[发明专利]基于稀疏正则化技术和加权引导滤波的图像超分辨率方法

摘要

本发明公开的基于稀疏正则化技术和加权引导滤波的图像超分辨率方法，该方法通过结合图像的非局部相似性和流形学习理论构造了一个新的稀疏编码目标函数，一方面在初始重建图像中寻找相似图像块构造非局部相似正则化项，得到图像的非局部冗余，以保持边缘信息；另一方面结合局部线性嵌入方法构造流行学习正则化项，获得图像的结构先验知识，以增强结构信息；再利用加权引导滤波的全局误差补偿模型对重建后的高分辨率图像进行误差补偿，得到重建误差更小，质量更高的图像。

主权项

基于稀疏正则化技术和加权引导滤波的图像超分辨率方法，其特征在于，包括以下步骤：步骤1：首先对HR训练样本图像进行下采样，得到HR和LR训练样本图像，然后采用联合字典训练算法对样本图像进行训练，得到HR字典Φh和LR字典Φl，再通过FSS算法求解式(1)所示的传统稀疏编码目标函数，得到Y对应的稀疏表示系数α，所述式(1)如下：α=argminα{||Y-Φlα||22+λ||α||0}---(1)]]>式中，||α||0表示α向量包含的非零值个数，Y表示待重建的LR图像，Φl为LR图像对应的过完备字典；最后通过式求解初始重建图像步骤2：在式(1)中引入由图像的非局部相似性原理构造得到的非局部相似正则化项和由LLE方法构造得到的流形学习正则化项，获得新的稀疏编码目标函数，其中两个正则化项通过结合步骤1中初始重建图像进行构造；步骤3：采用FSS求解新的稀疏编码目标函数，通过确定每一次迭代稀疏表示系数的符号来将非凸问题转变为凸问题，得到的新稀疏表示系数为步骤4：通过HR字典Φh与新稀疏表示系数线性组合，即得到重建后的图像步骤5：对引导滤波进行改进，得到加权引导滤波，并构造基于加权引导滤波的全局误差补偿模型，对步骤4中的重建图像进行全局误差补偿，得到HR图像