[发明专利]一种基于多特征稀疏表示的图像超分辨率重建方法

权利要求书

1.一种基于多特征稀疏表示的图像超分辨率重建方法，其特征在于，包括以下步骤：

步骤1.对待处理图像进行特征提取，并进行特征融合；

步骤2.对步骤1中提取的特征进行多特征联合表征建模；

步骤3.通过联合训练图像样本学习得到高分辨率字典E_v和低分辨率字典E_m；

步骤4.使用图像高频特征代替图像本身进行图像超分辨率重建；

步骤5.采用边缘插值提高重建效果，处理完成，得到边缘清晰度更高的图片。

2.根据权利要求1所述的一种基于多特征稀疏表示的图像超分辨率重建方法，其特征在于，步骤1具体包括以下步骤：

本发明的方法使用改进的Kirsch边缘提取算子和两组梯度提取算子相结合提取图像高频特征；

步骤1.1.改进的Kirsch边缘提取

Kirsch边缘提取算子是一种模板匹配算子，它采用8个3×3的卷积模板对图像进行卷积操作寻找8个预设方向的最强边缘梯度，该最强边缘梯度即为像素点的梯度幅度值和梯度方向，8个3×3的卷积模板为：

这8个模板代表8个方向，通过卷积计算所有方向得到的最大梯度即为边缘大小。假设图像中一点g(i,j)及其周边3×3的邻域的编号规则如图1所示，H(i,j)为经过Kirsch边缘提取算子卷积计算得到的灰度值，则

H(i,j)＝max{|H_k(i,j)|,k＝0,1,2,…,7} (1)

其中表示图像与第n个模板卷积计算的结果；

Kirsch边缘提取算子的定义如下：

H(i,j)＝max{|5t_k-3u_k|,k＝0,1,2,…,7} (2)

其中，t_k＝F_k+F_k+1+F_k+2，u_k＝F_k+3+F_k+4+F_k+5+F_k+6+F_k+7，F_k的下标是模8的余数；

考虑到Kirsch边缘提取算子在提取图像边缘特征时，选取梯度值最大的方向模板作为像素点的边缘值和方向，存在着边缘连续性较差的问题，所以我们对Kirsch边缘提取算子进行改进；

依然用H(i,j)表示图像经过Kirsch边缘提取算子卷积计算得到的灰度值，不同的是将8个方向模板卷积计算的最小值作为图像的边缘大小；

H(i,j)＝min{|H_k(i,j)|,k＝0,1,2,…,7} (3)

将Kirsch边缘提取算子重新定义如下：

H(i,j)＝min{|5t_k-3u_k|,k＝0,1,2,…,7} (4)

其中，t_k＝F_k+F_k+1+F_k+2，u_k＝F_k+3+F_k+4+F_k+5+F_k+6+F_k+7，F_k的下标是模8的余数；

步骤1.2提取图像的纹理特征

梯度提取算子：

利用梯度提取算子提取图像的纹理特征；

步骤1.3特征融合

利用改进的Kirsch边缘提取算子提取图像的边缘特征，结合梯度提取算子，联合表示图像的高频特征，记为

。