[发明专利]基于高斯混合模型的多字典图像超分辨方法

说明书

本发明公开了一种基于高斯混合模型的多字典图像超分辨方法。该方法首先使用平稳小波变换提取低分辨率图像的特征，对高分辨率图像提取其残差特征，通过对应区域重叠取样获得训练样本对；利用高斯混合模型对训练样本对进行分类，然后对每一类都学习对应的字典对；重建阶段使用多个字典同时对图像进行超分辨重建，并使用改进的全局优化方法进行进一步提高重建的质量。本发明不仅能够训练出更好、更具有泛化性的字典，同时避免了单个全局字典对不能很好的对结构各异的图像块进行重建的问题，能够更好的对低分辨率图像进行超分辨重建。

技术领域

本发明属于图像超分辨重建技术领域，特别是一种基于高斯混合模型的多字典图像超分辨方法。

背景技术

图像作为反映客观场景的视觉信号载体，包含丰富的边缘结构和纹理细节信息，图像的质量不但影响人眼视觉感官的好坏，而且决定图像处理系统的分析和判断结果。通过硬件方式来提高图像的成像质量，往往会受制于成像设备与成像环境的限制，不能很容易的改善直接成像的质量。图像超分辨重建是指利用一幅或者多幅观测的低分辨图像重建高分辨图像的过程，可以从软件方面来提高图像的分辨率。由于其成本低、可靠性高等优点越来越受到人们的青睐，相应地，图像超分辨重建技术的产品市场需求正在日益扩大，应用也越来越广泛。

图像超分辨重建方法主要有基于插值的图像超分辨重建算法和基于学习的图像超分辨重建算法。基于插值的图像超分辨率重建方法，是基于自然图像在空间上光滑这样的假设，在此基础上利用插值核来恢复高分辨率图像。该类方法计算简单，复杂度低，运行时间短，但是插值核不能随着图像的不同而自适应，导致重建的图像过于平滑，细节边缘较为模糊，如常用的双三次插值算法(1.Hou H,Andrews H.Cubic splines for imageinterpolation and digital filtering[J].IEEE Transactions on acoustics,speech,and signal processing,1978,26(6):508-517.)。基于学习的图像超分辨重建方法，是自适应学习训练样本中高、低分辨率图像块之间的映射关系，然后通过学习的映射关系来恢复出低分辨率图像中丢失的细节信息。yang等人提出了基于稀疏表示的图像超分辨重建算法，利用高、低分辨率图像块在特定的稀疏基下有相同的稀疏表示系数作为约束条件，对高低分辨率图像样本库进行联合训练，获得高低分辨率图像所对应的冗余字典对，再求解待重建低分辨率块在低分辨率字典下的稀疏系数，然后利用高分辨率字典进行建，最终获得高分辨率图像块。(2.Yang J,Wright J,Huang T S,et al.Image super-resolution viasparse representation[J].IEEE transactions on image processing,2010,19(11):2861-2873.)。Zeyde等人对Yang的方法进行改进，利用PCA对训练样本的特征进行降维，并学习残差代替直接学习高分辨率图像块，提高了字典训练效率。(3.Zeyde R,Elad M,Protter M.On single image scale-up using sparse-representations[C].International conference on curves and surfaces.Springer,Berlin,Heidelberg,2010:711-730.)Timofte等人提出了锚定邻域回归的概念，用2范数做正则化，使用低分辨率图像块的字典原子的邻域来替代整个字典，大大提高了运算效率。(4.Timofte R,DeSmet V,Van Gool L.Anchored neighborhood regression for fast example-basedsuper-resolution[C].Proceedings of the IEEE international conference oncomputer vision.2013:1920-1927.)