[发明专利]一种基于稀疏表示和自适应滤波的图像超分辨率重建方法

说明书

本发明涉及一种基于稀疏表示和自适应滤波的图像超分辨率重建方法，首先利用图像内容的结构信息，对大量图像进行充分的聚类，保证每一类图像集合中包含了强一致性的图像结构信息，在此基础上进行的逐类别主成分分析获得了各个类别的稀疏表示字典，自适应性强。采用分组最小角回归法和l₁‑ball上的欧几里得投影法通过交叉迭代优化的方式求解出每一类别的高、低分辨率图像块映射关系矩阵。最后直接利用训练学得的映射关系矩阵对低分辨率图像进场处理，快速重建出清晰度较高的高分辨率图像。

技术领域

本发明属于可见光图像处理方法，涉及一种基于稀疏表示和自适应滤波的图像超分辨率重建方法。

背景技术

图像超分辨率重建技术最早出现于二十世纪六十年代，当时的学者提出将带限信号外推的方法对偶的运用到光学图像的超分辨率重建中，奠定了超分辨率重建赖以存在的数学基础。直到八十年代后期，人们在图像超分辨率重建方法的研究上才取得了突破性进展，不仅在理论上说明了超分辨率重建存在的可能性，而且在实践中提出了许多较为实用的方法。目前，超分辨率重建大致可以分为两个方向：基于重建的方法和基于学习的方法。

基于重建的超分辨率算法是通过一定程度的模糊处理和下采样操作对图像获取过程进行建模，从而假定由高分辨率图像可以生产低分辨率图像。然而随着分辨率提高倍数的增加，对于4倍及以上的放大倍数，这类方法通常不能很好的重建图像的高频信息。在此基础上，相继有学者提出了基于识别先验知识的方法，获得了比传统的基于重建的超分辨率重建方法更好的效果。这就是基于学习的超分辨率重建方法，此类方法不仅克服了基于重建的方法在分辨率提高倍数方面的局限性，而且可以实现单幅图像的超分辨率重建。

近些年来，随着稀疏表示理论的发展和广泛应用，图像的稀疏表示模型为求解图像超分辨率重建问题提供了一个新的思路。其最根本的问题是字典的构造和选择，通常有两种获取方法：基于分析的方法和基于学习的方法。基于分析的方法，字典是公式化的，通过数学模型计算得到，此方法下的字典结构性较好，并且有比较成熟的快速数值计算方法，字典本身由隐式矩阵表示，但由于这类字典的结构固定，对不同类型的数据自适应能力较差，故有明显的局限性。基于学习的方法是近几年的研究热点，其字典是利用机器学习的方法，通过对样本(图像集本身或者图像集特征空间)的推理、学习得到，字典本身通常由显示矩阵表示，字典学习过程直观，对数据的自适应能力较好。然而随着放大倍数的提高，传统的仅仅基于稀疏表示的图像超分辨率重建算法得到的稀疏表示字典的适应能力有限，并不能很好的恢复出清晰的图像，尤其是图像的边缘等细节信息，同时基于在线学习的方法非常耗时，同样不利于算法的实用。在庞杂的图像数据中，如何高效的刻画和学习出高、低分辨率图像之间的关系(或者知识)，重建出清晰度高，可识别度好的高分辨率图像仍然是一个亟待解决的问题。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于稀疏表示和自适应滤波的图像超分辨率重建方法，可以克服传统基于学习的稀疏表示字典泛化能力有限，当放大倍数增大(4倍及以上)时，传统的方法难以重建出清晰的图像边缘等细节信息，以及传统在线学习的方法非常耗时，不利于算法的实用等问题。

技术方案

一种基于稀疏表示和自适应滤波的图像超分辨率重建方法，其特征在于步骤如下：

步骤1、构造高、低分辨率图像块对集合：选取方差为σ，大小为k×k的高斯核，对训练图像集中的每一幅图像进行高斯卷积、按照采样因子1/s进行最近邻下采样，然后对得到的低分辨率图像进行分割，并且根据图像的大小w×h随机选取数量为其中是k×w×h的向上取整部分，大小为的子图像块，总共构成l个大小为的子图像块集合，为低分辨率图像块集合