[發明專利]聯合輪廓增強與去噪統計先驗的單幅圖像超分辨率方法

有效

• 申請號: 201910558515.6
• 申請日: 2019-06-26
• 公開（公告）號: CN112150354B
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 任超;何小海;翟森;王正勇;卿粼波;熊淑華
• 申請（專利權）人: 四川大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.聯合輪廓增強與去噪統計先驗的單幅圖像超分辨率方法，其特征在于包括以下步驟：

步驟一：首先使用SBI算法，對原單幅圖像超分辨率重建問題進行分解，得到一個圖像復原逆子問題、一個去噪子問題、一個輔助變量迭代方程；再對得到的圖像復原逆子問題和去噪子問題分別引入基于深度學習的先驗，并引入一種連續性機制，得到基于改進SBI算法的單幅圖像超分辨率重建框架；

步驟二：針對輸入的低分辨率圖像，構建輪廓增強網絡PENet，用于預測未知的高分辨率梯度輪廓特征；

步驟三：利用訓練圖像數據集，訓練步驟二中構建的網絡，總共訓練四個方向的梯度輪廓；

步驟四：針對步驟一所述的去噪子問題，構建去噪統計先驗網絡DSPNet，用于預測未知的去噪圖像；

步驟五：利用訓練圖像數據集，訓練步驟四中構建的去噪統計先驗網絡，總共訓練二十五個噪聲等級的去噪統計先驗網絡用于迭代過程中去噪子問題的動態去噪；

步驟六：利用步驟三中訓練好的輪廓增強網絡，對輸入低分辨率圖進行多方向梯度輪廓預測，得到預測的四個方向的高分辨率圖梯度輪廓特征，使用這些梯度輪廓特征來構建顯式的圖像輪廓增強先驗PEP，并將該先驗應用于步驟一中所述的圖像復原逆子問題；

步驟七：使用TFOCS技術來優化步驟一所述的圖像復原逆子問題，得到迭代更新后的高分辨率估計圖像X^k+1；

步驟八：計算每一次迭代過程中去噪子問題對應的噪聲等級σ_k；

步驟九：使用步驟五中訓練好的去噪統計先驗網絡應用于步驟一所述的去噪子問題，噪聲級別對應步驟八中的σ_k，并采用多重估計的策略進一步提升去噪性能，最終在去噪子問題中構建隱式的圖像統計先驗DSP，得到去噪后的圖像v^k+1；

步驟十：更新步驟一所述的圖像復原逆子問題中的懲罰參數μ_k，并由步驟一的輔助變量迭代方程b^k+1＝b^k+X^k+1-v^k+1，對輔助變量b^k進行更新；

步驟十一：重復步驟七到十，直到達到指定的迭代次數，最后輸出即為最終的超分辨率重建結果。

2.根據權利要求1所述的聯合輪廓增強與去噪統計先驗的單幅圖像超分辨率方法，其特征在于步驟一所述的基于改進SBI算法的單幅圖像超分辨率重建框架：首先，對使用SBI算法所得到的圖像復原逆子問題和去噪子問題分別引入基于深度學習的先驗，也就是，在原圖像復原逆子問題中加入圖像增強先驗PEP以增強重建圖像的高頻細節，使用去噪統計先驗網絡替代原去噪子問題中的顯式去噪先驗，在提出的單幅圖像超分辨率重建框架中，圖像復原逆子問題和去噪子問題的具體公式如下：

其中，X為未知的高分辨率圖，Y為低分辨率圖，H為模糊矩陣，D為下采樣矩陣，X^k+1為迭代更新后的高分辨率估計圖，v^k為去噪圖像，μ_k為懲罰參數，k為迭代次數，b為輔助變量，η為正則化參數，F為特征提取矩陣，P為預測到的特征矩陣，I為單位矩陣，σ_k為當前迭代過程中的噪聲等級，表示去噪算法，Z和K的表達式如下：

然后，為了提升去噪效果，在提出的重建框架中還引入一種連續性機制來在迭代過程中自適應地調節去噪子問題對應的噪聲等級σ_k，首先對懲罰參數μ_k進行更新：

μ_k+1＝ρμ_k

其中ρ為一個大于1的常數，然后再根據噪聲等級與懲罰參數之間的關系：

對噪聲等級進行更新，λ為正則化參數。