[發(fā)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?zhí)枺?/td>: 201510789969.6
• 申請日: 2015-11-17
• 公開（公告）號: CN105741252B
• 公開（公告）日: 2018-11-16
• 發(fā)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(yè)專利中心 61205
• 代理人: 王品華;朱紅星

本發(fā)明公開了一種基于稀疏表示和字典學習的視頻圖像分級重建方法，主要解決現(xiàn)有技術對視頻圖像重建時間長的問題。其實現(xiàn)步驟是：(1)獲取樣本集；(2)對樣本集中的圖像進行分層；(3)對樣本集分層前后的圖像進行訓練，得到樣本集分層前后的高、低分辨率字典；(4)將待重建圖像劃分為主區(qū)域、次區(qū)域和不感興趣區(qū)域；(5)根據(jù)樣本集分層后的高、低分辨率字典對主區(qū)域進行重建；(6)根據(jù)樣本集分層前的高、低分辨率字典對次區(qū)域進行重建；(7)對不感興趣區(qū)域進行重建；(8)將重建的主區(qū)域和次區(qū)域融合到重建的不感興趣區(qū)域中，得到完整的重建圖像。本發(fā)明縮減了圖像的重建時間，可用于醫(yī)學圖像、自然圖像以及遙感圖像的處理。

技術領域

本發(fā)明屬于視頻和圖像處理技術領域，涉及一種視頻圖像的超分辨率重建方法，可用于醫(yī)學圖像、自然圖像以及遙感圖像等一般要求高分辨率圖像的場合。

背景技術

由于成像系統(tǒng)內在固有屬性的限制和大氣干擾等諸多因素的影響，會導致得到的單幅圖像或視頻出現(xiàn)成像質量差、分辨率低等問題。如何基于已有的硬件條件及獲取的視頻圖像，盡可能地恢復其本來面貌或提高其分辨率、清晰度等質量指標，一直是視頻圖像科學研究和工程應用中的熱點問題。超分辨率重建是一種能有效改善和提高視頻圖像分辨率水平的技術，它對獲取的單幀或多幀低分辨率圖像利用圖像的數(shù)學模型等先驗知識進行重建，進而得到高分辨率圖像。

目前超分辨率重建主要有三種方法：插值法、重建法和基于學習的方法。傳統(tǒng)的插值法有最近鄰插值法、雙線性插值法和雙三次插值法，插值法雖然算法簡單、易于實現(xiàn)，但重建圖像的邊緣具有不連續(xù)、振鈴效應或整體偏光滑等缺點。重建法致力于對低分辨率圖像的捕獲過程進行有效合理的建模，通過正則化方式形成對應高分辨率信息的先驗知識來加以約束，將圖像超分辨率重建問題轉換為低分辨率圖像對高分辨率圖像的估計問題，即轉換為具有限制準則代價方法的最優(yōu)解問題。基于學習的超分辨率重建方法是近年來圖像恢復技術領域的主流方法，其思想源于機器學習。Freeman等人提出一種基于樣本的超分辨率重建方法，該方法先通過機器學習將高、低分辨率樣本圖像進行塊劃分，利用Markov網(wǎng)絡對圖像的空間關系進行建模，待重建的低分辨率圖像的每個塊在建立的模型中尋求Markov網(wǎng)格中最合適的位置，以此實現(xiàn)超分辨率重建。盡管該方法可以復原出更多的細節(jié)信息，但是其對全圖像區(qū)域進行處理，通常需要較長的重建時間，且不適用于包含多運動目標的視頻圖像的重建。

發(fā)明內容

本發(fā)明的目的在于針對上述已有技術的不足，提出一種基于稀疏表示和字典學習的視頻圖像分級重建方法，對于包含多運動目標的視頻圖像的重建，能在保證視頻圖像主要內容重建質量的同時，縮減重建時間，為視頻的實時重建奠定基礎。

實現(xiàn)本發(fā)明的技術思路是：利用形態(tài)分量分析方法對樣本集中的圖像進行分層，利用KSVD算法對分層前后的圖像分別進行訓練，獲得各訓練字典，利用Snake算法將待重建圖像劃分為感興趣區(qū)域和不感興趣區(qū)域，根據(jù)運動目標大小將感興趣區(qū)域進一步劃分為主區(qū)域和次區(qū)域，采用雙字典學習方法對主區(qū)域進行超分辨率重建，采用單字典學習方法對次區(qū)域進行超分辨率重建，采用插值法對不感興趣區(qū)域進行插值重建，融合重建的主區(qū)域、次區(qū)域和不感興趣區(qū)域，得到重建的原始圖像。其具體步驟包括如下：

(1)從樣本數(shù)據(jù)庫中獲取樣本集I＝{I_h,I_l}，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(tài)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I_ht、高分辨率結構層I_hs和低分辨率紋理層I_lt、低分辨率結構層I_ls；

(3)利用KSVD算法對樣本集I中的高分辨率樣本圖像I_h和低分辨率樣本圖像I_l進行訓練，得到高分辨率字典D_h和低分辨率字典D_l；