[發明專利]一種多級重構的圖像超分辨率方法

有效

• 申請號: 201310526814.4
• 申請日: 2013-10-30
• 公開（公告）號: CN103530863B
• 公開（公告）日: 2017-01-11
• 發明（設計）人: 甄海華
• 申請（專利權）人: 廣東威創視訊科技股份有限公司
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T3/40
• 代理公司: 廣州粵高專利商標代理有限公司44102
• 代理人: 禹小明

技術領域

本發明涉及圖像處理領域，更具體地，涉及一種多級重構的圖像超分辨率方法。

背景技術

在大多數數字圖像應用中，往往需要能提供較多細節信息的高分辨率圖像或視頻，然而在成像過程中，往往伴隨著失真（圖像變形、模糊、下采樣與噪聲等），最后獲得的是低分辨的失真圖像。要獲取高分辨率的圖像或視頻，可通過提高硬件設備的途徑。例如減少感光傳感器單元的尺寸，從而增加成像的分辨率，但這會導致進光量的減少并且會引入噪聲。或者增大成像芯片的大小，但這會導致電荷轉換速度減慢，還可能引入圖像模糊。而且，高分辨率成像設備的價格都比較高昂。提高圖像/視頻的分辨率的另一種途徑就是對低分辨率失真圖像通過圖像處理技術復原到原來的高分辨率圖像/視頻，這種技術稱為圖像超分辨率技術。

目前，主流的圖像超分辨率技術包括基于重建的方法與基于樣本訓練的方法，其中基于樣本訓練的方法是近十年來的熱門研究方向。基于重建的超分辨率方法計算復雜度低，但圖像超分辨率效果較差。基于樣本訓練的方法采用機器學習的方法，從本地的圖像庫中訓練學習到從低分辨率與高分辨率圖像之間的規律與數學關系，從而預測輸入的低分辨率圖像的高分辨率信息。目前基于樣本訓練的超分辨率方法主要采用冗余字典的稀疏表示模型，從本地圖像樣本庫中學習得到一個字典對（高分辨率字典與低分辨率字典），在超分辨率重構階段，利用低分辨率字典求解輸入的低分辨率圖像塊的稀疏表示系數，再利用該系數與高分辨率字典重構得到高分辨率圖像塊，并將所有圖像塊通過重疊與平均得到高分辨率圖像。

基于樣本訓練的超分辨率方法的重構圖像質量要好于基于重建的方法，但現有的一些基于樣本訓練的超分辨率方法仍然存在一些缺點，例如對低分辨率圖像使用較差的Bicubic（雙三次樣條插值）方法進行插值，來獲得高分辨率圖像的初始估計，然后在此基礎上進行超分辨率重構，導致重構質量的提高受到了質量較差的插值圖像的限制，因此重構圖像質量仍然不高，存在改進的空間。

發明內容

為了克服現有重構圖像質量不高的不足，本發明提出一種多級重構的圖像超分辨率方法，首先獲得高分辨率的初始估計，然后在此基礎上進行多級的稀疏編碼重構，獲得每級的圖像高頻細節信息，并添加到上一級重構圖像中，從而逐級提高超分辨率圖像質量。

為了實現上述目的，本發明的技術方案為：

一種多級重構的圖像超分辨率方法，包括字典訓練與超分辨率重構兩個階段；其中所述字典訓練階段使用Lanczos3-IBP算法對低分辨率圖像進行第一級重構，并在此基礎上訓練多級的特征字典與誤差字典；所述超分辨率重構階段，使用Lanczos3-IBP算法對低分辨率圖像進行第一次重構，然后利用訓練得到的多級特征字典與誤差字典，進行多級稀疏編碼重構，得到各級重構圖像的誤差，并添加到上一級的圖像中，得到高分辨率圖像。

與現有技術相比，本發明的有益效果為：本發明在字典訓練階段使用Lanczos3-IBP算法對低分辨率圖像進行第一級重構，獲得高分辨率的初始估計；繼而在此基礎上進行多級的稀疏編碼重構，獲得每級的圖像高頻細節信息，并添加到上一級重構圖像中，從而逐級提高超分辨率圖像質量。

附圖說明

圖1為本發明的字典訓練階段流程圖。

圖2為本發明的超分辨率重構階段流程圖。

圖3為采用不同方法重構圖像局部圖比較示意圖，圖中從上到下分別為Foreman，Lenna，Flowers，Zebra示意圖。

具體實施方式

下面結合附圖對本發明做進一步的描述，但本發明的實施方式并不限于此。

參見圖1和圖2所示，是本發明的基于多級重構的圖像超分辨率方法的流程示意圖，其中圖1為字典訓練階段，圖2為超分辨率重構階段，其包括步驟：

步驟S101：字典訓練階段開始，對本地的高分辨率樣本圖像，使用Bicubic雙三次樣條插值法，進行s倍下采樣，其中s=2,3,4,…；然后使用Lanczos3插值算法進行s倍插值，并使用迭代逆投影算法IBP（Iterative?Back-Projection）進行超分辨率重構，得到第1級的重構樣本圖像，令i=1，進入步驟S102；

步驟S102：對原高分辨率樣本圖像與第i級重構樣本圖像求差值（即原高分辨率樣本圖像減去第i級重構樣本圖像），得到第i級重構樣本圖像誤差，并組成誤差塊向量矩陣；對第i級重構樣本圖像進行特征提取與PCA（Principal?Component?Analysis，主成分分析）降維，得到第i級重構樣本圖像的特征塊向量矩陣，進入步驟S103；