[发明专利]一种基于学习的图像超分辨率重构方法

说明书

技术领域

本发明涉及图像视频领域，特别涉及一种基于学习的图像超分辨率重构方法。

背景技术

图像超分辨率重构(super resolution，SR)是指利用计算机将一幅低分辨率图像(low resolution，LR)或图像序列进行处理，恢复出高分辨率图像(high resolution，HR)的一种图像处理技术。HR意味着图像具有高像素密度，可以提供更多的细节，这些细节往往在应用中起到关键作用。

随着计算机技术发展，人们在军事领域、卫星遥感成像领域及医学等领域对高分辨率图像的需求越来越迫切，然而由于传统设备在成像过程中会受到系统模糊、大气运动、噪声、成像环境等各种因素影响，导致获取图像分辨率较低，难以满足特定需求。若通过硬件设备来提升分辨率这种传统手段，会造成设备体积增大、制造成本高、加工困难等一系列新问题。因此，通过软件技术来提升图像分辨率成为新的方式。

目前的超分辨率重构算法主要有基于插值的重构算法、基于模型的重构算法和基于学习的重构算法。基于插值的重构算法利用邻近像素点的灰度值来产生待插值像素点的灰度值，原理简单、效率高，但是在边缘等不连续处效果不理想。从重构图像质量而言，基于学习的重构算法效果更佳，可以显著提升图像分辨率。基于学习的超分辨率重构算法虽然效果好，但是由于需要训练大量的先验信息，因而重构效率却比较低，无法实现实时超分辨率重构的目的。

发明内容

因此，为解决现有技术存在的技术缺陷和不足，本发明提出一种基于学习的图像超分辨率重构方法。

具体地，本发明一个实施例提出的一种基于学习的图像超分辨率重构方法，包括：

根据退化模型模糊和N倍下采样，处理第一分辨率图像形成第二分辨率图像；

训练所述第一分辨率图像和所述第二分辨率图像形成图像学习字典；

对待重构图像进行区块划分形成多个待重构图像块；

利用边缘提取算法，根据所述第二分辨率图像确定图像信息量固定阈值；

若所述待重构图像块的信息量大于所述固定阈值，根据所述图像学习字典对所述待重构图像块进行图像重构以形成第一重构子区域；若否，根据双三次插值算法对所述待重构图像块进行图像重构以形成第二重构子区域；

对所述第一重构子区域和所述第二重构子区域进行图像拼接得到超分辨率重构图像。

在本发明的一个实施例中，训练所述第一分辨率图像和所述第二分辨率图像形成图像学习字典，包括：

根据特征提取算法提取图像特征，获得第一分辨率图像特征信息和第二分辨率图像特征信息；

根据K-SVD算法，对所述第一分辨率图像特征信息和所述第二分辨率图像特征信息进行训练以获得第一图像学习字典和第二图像学习字典。

在本发明的一个实施例中，在步骤3之前，还包括：

对所述待重构图像去噪声处理和去模糊处理。

在本发明的一个实施例中，利用边缘提取算法，根据所述第二分辨率图像确定图像信息量固定阈值，包括：

将所述第二分辨率图像按照设定长宽进行区块划分形成第二分辨率图像块，利用边缘提取算法提取所述第二分辨率图像块的边缘信息量；

根据所述第二分辨率图像块的边缘信息量的分布情况选取X个所述边缘信息量作为候选信息量阈值；

根据超分辨率算法的重构时间以及对应重构形成的图像分辨率，从X个所述候选信息量阈值中选择一个作为所述固定阈值。

在本发明的一个实施例中，根据所述图像学习字典对所述待重构图像块进行图像重构以形成第一重构子区域之前，还包括：

对所述待重构图像块进行KPCA降维处理。

在本发明的一个实施例中，对所述待重构图像块进行KPCA降维处理，包括：

对所述待重构图像块进行滤波操作，采用2*2的滤波器组提取高频特征以获得所述待重构图像块的高频信息，根据所述高频信息进行所述KPCA降维处理。

在本发明的一个实施例中，所述2*2的滤波器组为f＝{f₁,f₂,f₃,f₄}，采用四个不同的滤波器组成，具体为：

f₁＝[1,-1], f₂＝f₁^T

f₃＝LOG, f₃＝f₃^T

其中，T表示矩阵转置操作，LOG代表一种5×5的二维滤波算子。