[发明专利]基于稀疏域重构的单帧图像超分辨重建方法及装置

权利要求书

1.一种基于稀疏域重构的单帧图像超分辨重建方法，其特征在于：所述方法包括：

(1)训练阶段：

所述训练阶段是在训练数据集上学习低分辨率图像得到对应的高分辨率图像的映射模型，包括：

(A)根据低分辨率图形建立低分辨率特征集，根据高分辨率图形建立高分辨率特征集；

(B)根据K-SVD方法求解低分辨率特征对应的字典和稀疏编码系数；

(C)建立稀疏域重构优化目标方程式；

(D)根据二次约束二次规划算法、稀疏编码算法及岭回归算法交替优化，迭代求解，变化量小于阈值时停止；得到高分辨率字典，高分辨率稀疏编码系数及稀疏映射矩阵；

(2)合成阶段：

所述合成阶段是将学习到的映射模型应用于输入的低分辨率图像上，合成出高分辨率图像，包括：

(a)自分辨率图形进行提取特征；

(b)将所述低分辨率特征在所述训练阶段得到的字典上用OMP算法得到稀疏编码系数；

(c)将所述训练阶段得到的低分辨率编码系数应用于高分辨率字典上，从而合成高分辨率特征；

(d)融合高分辨率特征得到高分辨率图像。

2.根据权利要求1所述的基于稀疏域重构的单帧图像超分辨重建方法，其特征在于：所述步骤(1)中步骤(A)包括：

选择高分辨率图像数据库作为图像训练集低分辨率图像集为

水平方向一阶梯度G_X、竖直方向一阶梯度G_Y、水平方向二阶梯度L_X、竖直方向二阶梯度L_Y，分别为：

G_X＝[1,0,-1]，G_Y＝[1,0,-1]^T

$L_X=\frac{1}{2}\[1,0,-2,0,-1\],L_Y=\frac{1}{2}{\[1,0,-2,0,-1\]}^T$

将低分辨率图像训练集分别与水平方向的一阶梯度G_X、竖直方向的一阶梯度G_Y、水平方向的二阶梯度L_X、竖直方向的二阶梯度L_Y进行卷积运算，获得原始的低分辨率特征训练集

将原始低分辨率特征训练集Z_S使用PCA方法进行维度约简后，获得投影矩阵V_pca和低分辨率特征训练集

其中为第p幅高分辨率图像，N_s为高分辨率图像的数量，为第p幅低分辨率图像，N_s为低分辨率图像的数量；T为转置运算；为第i项原始低分辨率特征，N_sn为原始低分辨率特征的数量；为第i项的低分辨率特征，N_sn为低分辨率特征的数量。