[发明专利]一种图像超分辨重建处理方法

权利要求书

1.一种图像超分辨重建处理方法，其特征在于，在对自适应稀疏表示重建研究的基础上，由图像块子集学习得到一系列对应子字典，然后对每一重建图像块自适应选取最优子字典，引入非局部自相似性先验项，并利用双边滤波的思想对非局部自相似正则项进行改进，在考虑像素灰度相似性的同时加入对像素空间位置距离的约束，对权重系数进行改进，利用绝对差值和SAD来对像素结构相似性进行度量。

2.如权利要求1所述的图像超分辨重建处理方法，其特征在于，利用自适应稀疏表示进行重建，即对于每一给定的图像块x_i自适应选取最优子字典φ_ki，所有φ_ki的集合即为高分辨率字典φ；

子字典的学习

(1)对高分辨率样本库图像进行分块处理(大小为)，并将分块中方差小的图像块筛选掉；

(2)经过步骤1的处理，设共有M个图像块被选中，并将这M个图像块当作训练集，记为S＝[s₁,s₂,...s_M]，选用图像块的高通滤波结果作为特征进行聚类；采用K-均值聚类^[6]算法将高通滤波集S_h聚类成K类，从而S也被聚类成相应的K个子集S_k，k＝1,2,...,K；

(3)由子集S_k学习对应子字典φ_k，字典的构造可通过下式得到：

(φ^k,Λ^k)=arg minφk,Λk{||Sk-φkΛk||F2+λ||Λk||1}---(11)]]>

上式是关于φ_k和稀疏表示系数矩阵Λ_k＝[α₁,α₂,...,α_K]的联合优化求解问题，为提高计算效率，利用PCA方法来学习子字典φ_k，即对S_k的协方差矩阵Ω_k进行奇异值分解，得到一个正交变换矩阵P_k；依据重要性在P_k中选取前r个特征向量，由此组成字典φ_r＝[p₁,p₂,...,p_r]，则S_k关于φ_r的稀疏表示系数为那么，r的最优值可以由下式确定：

r0=arg minr{||Sk-φrΛr||F2+λ||Λr||1}---(12)]]>

最终，由S_k学习得到子字典对每个S_k应用上述过程进行学习，那么最终就可以得到K个子字典；

子字典的自适应选择

重建过程中，对高分辨率图像x的每一图像块xi自适应选取其最优子字典；这就要首先选定x的一个初始估计这里可选用低分辨率图像y的双三次插值结果，用表示的任一图像块，也即对应xi的估计；利用图像块的高通滤波结果与每个子类的聚类中心μ_k的距离来进行对应子字典φ_ki的自适应选择；为避免噪声的影响，选择在μ_k的子空间中进行的子字典的确定，记U＝[μ₁,μ₂,...,μ_k]，对U的协方差矩阵进行SVD得到一变换矩阵；选用其前几个特征向量，组成投影矩阵φ_c，在φ_c的子空间中进行距离计算，则的子字典的自适应选择公式可表示如下：

ki=arg mink||φcx^ih-φcμk||2---(13)]]> 1

由上式，得到对应的子字典φ_ki，自适应选取的φ_ki的集合就是x对应的全局稀疏字典φ，通过最小化目标方程来更新x的估计值这样，x自适应选取的字典也随之更新，一直迭代上述过程直到收敛，即为最终的重建结果x^*。