[发明专利]基于稀疏表示与字典学习的视频图像分级重建方法

权利要求书

1.一种基于稀疏表示和字典学习的视频图像分级重建方法，包括如下步骤：

(1)从样本数据库中获取样本集I＝{I_h,I_l}，代表高分辨率样本集，代表低分辨率样本集，用样本集I中同一内容的高分辨率图像和低分辨率图像构成样本对图像

(2)利用形态分量分析方法对样本集I中的图像进行纹理分层和结构分层，得到高分辨率纹理层I_ht、高分辨率结构层I_hs和低分辨率纹理层I_lt、低分辨率结构层I_ls：

(2a)对样本对图像I_i作DCT变换，用变换后的数据构成高分辨率纹理字典和低分辨率纹理字典

(2b)对样本对图像I_i作轮廓波变换，用变换后的数据构成高分辨率结构字典和低分辨率结构字典

(2c)利用匹配追踪算法计算高分辨率图像在高分辨率纹理字典和高分辨率结构字典下的最优稀疏表示，即将该计算过程转化为如下最优化过程

其中ε为稀疏度经验值，和分别为利用匹配追踪算法计算出的高分辨率纹理稀疏系数和高分辨率结构稀疏系数，和分别为求得的高分辨率最优纹理稀疏系数和高分辨率最优结构稀疏系数；

(2d)按照步骤(2c)计算低分辨率图像在低分辨率纹理字典和低分辨率结构字典下的最优稀疏表示，得到低分辨率最优纹理稀疏系数和低分辨率最优结构稀疏系数

(2e)根据高分辨率纹理字典和高分辨率最优纹理稀疏系数得到高分辨率纹理层记为样本集I的高分辨率纹理层；根据高分辨率结构字典和高分辨率最优结构稀疏系数得到高分辨率结构层记为样本集I的高分辨率结构层；

(2f)根据低分辨率纹理字典和低分辨率最优纹理稀疏系数得到低分辨率纹理层记为样本集I的低分辨率纹理层；根据低分辨率结构字典和低分辨率最优结构稀疏系数得到低分辨率结构层记为样本集I的低分辨率结构层；

(3)利用KSVD算法对样本集I中的高分辨率样本图像I_h和低分辨率样本图像I_l进行训练，得到最优高分辨率字典和最优低分辨率字典

(4)利用KSVD算法对样本集I中的各分层图像进行训练，得到最优纹理高分辨率字典最优结构高分辨率字典和最优纹理低分辨率字典最优结构低分辨率字典

(5)将待重建的低分辨率视频单帧图像划分为感兴趣区域和不感兴趣区域：

(6)将待重建的低分辨率视频单帧图像的感兴趣区域划分为主区域和次区域；

(7)采用双字典学习方法对主区域进行超分辨率重建，采用单字典学习方法对次区域进行超分辨率重建，采用插值法对不感兴趣区域进行插值重建；

所述采用双字典学习方法对主区域进行超分辨率重建，其实现如下：

(7a)按照步骤(2)将主区域P_m分为纹理层P_mt和结构层P_ms；

(7b)选择主区域的参考图像，利用参考图像的纹理层稀疏表示和结构层稀疏表示，计算主区域的纹理层稀疏表示和结构层稀疏表示

(7c)根据主区域P_m的纹理层稀疏表示和最优纹理高分辨率字典得到主区域纹理层的重建图像根据主区域的结构层稀疏表示和最优结构高分辨率字典得到主区域结构层的重建图像

(7d)将主区域纹理层的重建图像和主区域结构层的重建图像融合，得到完整的主区域的重建图像；

所述采用单字典学习方法对次区域进行超分辨率重建，其实现如下：

(7e)根据步骤(3)得到的最优低分辨率字典计算次区域P_sub的稀疏表示其中为的逆矩阵；

(7f)根据次区域的稀疏表示β_sub和步骤(3)得到的最优高分辨率字典得到次区域的重建图像

(8)将重建的主区域、次区域融合到重建的不感兴趣区域中，得到完整的重建图像。