[发明专利]基于图像非局部自相似性的单幅图像的超分辨率重建方法

说明书

本发明公开一种基于图像非局部自相似性的单幅图像的超分辨率重建方法，通过图像自身的非局部自相似性合成图像的纹理，以及填补图像空洞信息；根据反卷积神经网络完备的理论，实现图像重建。这种基于图像非局部自相似性卷积稀疏表示的超分辨率重建方法，能更好的增强超分辨率图像的细节信息、降低块效应，从而提高了超分辨图像重建质量。

技术领域

本发明属于稀疏表示的超分辨率领域，尤其涉及一种基于图像非局部自相似性的单幅图像的超分辨率重建方法，主要是应用反卷积稀疏编码表示于单幅图像的超分辨率重建。

背景技术

图像的超分辨率重建技术是指利用信号处理和计算机软件的方法消除由于成像系统聚焦不准、运动模糊以及非理想采样等因素引起的图像质量退化，形成空间分辨率更高的清晰图像。

在计算机视觉领域，图像超分辨率重建是一个非常经典的问题，是许多计算机视觉应用的基础，比如人脸识别、目标跟踪、车牌识别等等。根据输入低分辨图像多少的不同，可以分成单幅图像超分辨率重建和多幅图像超分辨率重建。单幅图像超分辨率重建就是从一幅低分辨率国像中估计一幅高分辨率图像，多幅重建算法是从多幅低分辨率图像中估计一幅高分辨率图像。现有的图像超分辨率重建算法可大致归结成三类：1.基于插值的算法，主要是基于图像平滑性假设，利用临近位置的像素观测值，对未知像素进行插值估计的一种算法。经典的插值算法包括最近邻插值、双线性插值和双立方插值。2.基于重建模型的算法，主要是对图像的成像过程进行数学建模，同时结合其他图像先验信息作为约束，重建出高分辨率图像的一种方法，主要包括凸集投影法、迭代反投影法和概率分析法。3.基于学习的算法，首先需要构建高低分辨率图像的训练样本库，然后通过学习训练样本，对高低分辨率样本图像之间的关系进行编码(encoding)，最后对于低分辨率测试图像，利用上述学习到的编码关系指导超分辨率重建过程。

然而，传统的基于自然图像块的稀疏表示通常面临两个问题。一是在字典学习的过程中需要求解一个具有非常高计算复杂度的大规模优化问题；二是在稀疏编码和字典的学习过程中，每一个图像块都是独立考虑，忽略了块与块之间的相关性，从而导致了稀疏编码系数不够准确。

发明内容

目前常用的图像超分辨率重建方法，基本上是基于图像块的稀疏表示方法，这种方法忽略了块与块之间的联系，导致了在图像重建过程中稀疏编码系数的不精准。为解决这一问题，本发明提出了基于整幅图像的超分辨率重建方法。通过图像自身的非局部自相似性合成图像的纹理，以及填补图像空洞信息；根据反卷积神经网络完备的理论，实现图像重建。这种基于图像非局部自相似性卷积稀疏表示的超分辨率重建方法，能更好的增强超分辨率图像的细节信息、降低块效应，从而提高了超分辨图像重建质量。

为实现上述目的，本发明采用如下的技术方案：

一种基于图像非局部自相似性的单幅图像的超分辨率重建方法，其特征在于，包括以下步骤：

步骤1、建立训练高分辨率滤波器

根据卷积稀疏编码快速求解方法，通过求解(8)式，得到相应的高分辨率滤波器，即高分辨率图像滤波器f_hi训练过程如下：

其中，训练图像集为首先将训练图像集进行预处理，提取其相应的Y分量的高频信息图像以此高频信息图像集做为训练图像集，得到对应的滤波器

步骤2、基于非局部自相似性卷积稀疏编码的图像超分辨率重建