[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

说明书

本发明公开了一种基于稀疏表示和字典学习的视频图像分级重建方法，主要解决现有技术对视频图像重建时间长的问题。其实现步骤是：(1)获取样本集；(2)对样本集中的图像进行分层；(3)对样本集分层前后的图像进行训练，得到样本集分层前后的高、低分辨率字典；(4)将待重建图像划分为主区域、次区域和不感兴趣区域；(5)根据样本集分层后的高、低分辨率字典对主区域进行重建；(6)根据样本集分层前的高、低分辨率字典对次区域进行重建；(7)对不感兴趣区域进行重建；(8)将重建的主区域和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。本发明缩减了图像的重建时间，可用于医学图像、自然图像以及遥感图像的处理。

技术领域

本发明属于视频和图像处理技术领域，涉及一种视频图像的超分辨率重建方法，可用于医学图像、自然图像以及遥感图像等一般要求高分辨率图像的场合。

背景技术

由于成像系统内在固有属性的限制和大气干扰等诸多因素的影响，会导致得到的单幅图像或视频出现成像质量差、分辨率低等问题。如何基于已有的硬件条件及获取的视频图像，尽可能地恢复其本来面貌或提高其分辨率、清晰度等质量指标，一直是视频图像科学研究和工程应用中的热点问题。超分辨率重建是一种能有效改善和提高视频图像分辨率水平的技术，它对获取的单帧或多帧低分辨率图像利用图像的数学模型等先验知识进行重建，进而得到高分辨率图像。

目前超分辨率重建主要有三种方法：插值法、重建法和基于学习的方法。传统的插值法有最近邻插值法、双线性插值法和双三次插值法，插值法虽然算法简单、易于实现，但重建图像的边缘具有不连续、振铃效应或整体偏光滑等缺点。重建法致力于对低分辨率图像的捕获过程进行有效合理的建模，通过正则化方式形成对应高分辨率信息的先验知识来加以约束，将图像超分辨率重建问题转换为低分辨率图像对高分辨率图像的估计问题，即转换为具有限制准则代价方法的最优解问题。基于学习的超分辨率重建方法是近年来图像恢复技术领域的主流方法，其思想源于机器学习。Freeman等人提出一种基于样本的超分辨率重建方法，该方法先通过机器学习将高、低分辨率样本图像进行块划分，利用Markov网络对图像的空间关系进行建模，待重建的低分辨率图像的每个块在建立的模型中寻求Markov网格中最合适的位置，以此实现超分辨率重建。尽管该方法可以复原出更多的细节信息，但是其对全图像区域进行处理，通常需要较长的重建时间，且不适用于包含多运动目标的视频图像的重建。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于稀疏表示和字典学习的视频图像分级重建方法，对于包含多运动目标的视频图像的重建，能在保证视频图像主要内容重建质量的同时，缩减重建时间，为视频的实时重建奠定基础。

实现本发明的技术思路是：利用形态分量分析方法对样本集中的图像进行分层，利用KSVD算法对分层前后的图像分别进行训练，获得各训练字典，利用Snake算法将待重建图像划分为感兴趣区域和不感兴趣区域，根据运动目标大小将感兴趣区域进一步划分为主区域和次区域，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，融合重建的主区域、次区域和不感兴趣区域，得到重建的原始图像。其具体步骤包括如下：

(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；

(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，得到高分辨率字典D_h和低分辨率字典D_l；