[发明专利]一种图像超分辨重建处理方法

说明书

技术领域

本发明涉及一种图像超分辨重建处理方法，属于图像处理技术领域。

背景技术

图像超分辨率重建(Super-resolution Reconstruction,SRR)是指利用一幅或者多幅低分辨率(Low-resolution,LR)图像，结合一定的先验重建出具有更多细节信息的高分辨率(High-resolution,HR)图像的过程。其可以在不改变现有成像系统的情况下，利用信号处理相关技术提高图像空间分辨率，从而有利于图像后续应用于医学、遥感、军事监测和图像压缩等多个领域。

SRR的基本概念和方法是由Harris和Goodman于20世纪60年代提出的，Tsai和Huang[8]于1984年首次提出了一种基于频域逼近的多幅图像SRR算法，自此SRR技术进入快速发展阶段。但由于频域法引入的图像先验信息有限，此后对频域法的研究不多。空域法更加灵活，且可以附加各种先验信息，得到了广泛研究并快速发展。其主要包括：非均匀插值算法(Non-uniform Interpolation,NUI)、凸集投影法(Projections onto Convex Sets,POCS)、迭代反投影法(Interactive Back Projection,IBP)、正则化方法、混合MAP-POCS法、自适应滤波方法、基于稀疏表示的方法等。

根据所依据原理的不同，空域法又可分为以下两大类：基于重建的方法和基于学习的方法。对于SRR这一病态反问题的求解，关键是如何引入更多的先验信息来对解加以约束和稳定。基于重建的方法需利用由低分辨率序列获取的信息来进行重建，但当采样率较大或者低分辨率序列帧数较少时，就无法提供足够的先验信息，这会影响图像重建质量。而基于学习的方法能够引入学习到的额外先验信息，在一幅图像的情况下就可以得到较好的重建结果。

其中基于稀疏表示的方法利用稀疏表示模型建立高低分辨率图像之间的内在关系，从而指导超分辨率重建，可以得到很好的重建效果。但是，该类算法也是有其自身缺点的。传统的基于稀疏表示的算法需要通过对大量样本的学习构建出一个过完备字典，这个过完备字典具有普遍的适用性，可以用来对各种不同的图像结构进行稀疏编码。但对于要重建的每一图像块来说，通用过完备字典并不是最优的。因为它缺少对图像局部结构的适应性，即对于图像中变化的结构不能都进行有效表示，而且它的很多原子对于某一特定图像块来说都是不相关的，这样会影响稀疏编码效率。文献[1,2]采用紧凑子字典的学习策略，针对不同子类学习对应子字典，得到重建图像块的更好的稀疏表示，提高计算效率和重建效果。

另外，在稀疏表示重建建模中，充分利用图像固有先验信息对稀疏表示系数进行正则化约束很是关键。yang等^[3,4]引入局部稀疏性先验项，从而提高了算法的边缘保持能力。文献[5]利用图像双稀疏及非局部自相似先验进行图像SRR，得到有一定优越性的实验结果。引入非局部自相似先验项来对相似图像块的稀疏表示系数间的关系进行约束，充分利用了图像结构先验信息，可以得到保持图像细节的重建结果。但其在相似性度量方面只考虑了像素灰度信息，需充分考虑图像块像素之间的关联，从而进一步提高图像块的匹配精度以得到更准确的非局部先验。

参考文献

[1]Yang S,Liu Z,Wang M,et al.Multitask dictionary learning and sparse representation based single-image super-resolution reconstruction[J].Neurocomputing,2011,74(17):3193-3203.

[2]Dong W,Zhang L,Shi G,et al.Image deblurring and super-resolution by adaptive sparse domain selection and adaptive regularization[J].Image Processing,IEEE Transactions on,2011,20(7):1838-1857.

[3]Yang J,Wright J,Huang T,et al.Image super-resolution as sparse representation of raw image patches[C]//Computer Vision and Pattern Recognition,2008.CVPR 2008.IEEE Conference on.IEEE,2008:1-8.