[发明专利]一种基于边缘方向和K均值聚类的图像超分辨重建方法

说明书

本发明公开了一种基于边缘方向和K均值聚类的图像超分辨重建方法，属于机器视觉和图像处理技术领域。本发明的处理步骤包括：S1：构建高低分辨率图像块训练集；S2：提取低分辨率图像块的边缘方向特征向量；S3：使用K均值聚类对边缘方向特征进行聚类；S4：对高低分辨率图像块进行分类；S5：使用岭回归训练每个类别的线性映射矩阵；S6：对输入的低分辨率图像进行放大。本发明充分利用了图像块的边缘幅度和方向特征，采用K均值聚类能够更加精确的对图像块进行分类，保证了重建图像的质量，且重建过程具有较低的计算复杂度，方便进行快速实现。

技术领域

本发明属于计算机视觉和图像处理领域，具体涉及一种基于边缘方向和K均值聚类的图像超分辨重建方法。

背景技术

随着技术的发展，市面上出现了越来越多支持超高清分辨率图像的播放设备。但由于采集设备的价格昂贵，导致应用市场上缺少足够的超高清分辨率图像。图像超分辨是使用软件方法提高图像分辨率的技术，只需要较低的成本，能够很好的解决上述问题，因此在多媒体、医疗、卫星遥感、军事等多个领域都有着重要的研究价值和应用前景。

当前，国内外的许多研究人员都对图像超分辨重建技术进行了研究，根据研究者选择的理论基础不同，可以将超分辨方法分为三类：基于插值、重建和学习的超分辨方法。

其中，基于插值的图像超分辨算法是最直观，最基础的一类方法，该类方法一般通过周围的邻域像素的值来推断待插值点的像素的值。基于插值的方法通常计算开销都很小，所以常用于日常软件中进行图像的放大，但是其重建的图像质量不高，图像边缘容易出现锯齿。

由于插值技术对图像分辨率的提升有限，不能满足某些应用的要求，于是出现了基于重建的超分辨处理技术。基于重建的方法通常会利用多幅低分辨率图像之间的相关信息，并且加入合适的先验知识来进行超分辨。研究人员将集合论和概率论等学科的理论引入到超分辨算法中，以便得到质量相对较高的高分辨率图像。

近年来基于学习的超分辨方法成为了研究的热点，许多基于学习的超分辨算法被提出，并且都具有比传统插值和重建技术更加优秀的图像重建质量。因为跟前者不同，基于机器学习的方法是通过对大量高低分辨率图像集进行训练来学习获取高低分辨率图像块之间的对应关系，这样得到的先验知识比人为的假设更加准确，训练得到的映射关系也更能反映高低分辨率图像之间的联系。但是基于学习的方法通常具有很高的计算开销，因此难以在硬件上进行快速实现。

插值法着重追求图像重建的速度，学习法则追求重建图像的质量，但现有的超分辨方法很难在重建质量和计算开销上取得较好的平衡。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种在重建质量和计算开销上取得较好的平衡的图像超分辨重建方法。

本发明的基于边缘方向和K均值聚类的图像超分辨重建方法，包括下列步骤：

步骤一、采集高分辨率图像数据集；

对高分辨率图像数据集中的高低分辨率图像进行退化处理，得到对应的低分辨率图像数据集；

将高低分辨率图像转换为YUV图像，对Y通道高低分辨率图像进行分割，得到相同图像块数的高分辨率图像块集合和低分辨图像块集合其中，i表示图像块标识，t表示图像区分符，n表示分割得到的图像块的总个数，由采集到的高分辨率图像个数和大小决定，图像块之间组成高低分辨率图像块对

其中，高分辨率图像的分割方式为：基于预设的图像块大小(例如2×2，3×3等)，将高分辨率图像分割为n个大小相同且相互邻接的图像块；

低分辨率图像的分割方式为：基于预设的图像块大小(例如3×3，5×5，7×7，9×9等)，将低分辨率图像分割为n个大小相同且相互间重叠的图像块；

步骤二、提取各低分辨率图像块的边缘方向特征向量：