了一种基于表征学习与邻域约束嵌入的图像超分辨重构方法，解决了特征提取的不准确及固定的邻域大小的问题。主要步骤为：对一组训练样例图像对进行预处理，构造一对低分辨图像块与高分辨图像块字典；输入低分辨率测试图像，对输入的低分辨率测试图像进行分块并提取特征；计算特征间的欧氏距离，寻找输入图像块的K个近邻；构造一个自适应约束函数，通过邻域约束得到自适应的k个近邻，并利用局部线性嵌入的方法得到最终的高分辨率图像，完成图像超分辨率重构。本发明采用深度稀疏自编码网络学习特征，近邻选取的比较准确，并自适应的选择邻域大小，有效提高了重构图像质量并改善细节信息，适用于各种自然图像的超分辨率重构。

技术领域

本发明属于图像处理技术领域，主要涉及图像超分辨重构，具体是一种基于表征学习与邻域约束嵌入的图像超分辨重构方法，该方法可用于各类自然图像的超分辨率重构。

背景技术

图像超分辨重构是通过一幅或多幅低分辨率图像，重构出更高分辨率的图像。这种方法克服了传统图像传感器的分辨率限制和代价高的缺点，是一种低成本、高效的提高成像质量的方法，因而在视频、成像、遥感、医学、监控和军事等领域具有十分重要的应用。传统的超分辨重构方法有迭代反向投影法，最大后验概率方法(MAP)，极大似然估计法，凸集投影法(POCS)等，但是这些传统的方法会产生过平滑现象以及锯齿效应，图像重构的质量不高。因此，Freeman等人提出了一种基于学习的重构方法，通过马尔科夫随机模型和先验知识来学习低分辨率图像块和高分辨率图像块之间的对应关系，并利用这种对应关系指导图像的超分辨率重构。Chang等人提出了邻域嵌入(Neighbor Embedding)方法，假定高分辨率图像块和对应的低分辨率图像块在特征空间可以形成具有相同局部几何结构的流形，利用二者对应的邻域表示，结合加权系数，获得具体的对应关系，进一步估计需要的高分辨率图像。但是这些方法特征提取的不够准确，往往找不到准确的近邻，并且邻域大小也是固定的，邻域嵌入的效率偏低，重构图像的质量一般。

发明内容

本发明的目的在于克服上述已有技术的缺点，提出一种基于表征学习与邻域约束嵌入的图像超分辨重构方法，改善特征提取的过程以及固定邻域大小的限制，提高重构图像的效率和质量。

本发明是一种基于表征学习与邻域约束嵌入的图像超分辨重构方法，其特征在于，包括有如下步骤：

步骤1：输入训练样例图像对，用低分辨率训练样例图像学习构造一个规模为N的低分辨率图像块字典并用高分辨率训练样例图像学习构造一个规模为N的与低分辨率图像块字典相对应的高分辨率图像块字典

步骤2：输入待超分辨率重构的低分辨率测试图像Y，按重叠的方式分块得到低分辨率图像块集对每个块用深度稀疏自编码网络提取特征得到测试图像的低分辨率图像块特征集

步骤3：预选特征块近邻，计算测试图像块的特征与训练字典的欧氏距离，在低分辨率图像块字典中找到特征块的K个近邻作为预选范围，是在低分辨率图像块字典X_s中的初始邻域；

步骤4：找出输入的低分辨率测试图像块和训练的低分辨率图像块的8个邻接块，并构造一个自适应邻域约束函数，得到新的邻域包含自适应的k个近邻其中是在低分辨率图像块字典X_s中的最终邻域，k≤K,k为变量；

步骤5：通过局部线性嵌入方法计算重构权重w_ij，当重构权重误差最小时传递重构权重w_ij，对训练的高分辨率图像块线性组合得到高分辨率图像输出小块从而得到高分辨率图像块集其中∑w_ij＝1；

步骤6：将高分辨率图像块集中的所有高分辨率图像输出小块按顺序放到待重构的高分辨率图像的对应位置上，得到最终的高分辨率图像X^*。