[发明专利]基于双字典学习的图像超分辨重建方法

摘要

本发明公开了一种基于双字典学习的图像超分辨重建方法，主要解决现有技术在对低分辨图像进行超分辨重建时，不能有效地补充细节信息的问题。其实现过程为：首先输入待处理的低分辨图像XL，并构造5对高分辨字典和低分辨字典(Dh1,Dl1)，(Dh2,Dl2)，…，(Dh5,Dl5)，在五对字典下重构出5幅高分辨估计图像；然后利用输入的低分辨图像自身的高频信息和低频信息，构造1对高频字典和低频字典Df＝{Dhf,Dlf}，在不同的近邻参数下重构出5幅高分辨估计图像；最后对重构出的10幅高分辨估计图像做低秩分解，并对分解后得到的低秩矩阵L求均值，得到最终的高分辨重建图像XH。本发明在对低分辨图像进行超分辨重建时，可以获得边缘清晰，细节丰富的高分辨图像，适用于各种自然图像的超分辨重建。

主权项

一种基于双字典学习的图像超分辨重建方法，包括如下步骤：(1)输入一幅待处理的低分辨图像XL，图像大小为m×n，设定图像的放大倍数为2；(2)对待处理的低分辨图像XL进行大小为3×3的分块，相邻块之间重叠2个像素，得到G个待处理低分辨图像块Pl(i)，i＝1,...,G；(3)输入5幅高分辨训练图像和相应的5幅低分辨训练图像，利用训练图像构造5个高分辨字典Dh1,Dh2,...,Dh5和相应的5个低分辨字典Dl1,Dl2,...,Dl5；(4)在第1对高分辨和低分辨字典(Dh1,Dl1)下，重构大小为2m×2n的高分辨估计图像XH1：4a)提取待处理低分辨图像块Pl(i)，初始化Pl(i)的标记为i＝1；4b)利用如下公式计算待处理低分辨图像块Pl(i)与低分辨字典Dl1中各元素的距离DIST1(t)：DIST1(t)＝|Pl(i)‑Dl1(t)|2，其中Dl1(t)，t＝1,2,...,T，t表示第t个低分辨字典元素，T表示低分辨字典元素的总数量，即T＝20000，|·|2表示取(·)的绝对值平方操作；4c)将距离DIST1(t)中最小的前5个结果对应的5个低分辨字典元素记为Dl1(k),k＝1,...,5，通过低分辨字典Dl1与高分辨字典Dh1之间的对应关系，找到高分辨字典Dh1中相对应的5个高分辨字典元素Dh1(k),k＝1,...,5；4d)利用局部权重公式计算5个低分辨字典元素Dl1(k)重构图像块Pl(i)的重构系数w(k)，k＝1,...,5；4e)将重构系数w(k)与步骤4c)中搜索到的5个高分辨字典元素Dh1(k)进行 求和，得到高分辨图像块Ph(i)，其计算公式为： P h ( i ) = Σ k = 1 5 w ( k ) D h 1 ( k ) , 4f)设置标记i＝i+1，判断是否满足条件i＞G，如果满足，则得到重构的高分辨估计图像XH1，执行步骤(5)，否则返回步骤4b)；(5)利用与步骤(4)相同方法分别获得在字典对(Dh2,Dl2)，(Dh3,Dl3)，…，(Dh5,Dl5)下的高分辨估计图像XH2，XH3，XH4，XH5；(6)利用待处理的低分辨图像XL构造一对高低频字典Df＝{Dhf,Dlf}；(7)设近邻参数A＝5，在高低频字典Df＝{Dhf,Dlf}下重构大小为2m×2n的高分辨估计图像XH6：7a)利用matlab软件中的imresize函数将待处理的低分辨图像XL进行预放大，放大倍数2，得到预放大的图像XL*，图像大小为2m×2n；7b)对预放大的图像XL*进行大小为3×3的分块，相邻块重叠2个像素，得到预放大图像块Pl(j)*，j＝1,...,S；7c)利用如下公式计算预放大的图像块Pl(j)*与低频字典Dlf中各元素的距离DIST2(u)：DIST2(u)＝|Pl(j)*‑Dlf(u)|2，其中Dlf(u)，u＝1,2,...,U，u表示第u个低频字典元素，U表示低频字典元素的总数量，|·|2表示取(·)绝对值的平方操作；7d)将距离DIST2(u)中最小的前A个结果对应的A个低频字典元素记为Dlf(r)，r＝1,2,...A，通过低频字典Dlf和高分辨字典Dhf的对应关系，找到高频字典Dhf相对应的A个高频字典元素Dhf(r),r＝1,...,A；7e)利用局部权重公式计算A个低频字典元素Dlf(r)重构预放大图像块Pl(j)* 的重构系数c(r),r＝1,...,A；7f)将重构系数c(r)与步骤7d)中搜索到的A个高频字典元素Dhf(r)进行求和，得到重构的高频图像块Ph(j)*： P h ( j ) * = Σ r = 1 A c ( r ) D hf ( r ) , 7g)将得到的高频图像块Ph(j)*与预放大图像块Pl(j)*相加，得到重建的高分辨图像块Xh(j)*；7h)设置标记j＝j+1，判断是否满足条件j＞S，如果满足，则得到放大2倍的高分辨图像XH6，执行步骤(8)，否则返回步骤7c)；(8)分别设步骤(7)中的近邻参数分别设步骤(7)中的近邻参数A＝4，A＝3，A＝2，A＝1，重复步骤(7)得到高分辨估计图像XH7，XH8，XH9，XH10；(9)将获取的10幅高分辨估计图像XH1,XH2，...,XH10全部拉成列，构成高维数据X，利用低秩分解算法对高维数据X进行低秩分解，得到X的低秩矩阵L和稀疏矩阵S；(10)通过matlab软件中的reshape函数，将低秩矩阵L中的每一列还原成图像形式，得到10幅低秩图像L(z),z＝1，...,10；(11)按以下公式对10幅低秩图像L(z)做均值处理，得到最终清晰图像XH： X H = Σ z = 1 10 L ( z ) 10 .