[發明專利]基于自適應亞模字典選擇的超分辨率圖像重建系統

有效

• 申請號: 201510026464.4
• 申請日: 2015-01-19
• 公開（公告）號: CN104574336B
• 公開（公告）日: 2017-08-01
• 發明（設計）人: 熊紅凱;申揚眉
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T3/40
• 代理公司: 上海漢聲知識產權代理有限公司31236
• 代理人: 徐紅銀,郭國中

技術領域

本發明涉及一種圖像重建技術領域的方案，具體為一種基于自適應亞模字典選擇的超分辨率圖像重建系統。

背景技術

在大量的數字圖像應用領域里，人們往往期望得到更高分辨率的圖像。圖像分辨率表示了圖像信息的詳細程度，而高分辨率圖像意味著更高的像素密度，更細膩的畫質，更多的細節信息。由于超分辨率圖像重建技術不用受限于傳感器制造技術的約束，而通過圖像處理算法獲得更高分辨率的圖像，因而在衛星氣象、醫療成像、圖像壓縮等眾多領域里得到了廣泛應用。但是，該技術領域里仍存在著許多需要解決的問題，如傳統的基于內插的方法會對圖像中不連續的部分造成模糊效應，基于重建的方法的圖像重構質量會隨著放大系數的增加而迅速下降。近些年熱門的基于學習的方法利用學習算法從訓練集中學習低分辨率圖像和高分辨率圖像之間的對應關系，構造最優權值約束對輸入的低分辨率圖像進行信息補充，能夠獲得比基于內插和基于重建的算法更好的效果。

經過對現有技術的文獻檢索發現，Jianchao Yang,John Wright,Thomas S.Huang,和Yi Ma在2010年的《IEEE Transactions on Image Processing》(TIP2010)期刊上發表的“Image Super-Resolution via Sparse Representation”一文中開創性地提出利用稀疏表示實現一種基于學習的超分辨率重建方法，首先從對應的高、低分辨率訓練圖像中學習出一對聯合字典，使得訓練集中的每個圖像塊都能由該字典對稀疏表示。在重建過程中，對輸入的低分辨率圖像塊在低分辨率字典上進行稀疏編碼，并利用該稀疏表示系數將高分辨率字典基線性組合得到重建的高分辨率塊。但是，其交替迭代優化學習的聯合字典對的重建效果并不是十分良好，且字典訓練復雜度高。而Ron Rubinstein,Michael Zibulevsky和Michael Elad在2010年的《IEEE Transactions on Signal Processing》(TSP2010)期刊上發表的“Double Sparsity:Learning Sparse Dictionaries for Sparse Signal Approximation”一文中提出了一種基于字典原子在已知固定基本字典上稀疏表示的雙稀疏度模型，其學習得到的非參數化的稀疏字典結構能夠將隱式字典與顯示字典的優點相結合，具有結構簡潔和實現高效的特點。然而，由于近似K-SVD方法并不能確保漸進收斂到最優解，對于從不同統計特性的圖像序列中訓練出的字典，其重建出的圖像質量較低。

發明內容

本發明的目的在于克服上述現有技術的不足，提供了一種基于自適應亞模字典選擇的超分辨率圖像重建系統，可以有效提高重建圖像的主客觀質量并且能夠保證高效的字典設計過程，同時也為現存的圖像壓縮標準提供了一個新穎的視角。

本發明是通過以下技術方案實現的：

本發明包括：輸入模塊、高低頻訓練集構建模塊、候選基向量集合組建模塊、亞模字典選擇模塊、測試圖像預處理模塊、超分辨率圖像重建模塊和輸出模塊，其中：

所述輸入模塊用于獲取原始高分辨率訓練圖像序列和待重建的低分辨率圖像，并將將原始高分辨率訓練圖像序列傳輸給高低頻訓練集構建模塊、將待重建的低分辨率圖像傳輸給測試圖像預處理模塊；

所述高低頻訓練集構建模塊對原始高分辨率訓練圖像序列進行處理得到高低頻圖像基元塊組成的訓練集，并將得到的訓練集傳輸給候選基向量集合組建模塊；

所述候選基向量集合組建模塊對所述訓練集進行處理，得到候選字典原子集合，并將候選字典原子集合傳輸給亞模字典選擇模塊；

所述亞模字典選擇模塊對候選字典原子集合進行處理，構造出高低頻聯合字典對，并將高低頻聯合字典對傳輸給超分辨率圖像重建模塊；

所述測試圖像預處理模塊對將待重建的低分辨率圖像處理，得到低頻圖像；

所述超分辨率圖像重建模塊對所述亞模字典選擇模塊得到的高低頻聯合字典對、所述測試圖像預處理模塊得到的低頻圖像進行處理，得到重建后的高分辨率圖像；

所述輸出模塊將所述超分辨率圖像重建模塊重建后的高分辨率圖像進行輸出。