[发明专利]一种基于混合分辨率稀疏字典学习的图像超分辨率方法

说明书

本发明公开了一种基于混合分辨率稀疏字典学习的图像超分辨率方法，包括字典训练过程和图像超分辨率重构过程。在字典学习过程中，通过对训练样本图像进行随机抽样来生成字典，重复类似操作得到不同分辨率的字典。在图像超分辨率重构过程中，基于该混合分辨率字典对图像进行多分辨率的稀疏表达，具体先通过方差来判断出图像中的纹理信息强弱，纹理信息丰富的图像块使用小分辨率的字典进行超分辨率重构，纹理信息相对不丰富的图像块使用大分辨率的字典重构。本发明能够锐化图像中物体边缘和增强图像纹理信息，减少超分辨率放大图像的平滑和模糊效应。

技术领域

本发明属于数字图像技术领域，涉及一种图像超分辨率的方法，具体涉及一种基于混合分辨率稀疏字典学习的图像超分辨率方法。

技术背景

图像的空间分辨率是影响图像处理任务效果的重要因素。存在众多技术手段提高图像的分辨率，图像超分辨率重构就是其中之一。超分辨率图像重构可以看作从单幅或多幅低分辨率的图像中重构出一幅高分辨率图像的过程。图像超分辨率技术在视频监控、视频格式转换、医疗数字影像、卫星图像等领域得到广泛的应用。在这些领域中，对于细节信息损失的图像，如何恢复图像中的细节信息，成为图像超分辨率重构的关键。

传统的基于字典学习的图像超分辨率重构方法，在字典构造方面，采用的是单一分辨率字典学习模式，字典只是原子的简单集合，表达精度严重依赖字典原子数量的扩张；后来改进的多成分字典学习模式，尽管字典原子在分辨率上依然单一，但字典包含了纹理、边缘、平坦等不同结构属性的组分，属于结构化字典学习范畴。多成分字典能够提高不同结构特征区域的表达精度，但将图像预先划分为不同属性的区域需要耗费大量的计算资源。

发明内容

为了解决上述技术问题，本发明提供了一种基于混合分辨率稀疏字典学习的图像超分辨率方法。该方法采用基于学习的混合分辨率字典来进行稀疏超分辨率重构。

本发明所采用的技术方案是：一种基于混合分辨率稀疏字典学习的图像超分辨率方法，其特征在于，包括以下步骤：

一种基于混合分辨率稀疏字典学习的图像超分辨率方法，其特征在于，包括以下步骤：

步骤1：将图像库中的图像作为训练样本，训练分辨率为N₁×N₁和N₂×N₂的两类低分辨率字典，获取两个高低分辨率字典对；其中，N₁×N₁和N₂×N₂的两类低分辨率字典对应的高分辨率字典的分辨率为N₃×N₃和N₄×N₄；其中，N₁、N₂、N₃、N₄是预设阈值，N₁N₂N₃N₄；

步骤2：将原始图像分成大小为N₅×N₅的图像块；其中，N₅为预设阈值；

步骤3：获取第一个图像块；

步骤4：计算所获取图像块的方差；

步骤5：判断图像块的方差是否大于设定的值，并选择相应的低分辨率字典进行稀疏表达；

步骤6：对图像块进行高分辨率重构；

步骤7：判断是否是最后一个图像块；

若是，则流程结束；

如否，则获取下一个图片快，并回转执行骤4。

作为优选，通过联合训练得到一个高低分辨率字典对，联合训练过程为: