[發明專利]一種圖像超分辨重建處理方法

在審

• 申請號: 201610812100.3
• 申請日: 2016-09-08
• 公開（公告）號: CN107067367A
• 公開（公告）日: 2017-08-18
• 發明（設計）人: 徐夢溪;黃陳蓉;楊蕓;施建強
• 申請（專利權）人: 南京工程學院
• 主分類號: G06T3/40
• 分類號: G06T3/40
• 代理公司: 南京先科專利代理事務所(普通合伙)32285
• 代理人: 葉帥東

技術領域

本發明涉及一種圖像超分辨重建處理方法，屬于圖像處理技術領域。

背景技術

圖像超分辨率重建(Super-resolution Reconstruction,SRR)是指利用一幅或者多幅低分辨率(Low-resolution,LR)圖像，結合一定的先驗重建出具有更多細節信息的高分辨率(High-resolution,HR)圖像的過程。其可以在不改變現有成像系統的情況下，利用信號處理相關技術提高圖像空間分辨率，從而有利于圖像后續應用于醫學、遙感、軍事監測和圖像壓縮等多個領域。

SRR的基本概念和方法是由Harris和Goodman于20世紀60年代提出的，Tsai和Huang[8]于1984年首次提出了一種基于頻域逼近的多幅圖像SRR算法，自此SRR技術進入快速發展階段。但由于頻域法引入的圖像先驗信息有限，此后對頻域法的研究不多。空域法更加靈活，且可以附加各種先驗信息，得到了廣泛研究并快速發展。其主要包括：非均勻插值算法(Non-uniform Interpolation,NUI)、凸集投影法(Projections onto Convex Sets,POCS)、迭代反投影法(Interactive Back Projection,IBP)、正則化方法、混合MAP-POCS法、自適應濾波方法、基于稀疏表示的方法等。

根據所依據原理的不同，空域法又可分為以下兩大類：基于重建的方法和基于學習的方法。對于SRR這一病態反問題的求解，關鍵是如何引入更多的先驗信息來對解加以約束和穩定?；谥亟ǖ姆椒ㄐ枥糜傻头直媛市蛄蝎@取的信息來進行重建，但當采樣率較大或者低分辨率序列幀數較少時，就無法提供足夠的先驗信息，這會影響圖像重建質量。而基于學習的方法能夠引入學習到的額外先驗信息，在一幅圖像的情況下就可以得到較好的重建結果。

其中基于稀疏表示的方法利用稀疏表示模型建立高低分辨率圖像之間的內在關系，從而指導超分辨率重建，可以得到很好的重建效果。但是，該類算法也是有其自身缺點的。傳統的基于稀疏表示的算法需要通過對大量樣本的學習構建出一個過完備字典，這個過完備字典具有普遍的適用性，可以用來對各種不同的圖像結構進行稀疏編碼。但對于要重建的每一圖像塊來說，通用過完備字典并不是最優的。因為它缺少對圖像局部結構的適應性，即對于圖像中變化的結構不能都進行有效表示，而且它的很多原子對于某一特定圖像塊來說都是不相關的，這樣會影響稀疏編碼效率。文獻[1,2]采用緊湊子字典的學習策略，針對不同子類學習對應子字典，得到重建圖像塊的更好的稀疏表示，提高計算效率和重建效果。

另外，在稀疏表示重建建模中，充分利用圖像固有先驗信息對稀疏表示系數進行正則化約束很是關鍵。yang等^[3,4]引入局部稀疏性先驗項，從而提高了算法的邊緣保持能力。文獻[5]利用圖像雙稀疏及非局部自相似先驗進行圖像SRR，得到有一定優越性的實驗結果。引入非局部自相似先驗項來對相似圖像塊的稀疏表示系數間的關系進行約束，充分利用了圖像結構先驗信息，可以得到保持圖像細節的重建結果。但其在相似性度量方面只考慮了像素灰度信息，需充分考慮圖像塊像素之間的關聯，從而進一步提高圖像塊的匹配精度以得到更準確的非局部先驗。

參考文獻

[1]Yang S,Liu Z,Wang M,et al.Multitask dictionary learning and sparse representation based single-image super-resolution reconstruction[J].Neurocomputing,2011,74(17):3193-3203.

[2]Dong W,Zhang L,Shi G,et al.Image deblurring and super-resolution by adaptive sparse domain selection and adaptive regularization[J].Image Processing,IEEE Transactions on,2011,20(7):1838-1857.

[3]Yang J,Wright J,Huang T,et al.Image super-resolution as sparse representation of raw image patches[C]//Computer Vision and Pattern Recognition,2008.CVPR 2008.IEEE Conference on.IEEE,2008:1-8.