[發明專利]一種基于多級稀疏字典學習的圖像超分辨率方法

有效

• 申請號: 201910342711.X
• 申請日: 2019-04-26
• 公開（公告）號: CN110211037B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 楊欣;朱晨;謝堂鑫;周大可;吳臣桓
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T11/00;G06T17/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 姜慧勤

本發明公開了一種基于多級稀疏字典學習的圖像超分辨率方法，該方法采用多級稀疏字典訓練方法，訓練多級子字典。在數據預處理階段，對原始高分辨率圖像的退化圖像，使用一階及二階梯度算子濾波，并提取塊特征，構成低分辨率塊特征訓練集。字典訓練階段，基于特征集離線訓練低分辨率多級別稀疏字典，根據廣義逆計算多級別高分辨率字典。重建階段，對所有級別子字典，求解輸入低分辨率圖片特征塊對應的1?稀疏系數，根據對應多級高分辨率字典計算對應高分辨率圖像塊，最后對重疊部分采用平滑處理重建得高分辨率圖像。本發明方法克服了一般方法稀疏度不夠導致圖像重建效果不理想，泛化能力弱的問題，有效提高最終圖像超分辨率質量。

技術領域

本發明涉及一種基于多級稀疏字典學習的圖像超分辨率方法，屬于單幀圖像超分辨率重建技術領域。

背景技術

目前隨著人工智能浪潮和萬物互聯概念的興起，各個領域對高質量高分辨率圖像的需求越發旺盛。然而事實上，由于成本限制以及傳感環境的噪聲影響等因素，在圖像獲取階段得到高質高分辨率圖像往往是困難的。因此，研究如何從獲取的原始低分辨率圖像復原出高分辨率圖像具有十分重要的意義。超分辨率技術即解決由單幀或多幀低分辨率圖像重建高分辨率圖像的問題。

壓縮感知和稀疏表示方法自2008年以來被引入到超分辨率領域以來，已持續取得了算法性能上的突破。基于稀疏表示的圖像超分辨率方法一般從原始高分辨率圖像集以及其退化集中提取對應的高低分辨率圖像塊或特征作為訓練集，應用稀疏字典訓練方法獲得對應的高低分辨率字典。采取最優化方法求解輸入低分辨率圖像塊在低分辨率字典上的系數向量，并根據求得的系數向量和高分辨率字典重建高分辨率圖片。

由于超分辨率問題的病態問題屬性，解空間的選擇對最終重建結果具有巨大的影響。如何選擇及訓練出合適的全局稀疏字典來表示圖像塊，并使其在不同的測試集上具有良好的泛化能力仍是一個極具挑戰的問題。

發明內容

本發明所要解決的技術問題是：提供一種基于多級稀疏字典學習的圖像超分辨率方法，該方法在字典訓練階段訓練一個全局多級字典，該字典每一級均有一個子字典，相比傳統基于K-SVD字典的方法泛化性能和重建效果均得到了提升。

本發明為解決上述技術問題采用以下技術方案：

一種基于多級稀疏字典學習的圖像超分辨率方法，包括如下步驟：

步驟1，根據原始高分辨率圖像，建立用于多級稀疏字典學習的低分辨率圖像訓練集；

步驟2，利用低分辨率圖像訓練集訓練低分辨率多級稀疏字典，且每一級子字典的原子個數根據最小描述長度策略自適應確定，并根據廣義逆計算高分辨率多級稀疏字典；

步驟3，對輸入的待重建低分辨率圖像，基于雙三次插值變換為目標高分辨率尺寸的退化圖像，并提取該退化圖像的一、二階梯度特征，根據一、二階梯度特征得到待重建低分辨率圖像的特征矩陣，求解特征矩陣對應的低分辨率多級稀疏字典每一級的稀疏表示系數；

步驟4，根據步驟3求得的稀疏表示系數，對應得到高分辨率多級稀疏字典每一級的稀疏表示系數，根據高分辨率多級稀疏字典與高分辨率多級稀疏字典每一級的稀疏表示系數，計算得到高分辨率圖像塊，并將高分辨率圖像塊融合得到高分辨率重建圖像。

作為本發明的一種優選方案，所述步驟1的具體過程如下：

1.1提取原始高分辨率圖像的亮度通道，基于雙三次插值得到與原始高分辨率圖像同尺寸的退化圖像，并提取退化圖像的一階及二階梯度特征；

1.2拼接一階及二階梯度特征為高維特征列向量，并將所有高維特征列向量合并為一個訓練矩陣Y；

1.3基于主成分分析法對訓練矩陣Y進行降維處理，得到低分辨率圖像訓練集的尺寸為M*T，M為高維特征列向量的維度，T為高維特征列向量的個數。