[发明专利]基于主结构分离的稀疏表示单帧图像超分辨率重建算法

摘要

本发明公开了一种基于主结构分离的稀疏表示单帧图像超分辨率重建算法，首先通过改进的相关全变分对输入图像进行分解，得到图像的主结构和纹理，然后分开进行处理，对于主结构成分，构造了基于自相似的自驱动学习算法来进行重建，对于纹理成分，则采用外部数据库进行稀疏表示重构。本发明首次引入了相关全变分来解决超分辨率问题，使得分离出来的主结构边缘锐利，提供强自相似性，在提升重建效果的同时避免了传统方法的复杂计算，提升了效率。而纹理部分的复杂度得到降低，通过一个外部字典即可重建出各种纹理图案，避免了传统字典学习超分辨率方法中字典尺寸不足够应对复杂图案变化的问题，使得本发明能应对不同种类的图像。

主权项

一种基于主结构分离的稀疏表示单帧图像超分辨率重建算法，其特征在于，包括以下步骤：步骤1：通过RTV对输入的原始低分辨率图像进行主结构分离，I_L＝S_L+T_L，其中I_L表示输入的低分辨率图像，S_L表示低分辨率图像的主结构图像，T_L表示低分辨率图像的纹理图像，上述图像均表示为小图像块所组成的列向量集合；步骤2：对原始低分辨率图像I_L进行降采样，得到降采样后的低分辨率图像I_LL，通过RTV分解I_LL得到其主结构S_LL，通过图像信息根据以下公式计算自适应字典尺寸Z：$Z=\mathrm{\ρ}\sqrt{\frac{\sqrt{m\·n}}{C}}---\left(1\right)$其中m为I_LL的图像的横向分辨率，n为I_LL的图像的纵向分辨率，C为I_LL图像块的自相似系数，ρ为固定参数；然后对S_L和S_LL进行自驱动K‑SVD字典训练，得到对应的主结构高低分辨率字典；步骤3：利用主结构高低分辨率字典对S_L进行超分辨率重建，得到高分辨率主结构S_H；步骤4：用离线训练的纹理字典对图像的纹理部分T_L直接进行超分辨率重建，得到对应的高分辨率纹理T_H；步骤5：将高分辨率主结构S_H和高分辨率纹理T_H叠加，获得完整的高分辨率图像I_H＝S_H+T_H；步骤6：对获得的高分辨率图像I_H进行迭代反投影以满足原始低分辨率图像I_L的约束，公式如下：$I_H^{n+1}=I_H^n+u\[B^T(I_L-{\mathrm{BI}}_H^n)+c(I_H^n-I_H^0)\]---\left(2\right)$其中是第n次迭代后得到的高分辨率估计图像，u是梯度下降步长，B是双三次插值的模糊核，初始图像即为I_H；步骤7：迭代完成后，得到最终的输出图像I_out。