[發(fā)明專利]一種用于圖像超分辨的分層亞像素運(yùn)動估計方法

在審

• 申請?zhí)枺?/td>: 201410114075.2
• 申請日: 2014-03-25
• 公開（公告）號: CN103873875A
• 公開（公告）日: 2014-06-18
• 發(fā)明（設(shè)計）人: 劉琚;伯君;孫國霞;趙悅
• 申請（專利權(quán)）人: 山東大學(xué)
• 主分類號: H04N19/53
• 分類號: H04N19/53
• 代理公司: 濟(jì)南圣達(dá)知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 李健康

技術(shù)領(lǐng)域

本發(fā)明涉及一種用于圖像超分辨的分層亞像素運(yùn)動估計方法，屬于圖像處理技術(shù)領(lǐng)域。

背景技術(shù)

在大量的電子圖像應(yīng)用領(lǐng)域，人們經(jīng)常期望得到高分辨率（簡稱HR）圖像。高分辨率意味著圖像中的像素密度高，能夠提供更多的細(xì)節(jié)，而這些細(xì)節(jié)在許多實際應(yīng)用中不可或缺。例如，高分辨率醫(yī)療圖像對于醫(yī)生做出正確的診斷是非常有幫助的；使用高分辨率衛(wèi)星圖像就能很容易從相似物中區(qū)別相似的對象；如果能夠提供高分辨的圖像，計算機(jī)視覺中的模式識別的性能就會大大提高。因此，尋找一種增強(qiáng)當(dāng)前分辨率水平的方法是非常必須的。

一種很有前途的方法就是采用信號處理的方法從多個可觀察到的低分辨率（簡稱LR）圖像得到高分辨率圖像。其基本前提是對于同一場景可以獲取多幅LR細(xì)節(jié)圖像，并且LR圖像是基于亞像素精度的平移亞采樣。如果每幅LR圖像彼此之間都是不同的亞像素平移，那么它們彼此之間就不會相互包含，在這種情況下，每一幅LR圖像都會為HR圖像的復(fù)原提供一些不同的信息。通過亞像素運(yùn)動估計，得到低分辨率圖像間的運(yùn)動矢量就可以從多幅LR圖像中合成出HR圖像。因此，精確而快速的亞像素運(yùn)動估計成為決定超分辨效果的關(guān)鍵技術(shù)。

亞像素運(yùn)動估計是在整像素運(yùn)動估計的基礎(chǔ)上將估計精度提高到亞像素級別，其普遍采用的方法是塊搜索與插值相結(jié)合的算法。在所有塊搜索算法中，全搜索算法是精度最高的，但由于其計算量過高，難以用于實際應(yīng)用。而普遍采用的菱形搜索、三步搜索等快速搜索算法由于其算法自身缺陷容易陷入局部最優(yōu)解，影響運(yùn)動估計的準(zhǔn)確性。在插值階段常用的雙線性插值算法以灰度加權(quán)值作為新的灰度值，使得新圖像出現(xiàn)邊緣模糊問題。因此，一種好的亞像素運(yùn)動估計方法必須同時考慮搜索精度和運(yùn)算速度。

發(fā)明內(nèi)容

為解決傳統(tǒng)亞像素運(yùn)動估計方法中的局部最優(yōu)和邊緣模糊問題，實現(xiàn)準(zhǔn)確而快速的亞像素運(yùn)動估計，本發(fā)明提出一種UMHexagonS算法與小波分解相結(jié)合的方法。UMHexagonS算法使用非對稱十字型多層次六邊形格點搜索策略，對小幅度運(yùn)動向量和大幅度運(yùn)動向量都有很好的適應(yīng)性，能盡可能避免菱形搜索、三步搜索等快速搜索算法的局部最優(yōu)問題，UMHexagonS算法與小波分解相結(jié)合，進(jìn)行由粗到精的分層搜索，進(jìn)一步降低了算法的計算復(fù)雜度，使算法最終達(dá)到的估計精度與全搜索近似，而計算復(fù)雜度與全搜索相比大大降低。進(jìn)行亞像素運(yùn)動估計時采用NEDI插值，以快速得到準(zhǔn)確的估計結(jié)果。

為實現(xiàn)上述發(fā)明目的，本發(fā)明采用下述技術(shù)方案：

一種用于圖像超分辨的分層亞像素運(yùn)動估計方法，該方法將UMHexagonS算法與小波分解相結(jié)合，實現(xiàn)準(zhǔn)確而快速的亞像素運(yùn)動估計，該方法包括以下步驟：

步驟1：將參考圖像R和待配準(zhǔn)圖像F分別采用小波分解生成圖像金字塔，并分別取其低頻信息LL分量作為搜索對象；

步驟2：從最頂層開始，采用UMHexagonS算法進(jìn)行搜索；

步驟3：以上一層的搜索結(jié)果作為下一層搜索的粗略位置，直到得到原分辨率圖像的搜索結(jié)果；

步驟4：對待配準(zhǔn)圖像進(jìn)行NEDI插值，放大倍數(shù)為N；

步驟5：對插值后的圖像塊下采樣，生成一組低分辨率的圖像塊；

步驟6：將參考圖像R中的匹配塊與步驟5得到的低分辨率圖像塊進(jìn)行匹配，得到亞像素級的配準(zhǔn)結(jié)果。

優(yōu)選的，在步驟1中采用haar小波對參考圖像R和待配準(zhǔn)圖像F分解生成圖像金字塔。

優(yōu)選的，在步驟2和步驟3中采用重疊塊運(yùn)動估計，以提高運(yùn)動估計的效果，降低塊效應(yīng)。

優(yōu)選的，在步驟5中對插值后的圖像塊在水平方向上和垂直方向上每隔N個點取一個點，生成一組低分辨率圖像塊。

優(yōu)選的，在步驟5中對待配準(zhǔn)圖像F進(jìn)行分塊時采用重疊塊的形式。

優(yōu)選的，在步驟6中采用重疊塊運(yùn)動估計，以提高運(yùn)動估計的效果，降低塊效應(yīng)。

本發(fā)明中，采用小波分解構(gòu)造圖像金字塔，具有抗噪聲和平滑的特點，進(jìn)行由粗到精的逐級搜索以加快搜索速度，并且采用NEDI插值，它運(yùn)用了自相似性的概念，其邊緣導(dǎo)向特性可以協(xié)調(diào)插值的系數(shù)，使得隨機(jī)導(dǎo)向的階躍邊緣更加匹配。在進(jìn)行塊運(yùn)動估計時，采用重疊塊運(yùn)動估計，提升了運(yùn)動估計的效果，降低了塊效應(yīng)。并且采用了UMHexagonS搜索算法，其運(yùn)算精度與全搜索近似，而運(yùn)算復(fù)雜度大大降低。實驗結(jié)果表明，本方法搜索位置數(shù)下降率在90%以上，而搜索精度比全搜索沒有明顯下降，本發(fā)明提出的分層亞像素運(yùn)動估計方法，在兼顧到配準(zhǔn)精度的同時，極大地降低了算法的運(yùn)算量，提升了配準(zhǔn)效率。

附圖說明