[发明专利]一种基于稀疏表示的图像超分辨率处理改进方法

说明书

本发明涉及图像超分辨率重建技术领域，公开了一种基于稀疏表示的图像超分辨率处理改进方法。为了提高稀疏模型的重建效果，在减少伪影和边缘模糊的前提下，准确地重建高分辨率图像，本方法包括下述步骤：先利用拉普拉斯算子从训练集中的高分辨率图像中提取边缘特征图像，采用联合字典训练方法可得到三个字典：低分辨率图像块字典、高分辨率图像块字典和边缘特征图像块字典，重建阶段利用低、高分辨率图像块字典和边缘特征图像块字典分别重建得到初始高分辨率图像和边缘特征图像，相比于重建的边缘特征图像，初始高分辨率图像表现为边缘模糊且含有伪影，故在优化阶段，边缘特征图像作为一个全局约束来恢复高分辨率图像的边缘并减少伪影。

技术领域

本发明涉及图像超分辨率重建技术领域，具体涉及一种基于稀疏表示的图像超分辨率处理改进方法。

背景技术

目前，视频监控、医学诊断和遥感应用等领域对高分辨率图像的需求日益迫切。近年来，研究人员提出了大量的方法来实现从各种退化图像中恢复高分辨率图像。这些方法可分为三类：基于插值的方法、基于重构的方法和基于学习的方法。基于插值的方法和基于重建的方法随着放大倍数的增大，重建效果将迅速下降，重建图像将变得过于平滑和模糊。基于学习的方法由于预先通过对大量数据集进行整合学习，建立了从低分辨率图像到高分辨率图像的特征映射，可以达到很好的重建效果，被认为是最适合用于解决超分辨率重建问题的方法。

基于学习的超分辨率重建方法主要有四种，分别是基于马尔可夫网络的方法、基于邻域嵌入的方法、基于深度学习的方法和基于稀疏表示的方法。其中，基于深度学习的图像超分辨率重建方法通常需要包含数百万个高-低分辨率图像块的训练数据集，这不仅增加了计算复杂度，而且非常耗时。而基于稀疏表示的图像超分辨率重建方法具有良好的提取图像本质信息的能力，只需要几十张训练图像，便可在高-低分辨率图像之间建立相当精确的映射关系，从而达到很好的重建效果，已经成为图像超分辨率重建的主要方法。

基于稀疏表示的经典算法包括字典训练阶段和高分辨率图像重建阶段。在第一阶段中，采用联合字典训练方法从低-高分辨率样本训练图像块中训练一对字典。重建阶段首先利用低分辨率图像对应的字典计算输入的低分辨率图像块的稀疏表示系数，然后结合高分辨率图像对应的字典来恢复相对应的高分辨率图像块。然而大量研究表明，联合字典训练方法丢失了低分辨率图像块和高分辨率图像块之间对应的方向信息，导致输入的低分辨率图像块无法精确地匹配到相对应的高分辨率图像块。因此，导致重构的高分辨率图像边缘总是存在伪影和边缘模糊。此外，随着所需放大倍数的增大，该算法的效果将迅速减弱。

研究表明，稀疏表示对高频特征具有更好的重建效果。为了提高稀疏模型的重建效果，在减少伪影和边缘模糊的前提下，准确地重建高分辨率图像。本专利提出了一种基于稀疏表示的图像超分辨率处理改进方法。首先，利用拉普拉斯算子从训练集中的高分辨率图像中提取边缘特征信息。然后，训练样本集由三部分组成：低分辨率图像、高分辨率图像和边缘特征图像。采用联合字典训练方法可训练得到三个字典，分别为：低分辨率图像对应的字典、高分辨率图像对应的字典和边缘特征图像对应的字典(D_l,D_h和D_f)。重建阶段利用低、高分辨率字典和边缘特征字典分别重建得到初始高分辨率图像和边缘特征图像，其中，相比于重建的边缘特征图像，初始高分辨率图像表现为边缘模糊且含有伪影。因此，在优化阶段，边缘特征图像作为一个全局约束来恢复高分辨率图像的边缘并减少伪影。

发明内容

本专利为了提高传统稀疏模型的重建效果，在减少伪影和边缘模糊的前提下，准确地重建高分辨率图像，提出了一种基于稀疏表示的图像超分辨率处理改进方法。

该方法包括以下步骤：

S1:对高分辨率训练图像集进行下采样和边缘特征提取，得相应的低分辨率图像集以及边缘特征图像集；

S2:根据得到的三个图像集，对各个图像分块处理，采取联合字典训练策略训练得到三个稀疏字典：高分辨率图像块字典、低分辨率图像块字典和边缘特征图像块字典；