[发明专利]一种基于双字典学习的单帧图像超分辨率复原方法

说明书

本发明公开了一种基于双字典学习的单帧图像超分辨率复原方法，所述单帧图像超分辨率复原方法包括以下步骤：建立基于双字典的图像超分辨率复原模型；通过非局部相似性加权对双字典的图像超分辨率复原模型进行优化，获取优化复原模型；对所述优化复原模型进行求解，实现对单帧图像超分辨率的复原。本方法引入外部字典进行边缘修正，并利用非局部相似性正则项有效提高稀疏分解的稳定性，建立基于双字典的超分辨率复原模型。实验结果表明，本方法能够有效提高重建精度，保持良好的边缘信息，无论在主观视觉效果还是在客观评价指标上，较前人工作有一定程度的提高。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于双字典学习的单帧图像超分辨率复原方法。

背景技术

超分辨率复原是指利用一幅或多幅低分辨率(Low Resolution,LR)图像，基于一定的假设恢复出一幅具有丰富细节的高分辨率(High Resolution,HR)图像的过程。近年来，超分辨率复原技术以其高效的重构效果和低廉的运行成本在特征提取、信息识别、生物医学工程、公共安全监控等多个领域拥有广泛的应用前景，成为图像和视频处理领域最活跃的研究方向之一。

根据重构源图像的不同，超分辨率复原方法可以被分成两类：一类是基于视频的超分辨率复原方法，这种方法利用亚像素配准技术对多幅低分辨率图像进行运动估计和图像融合，得到高分辨率图像；另一类是单帧图像的超分辨率重建方法，这种方法利用一定的先验知识对图像进行复原。在实际应用中，很难得到同一场景的多幅图像序列，因此对于单帧图像的超分辨率复原技术依然具有研究意义。同时，由于图像的退化过程伴随着大量高频信息的丢失，这使得单帧图像的超分辨率复原问题通常具有病态特性(ill-posed)，因此目前单帧图像的超分辨率研究依然面临着极大的挑战。

现有的图像超分辨率复原方法包括：基于插值的复原方法和基于样例的复原方法。基于插值的方法可以增加图像的视觉感官效果，但是却没有恢复在图像退化过程中丢失的高频成分；基于样例的复原方法通过学习高、低分辨率图像块之间的对应关系，实现超分辨率复原，这种方法相较于基于插值的复原方法来说，能够恢复出大部分高频细节，并且起到边缘锐化的效果，成为目前超分辨率复原算法的研究热点。2002年，Freeman^[1]提出利用马尔科夫随机场学习低分辨率图像块和高分辨率图像块之间的关系，为基于样例的超分辨率复原方法奠定了基石；随着压缩感知技术和稀疏编码模型的提出，Yang^[2]等人提出了基于稀疏表示的超分辨率复原方法，首先对高、低分辨率图像块进行联合训练，得到高、低分辨率字典对，然后找到低分辨率图像在低分辨率字典中的稀疏表示系数，利用高分辨率图像块与低分辨率图像块具有相同的稀疏表示系数这一性质，对高分辨率字典和稀疏表示系数进行重构，从而复原出高分辨率图像；Dong^[3]等人提出一种主成分分析(PCA)字典训练方法，提出图像块的主成分信息进行字典训练，在去噪、去模糊、超分辨率复原中均取得了显著的效果。在上述基于样例的方法中，图像复原质量容易受到训练图像库的约束，因此，基于图像金字塔的超分辨率复原方案应运而生。Glanser^[4]等提出一种仅利用输入低分辨率图像进行超分辨率复原的方法，充分利用图像的多尺度相似性，得到了较好的重建效果；Dong^[5]等采用K-means算法对不同尺度的图像块进行图像聚类，训练出聚类子字典并利用稀疏表示理论进行超分辨率复原，使复原效果得到进一步提高。

然而在上述方法中，基于外部训练集的方法容易引入与图像本身不相关的冗余信息，使重建结果受到一定程度的影响；而基于内部字典的方法利用多层低分辨率图像的下采样信息，这将导致训练集中的图像块包含不准确的边缘信息。

发明内容

本发明提供了一种基于双字典学习的单帧图像超分辨率复原方法，本发明将基于外部字典和内部字典的超分辨率复原方法有机结合，在充分利用图像的多尺度相似性的基础上，引入外部字典进行边缘修正，并融入图像的局部邻域加权信息和非局部相似性信息，详见下文描述：