[發明專利]基于稀疏表示與字典學習的視頻圖像分級重建方法有效
| 申請號： | 201510789969.6 | 申請日： | 2015-11-17 |
| 公開（公告）號： | CN105741252B | 公開（公告）日： | 2018-11-16 |
| 發明（設計）人： | 王海;王柯;劉巖;張皓迪;李彬;毛敏泉 | 申請（專利權）人： | 西安電子科技大學 |
| 主分類號： | G06T5/50 | 分類號： | G06T5/50;G06K9/62 |
| 代理公司： | 陜西電子工業專利中心 61205 | 代理人： | 王品華;朱紅星 |
| 地址： | 710071*** | 國省代碼： | 陜西;61 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 稀疏 表示 字典 學習 視頻 圖像 分級 重建 方法 | ||
1.一種基于稀疏表示和字典學習的視頻圖像分級重建方法，包括如下步驟：
(1)從樣本數據庫中獲取樣本集I＝{Ih,Il}，代表高分辨率樣本集，代表低分辨率樣本集，用樣本集I中同一內容的高分辨率圖像和低分辨率圖像構成樣本對圖像
(2)利用形態分量分析方法對樣本集I中的圖像進行紋理分層和結構分層，得到高分辨率紋理層Iht、高分辨率結構層Ihs和低分辨率紋理層Ilt、低分辨率結構層Ils：
(2a)對樣本對圖像Ii作DCT變換，用變換后的數據構成高分辨率紋理字典和低分辨率紋理字典
(2b)對樣本對圖像Ii作輪廓波變換，用變換后的數據構成高分辨率結構字典和低分辨率結構字典
(2c)利用匹配追蹤算法計算高分辨率圖像在高分辨率紋理字典和高分辨率結構字典下的最優稀疏表示，即將該計算過程轉化為如下最優化過程
其中ε為稀疏度經驗值，和分別為利用匹配追蹤算法計算出的高分辨率紋理稀疏系數和高分辨率結構稀疏系數，和分別為求得的高分辨率最優紋理稀疏系數和高分辨率最優結構稀疏系數；
(2d)按照步驟(2c)計算低分辨率圖像在低分辨率紋理字典和低分辨率結構字典下的最優稀疏表示，得到低分辨率最優紋理稀疏系數和低分辨率最優結構稀疏系數
(2e)根據高分辨率紋理字典和高分辨率最優紋理稀疏系數得到高分辨率紋理層記為樣本集I的高分辨率紋理層；根據高分辨率結構字典和高分辨率最優結構稀疏系數得到高分辨率結構層記為樣本集I的高分辨率結構層；
(2f)根據低分辨率紋理字典和低分辨率最優紋理稀疏系數得到低分辨率紋理層記為樣本集I的低分辨率紋理層；根據低分辨率結構字典和低分辨率最優結構稀疏系數得到低分辨率結構層記為樣本集I的低分辨率結構層；
(3)利用KSVD算法對樣本集I中的高分辨率樣本圖像Ih和低分辨率樣本圖像Il進行訓練，得到最優高分辨率字典和最優低分辨率字典
(4)利用KSVD算法對樣本集I中的各分層圖像進行訓練，得到最優紋理高分辨率字典最優結構高分辨率字典和最優紋理低分辨率字典最優結構低分辨率字典
(5)將待重建的低分辨率視頻單幀圖像劃分為感興趣區域和不感興趣區域：
(6)將待重建的低分辨率視頻單幀圖像的感興趣區域劃分為主區域和次區域；
(7)采用雙字典學習方法對主區域進行超分辨率重建，采用單字典學習方法對次區域進行超分辨率重建，采用插值法對不感興趣區域進行插值重建；
所述采用雙字典學習方法對主區域進行超分辨率重建，其實現如下：
(7a)按照步驟(2)將主區域Pm分為紋理層Pmt和結構層Pms；
(7b)選擇主區域的參考圖像，利用參考圖像的紋理層稀疏表示和結構層稀疏表示，計算主區域的紋理層稀疏表示和結構層稀疏表示
(7c)根據主區域Pm的紋理層稀疏表示和最優紋理高分辨率字典得到主區域紋理層的重建圖像根據主區域的結構層稀疏表示和最優結構高分辨率字典得到主區域結構層的重建圖像
(7d)將主區域紋理層的重建圖像和主區域結構層的重建圖像融合，得到完整的主區域的重建圖像；
所述采用單字典學習方法對次區域進行超分辨率重建，其實現如下：
(7e)根據步驟(3)得到的最優低分辨率字典計算次區域Psub的稀疏表示其中為的逆矩陣；
(7f)根據次區域的稀疏表示βsub和步驟(3)得到的最優高分辨率字典得到次區域的重建圖像
(8)將重建的主區域、次區域融合到重建的不感興趣區域中，得到完整的重建圖像。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于西安電子科技大學，未經西安電子科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201510789969.6/1.html，轉載請聲明來源鉆瓜專利網。
