[发明专利]基于图像非局部自相似性的单幅图像的超分辨率重建方法

摘要

本发明公开一种基于图像非局部自相似性的单幅图像的超分辨率重建方法，通过图像自身的非局部自相似性合成图像的纹理，以及填补图像空洞信息；根据反卷积神经网络完备的理论，实现图像重建。这种基于图像非局部自相似性卷积稀疏表示的超分辨率重建方法，能更好的增强超分辨率图像的细节信息、降低块效应，从而提高了超分辨图像重建质量。

主权项

一种基于图像非局部自相似性的单幅图像的超分辨率重建方法，其特征在于，包括以下步骤：步骤1、建立训练高分辨率滤波器根据卷积稀疏编码快速求解方法，通过求解(8)式，得到相应的高分辨率滤波器，即高分辨率图像滤波器fhi训练过程如下：minf‾,zΣi=1n||xi-Σj=1mfhj*zij||F2+βΣi=1n|Σj=1mzij|1---(8)]]>其中，训练图像集为首先将训练图像集进行预处理，提取其相应的Y分量的高频信息图像以此高频信息图像集做为训练图像集，得到对应的滤波器步骤2、基于非局部自相似性卷积稀疏编码的图像超分辨率重建首先对待重建的低分辨率图像y进行空间转换，得到其YCbCr空间图像，通过图像高低频信息分离算法，提取Y分量图像的高频信息，做为待重建的低分辨率图像yl；而其它的两个分量Cb、Cr以及Y分量的低频信息，采用插值算法进行超分辨率重建，其中，我们首先对yl进行双线性3倍上采样插值，得到对应的初始化高分辨率图像x(1)，根据卷积公式zi＝fhi*x(1)，初始化具体包括：3.1、特征图Z相似块位置的确定根据当前得到的高分辨率图像x(1)，以及NLM算法，将图像分成6*6非重叠的图像块集其中，r为图像块数；通过计算当前块与其它块之间的欧氏距离，来寻找与当前块最相似的12个块，记下这12个块的位置信息，即Ωi；3.2特征图Z相似块值的确定根据卷积神经网络的特性，可知卷积滤波器提取的是基于整幅图像的全局特征，因此，可认为特征图中的信息与图像中的信息具有一致对应关系；根据以上特征，得到每一个特征图对应的图像块集其中r为图像块数；根据上一步求得的图像相似块位置信息集Ωi，可计算出添加了非局部相似信息后的特征图Z其中，h＝75。3.3特征图Z当前更新值的确定在当前迭代过程中，固定可求解以下L1正则化最小值问题，即Z*=argminz{||yl-DHΣi=1mfhi*zi||F2+Σi=1mλi|zi-z‾i|1}---(12)]]>采用稀疏约束线性逆问题的迭代阈值算法求解(12)式，在第t+1次迭代中，所求得的收缩算子为zi(t+1)=Sτ(vi(t)-z‾i(t))+z‾i(t)---(13)]]>其中，n，m分别为zi的行数与列数，z′ij与分别为zi与中的元素值。Sτ(.)是软阀值操作，其中Fi＝fliplr(flipud(fhi))；τ＝λi/c，c是保证函数凸性的辅助参数。根据所求得的可以得到当前迭代下的高分辨率图像不断重复3.1～3.3步骤，直到达到迭代终止条件，停止迭代，得到最终的高分辨率图像