[发明专利]一种单图像的超分辨率方法

说明书

本申请公开了一种单图像超分辨率方法，包括：a、利用待处理的低分辨率LR图像Y，生成初始HR图像X₀，并将其作为最近一次重建的HR图像X'；b、在最近一次重建的HR图像X'上，为每个HR图像块x_i的相似图像块集合分配加权系数，并计算每个HR图像块x_i的预测值E_i；c、计算当前次迭代重建的HR图像X；d、当迭代次数未达到迭代上限时，返回步骤b，并将最近一次重建的HR图像X'设置为所述当前次迭代重建的HR图像X，否则，将所述当前次迭代重建的HR图像X作为超分辨率结果。应用本申请，能够提高超分辨率的性能。

技术领域

本申请涉及图像处理技术，特别涉及图像处理技术中一种单图像的超分辨率方法。

背景技术

图像超分辨(Super Resolution,SR)技术能够从给定的低分辨率(LowResolution,LR)图像中恢复出高分辨率(High Resolution,HR)图像，具备较高的实用价值和广阔的应用前景。

SR技术分为多图像SR以及单图像SR两类。其中，多图像SR技术从多幅LR图像中恢复出一幅HR图像，而单图像SR技术则是从单幅LR图像恢复出一幅HR图像。由于需要多幅LR图像，多图像SR技术具备明显的局限性；相比之下，单图像SR技术的应用更为广泛。

已有的单图像SR方法可以大致分为两类：一类是基于学习的方法，另一类是基于重建的方法。在基于学习的方法中，通常需要从给定的外部HR数据集中学习LR与HR空间的映射关系，常见的算法包括基于最近邻(Nearest Neighbor)的方法、基于稀疏表示(SparseRepresentation)的方法、基于协作表达(Collaborative Representation)的方法、基于深度学习(Deep Learning)的方法等。在基于重建的方法中，通常采用自然图像的先验知识来约束解空间。为了获取最优的SR重建结果，许多约束模型已被提出，常见的模型包括总变分(Total Variation)、非局部均值(Non-Local Means)、非局部低秩约束(Non-local Low-rank Regularization)等。

虽然已有许多SR方法被提出，但是，现有的方法均存在一定的不足，方法性能还有进一步提升的空间。

发明内容

有鉴于此，本申请的主要目的在于提供一种单图像的超分辨率方法，能够克服传统方法在性能上的不足，在相同的放大倍数下可以获得质量更高的重建图像。

为达到上述目的，本申请采用如下技术方案：

一种单图像的超分辨率方法，其特征在于，

a、利用待处理的低分辨率LR图像Y，生成初始HR图像X₀，并将其作为最近一次重建的HR图像X'；

b、在所述最近一次重建的HR图像X'上，为每个HR图像块x_i的相似图像块集合分配加权系数，并计算每个HR图像块x_i的预测值E_i；其中，所述相似图像块集合由所述HR图像块x_i最相似的N个图像块构成，N为预先设定的正整数；

c、计算当前次迭代重建的HR图像X，其中，

S代表下采样操作H代表模糊算子，R_i是第i个HR图像块x_i的提取算子，α是权重系数，P_j为所述预先利用高分辨率HR训练图像集训练得到的HR字典D中与所述最近一次重建的HR图像中的HR图像块x_i最相似的原子d_j对应的投影矩阵，所述投影矩阵为所述图像块x_i所在的HR空间投影到该HR空间本身的投影矩阵；