[发明专利]基于字典学习和非局部总变差的图像超分辨方法

摘要

本发明公开一种基于字典学习和非局部总变差的图像超分辨方法，主要解决现有超分辨方法的振铃效应、高频信息丢失、边界匹配不准确等问题。其实现步骤为：(1)输入图像训练集；(2)利用KSVD算法训练两个相对应的高分辨字典与低分辨字典；(3)稀疏表示低分辨输入图像，求出稀疏系数；(4)利用所求的稀疏系数和高分辨字典重构获得高分辨图像；(5)对重构得到的高分辨图像进行非局部总变差去振铃效应；(5)通过误差补偿对高分辨图像进行高频信息增强，得到最终的结果。经仿真实验表明，与现有技术比较，本发明具有操作简单，噪声小，边缘清晰等优点，可用于高分辨率图像的获取。

主权项

1.一种基于字典学习和非局部总变差的图像超分辨方法，其特征在于包括如下步骤：步骤1.训练字典输入一个图像训练集，在该图像训练集中提取n对图像块，80000＜n＜120000，利用KSVD算法，求解训练一个高分辨字典D_h和一个低分辨字典D_l，训练公式如下：min[Dh,Dl,Z]1M{||Xh-DhZ||22}+1N{||Xl-DlZ||22}s.t.||zi||0≤ϵ---(1)]]>其中，X^h代表高分辨图像块矩阵，X^l表示低分辨图像块矩阵，Z表示稀疏系数，z_i表示稀疏系数的第i列，M和N分别表示高分辨和低分辨图像块矩阵维数的矢量形式，ε为稀疏度控制系数；步骤2.稀疏表示低分辨输入图像，求得稀疏系数α输入单帧低分辨图像Y^l，使用步骤1中训练得到的低分辨字典D_l，利用公式对该低分辨图像在低分辨字典中进行稀疏表示，求得稀疏系数α，上式中，L表示特征提取算子，用来提取图像特征，δ为误差阈值；步骤3.重构高分辨图像利用步骤1中训练得到的高分辨字典D_h和步骤2中求得稀疏系数α，重构得到高分辨图像步骤4.利用非局部总变差去振铃效应对步骤3中重构得到的高分辨图像利用下式进行非局部总变差去振铃效应：(Yh)k+1=argmin[μ·|d1|+12(Yh-Y0h)2+λ2|d-▿NLYh-bk|2]---(2)]]>其中，表示梯度，Y^h表示去振铃后的高分辨图像，表示步骤3获得的高分辨图像，λ为一个正常数，为非局部算子，d为Bergman距离辅助变量，b为迭代参数，μ＞0；步骤5.利用误差补偿，增强高频信息，得到最终高分辨图像(5a).计算高分辨图像Y^h和输入的低分辨图像Y^l之间的误差ee＝Y^l-S[(Y^h*g)](3)其中，Y^l表示输入的低分辨图像，Y^h表示经过步骤4去振铃效应后的高分辨图像，g为高斯平滑矩阵，S为高斯下采样算子；(5b).对步骤(5a)中计算得到的误差e上采样，对步骤4的输出图像Y^h进行高频信息增强，Y‾h=(Yh)t+1=(Yh)t+p·e↑d---(4)]]>其中，表示输出的高分辨图像，t表示迭代次数，p表示收敛因子，控制收敛速度，↑^d表示上采样函数。