[發明專利]串聯式單圖像超分辨率重建方法

在審

• 申請號: 202010218654.7
• 申請日: 2020-03-25
• 公開（公告）號: CN111402141A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 曹飛龍;張焯林
• 申請（專利權）人: 中國計量大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06K9/62
• 代理公司: 北京君泊知識產權代理有限公司 11496
• 代理人: 王程遠

本發明公開了一種串聯式單圖像超分辨率重建方法。利用以整塊地分辨率圖像作為輸入的卷積稀疏編碼進行重建，然后，使用以圖像塊作為輸入的改進的固定鄰域回歸算法進行重建。最后，為了引進圖像內部統計信息，建立自樣例金字塔，以此為訓練集使用自樣例固定領域回歸進行重建。本發明能利用各層方法各自的優勢，對圖像進行多次重建，能達到更好的重建效果。

技術領域

本發明屬于圖像處理技術領域，特別涉及一種串聯式單圖像超分辨率重建方法。

背景技術

單圖像超分辨率重建通過恢復高頻細節和去除模糊等方法來重建一個高分辨率圖像。顯然，這種單圖像超分辨率重建算法在很多領域中都有重要的應用，比如監視設備、衛星圖像、醫學圖像等。但是單圖像超分辨率是一個嚴重的病態問題，因為觀察到的低分辨率圖像比渴望的高分辨率圖像要小得多，所以高分辨率圖像的重建是不確定的。各種方法被提出來解決這個難題：

提出的大多數方法可以被分為3類：基于插值的方法、基于重建的方法和基于學習的方法。

目前基于學習的方法因為其出色的重建效果被廣泛地研究和應用。這一類方法可以被再一次細分為基于外部統計信息和基于內部統計信息的方法。基于內部統計信息方法利用一幅圖像在相同尺度和不同尺度的相似和冗余信息。最具代表性的方法是Huang等人在2015年提出的用對低分辨率圖像塊的變換版本來重建高分辨率圖像塊。而基于外部統計信息的學習方法，從外部數據集學習從低分辨率圖像塊到高分辨率圖像塊的映射。其中，最經典的是楊建超等人在2010年提出的稀疏表示方法，它需要從外部數據集學習一對字典。為了加速該算法，脊回歸被應用到算法中去，代替l₁范正則化項。因為脊回歸具有閉式解，所以可以提前計算給予每個原子領域的映射矩陣。隨著深度學習在計算機視覺領域的廣泛應用，Dong等人在2014年提出SRCNN第一次使用深度卷積神經網絡進行超分辨率重建。

但是，現有技術的超分辨率圖像重建方法，仍然難以滿足實際使用需求，存在進一步提升的空間。

發明內容

本發明的目的是提供一種串聯式單圖像超分辨率重建方法，提高了圖像的重建效果。

為了實現上述目的，本發明提供了一種串聯式單圖像超分辨率重建方法，包括以下步驟：

a、將訓練集圖片對分解為低頻光滑圖像和高頻圖像兩部分，對高頻圖像采用卷積稀疏編碼訓練，得到低分辨率濾波器和高分辨率濾波器，以及低分辨率特征圖到高分辨率特征圖的變換函數，存儲備用；

b、用卷積稀疏編碼對低分辨率訓練圖像進行重建，將重建后的圖像與真實圖像組成訓練圖像對，使用聯合字典訓練方法得到低分辨率字典。以低分辨率字典原子為錨點，尋找離錨點最近的圖像塊構建低分辨率字典和高分辨率字典，存儲備用；

c、對于輸入的一張低分辨率圖像，將其分解為低頻光滑圖像和高頻圖像兩部分，對于低頻部分直接使用雙三次插值進行重建，高頻部分則利用存儲的低分辨率和高分辨率濾波器進行卷積稀疏編碼超分辨率重建，將重建的兩部分相加得到超分辨率圖像；

d、將步驟c中得到的超分辨率圖像，使用存儲的低分辨率字典和高分辨率字典進行改進的固定鄰域回歸超分辨率重建；

e、對步驟d得到超分辨率圖像構建自樣例金字塔對，并以自樣例金字塔對作為訓練集，使用改進的固定領域回歸的訓練方式訓練得到低分辨率和高分辨率字典；

f、對d得到的超分辨率圖像，利用e中的低分辨率和高分辨率字典進行固定領域回歸重建得到最終的超分辨率重建圖像。

可選的，所述步驟a中，對于低分辨率訓練集圖片，通過解優化問題：