[发明专利]基于增强非局部总变分模型先验的单幅图像超分辨率重建方法

说明书

本发明公开了一种基于增强非局部总变分模型先验的单幅图像超分辨率重建方法。主要包括以下步骤：对输入低分辨率图像进行双三次插值，得到初始高分辨率估计；利用多偏移搜索策略，得到每个像素对应的非局部相似像素组；基于衰减核策略，对多偏移搜索处理中的偏移目标图像块分配随偏移距离衰减的权重；基于稳定的组相似性可靠度策略，得到每个相似像素组与目标像素间的相似性可靠度；构建基于增强非局部总变分的超分辨率代价函数，并求解高分辨率图像；重复前述几个步骤，直到迭代次数到达预设值。本发明重建得到的图像在主客观效果上均具有明显的优势，因此本发明是一种有效的单幅图像超分辨率重建方法，且可广泛应用于军事、医疗、农业等领域。

技术领域

本发明涉及非局部变分模型与图像超分辨率重建技术，具体涉及一种增强非局部总变分模型先验，并将该先验运用于单幅图像超分辨率重建中，属于数字图像处理领域的图像复原方向。

背景技术

随着计算机科学与信息科学的蓬勃发展，图像/视频等数字化视觉信号在军事、医疗、农业、民生等领域有着越来越广泛的应用，这也对高分辨率图像/视频提出了极大的应用需求。但是由于采集设备和拍摄环境的限制，最终采集到的图像/视频不可避免地存在一定程度的降质(如：分辨率不足、噪声污染、模糊等)，可能导致获取的图像/视频的质量无法满足实际需求。因此，提升图像/视频信号的分辨率是十分必要的。根据单幅降质图像对原始真实高分辨率图像进行估计的单幅图像超分辨率重建技术是重要的图像质量提升方法，其具有成本低、适用性强等特点。由于同一低分辨率图像可能对应多个不同的高分辨率图像，单幅图像超分辨率重建属于典型的逆问题，具有明显的病态性。为了获得可靠的高分辨率图像估计，需要对真实解空间进行正则化约束，这会涉及到自然图像的先验信息。在过去的几十年中，图像处理领域的学者们提出了许多有效的图像模型先验，其中非局部总变分在图像处理中得到了广泛的应用。自适应高维度非局部总变分(Adaptive HighDimensional Non-local Total Variation,AHNLTV)作为非局部总变分最新的成果之一，已经在单幅图像超分辨率中取得了可喜的效果。但是，该模型仍然存在两大问题：(1)在多偏移处理中，对不同偏移的目标块未考虑进入偏移距离的影响；(2)使用传统非归一化的权重来定义非局部流，导致非局部相似像素的可靠度无法被精确地估计。这些问题将影响到AHNLTV对图像进行非局部建模的能力(特别是在图像高频区域)，进而影响到对图像高频信息的复原。

发明内容

本发明的目的是将衰减核策略以及稳定的组相似性可靠度策略引入到AHNLTV算法中，以构建全新的增强非局部总变分模型先验，进而获得一种高性能的单幅图像超分辨率重建方法。本发明重建得到的图像具有良好的超分辨率重建性能，主要包括以下操作步骤：

(1)对输入低分辨率图像进行双三次插值，得到初始高分辨率图像估计；

(2)利用多偏移搜索策略，对估计的高分辨率图像的每个目标图像块进行相似块搜索，进而得到每个像素对应的非局部相似像素组；

(3)基于衰减核策略，对多偏移搜索处理中的小偏移目标图像块分配大的权重，而对大偏移目标图像块分配小的权重；

(4)计算基于衰减核策略下，每个相似像素与目标参考像素间的非局部相似权重，并进行归一化处理；

(5)基于稳定的组相似性可靠度策略，得到每个相似像素组与目标参考像素间的相似性可靠度度量；

(6)联合步骤(4)与步骤(5)，得到增强非局部总变分模型先验；

(7)根据步骤(6)得到的模型先验，构建对应的超分辨率重建代价函数；

(8)利用Split Bregman Iteration技术来最优化重建代价函数，得到估计的高分辨率图像；

(9)重复步骤(2)至(8)，直到迭代次数到达预设值。

附图说明