[發明專利]基于SAE字典學習和鄰域回歸的圖像超分辨率方法有效
| 申請號： | 202010670836.8 | 申請日： | 2020-07-13 |
| 公開（公告）號： | CN111833252B | 公開（公告）日： | 2022-06-14 |
| 發明（設計）人： | 黃煒欽;郭一晶;陳俊仁 | 申請（專利權）人： | 廈門大學嘉庚學院 |
| 主分類號： | G06T3/40 | 分類號： | G06T3/40;G06V10/77;G06V10/772;G06V10/82;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 福州元創專利商標代理有限公司 35100 | 代理人： | 錢莉;蔡學俊 |
| 地址： | 363105 *** | 國省代碼： | 福建;35 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 sae 字典 學習 鄰域 回歸 圖像 分辨率 方法 | ||
本發明涉及基于SAE字典學習和鄰域回歸的圖像超分辨率方法，首先針對字典學習模型SAE準備輸入數據，并進行字典的構造與訓練；然后結合鄰域回歸理論和字典求解投影矩陣；最后基于投影矩陣進行圖像重建，獲得高分辨率圖像。本發明一方面提高字典的特征表達能力，減小重建結果對字典的依賴性；另一方面融入鄰域回歸理論，提高重建速度。
技術領域
本發明涉及圖像超分辨率方法設計領域，特別是一種基于SAE字典學習和鄰域回歸的圖像超分辨率方法。
背景技術
在現實中，由于圖像采集設備的限制、場景變化以及光源等因素，往往不能得到高質量的圖像，當圖像的分辨率較低就無法滿足實際應用的要求。圖像超分辨率(Super-Resolution,SR)方法利用圖像信號處理技術將已有的單幅或多幅低分辨率(LowResolution,LR)圖像重建成高分辨率(High Resolution,HR)圖像，其關鍵在于在重建過程中加入一定的附加信息來彌補圖像降質過程中損失的細節信息。由于SR重建能夠突破成像器件自身固有分辨率的限制實現圖像分辨率的提升，因此其在遙感、醫療、視頻監控等領域都具有重要的應用價值。
目前，SR方法主要分為3種類型：基于插值、基于重建和基于學習的SR方法。其中，基于學習的SR方法是近年來的熱點方向，而基于字典學習的SR方法是基于學習的SR方法中最為流行的一種，最早由Yang等提出。該算法基于壓縮感知理論而提出，采用字典聯合學習法學習HR和LR字典對，先利用LR圖像塊和LR字典求得LR稀疏系數，然后基于HR和LR圖像塊具有相同的稀疏表示系數的假設，利用LR稀疏系數和HR字典重建HR圖像塊。該算法能夠獲取到充分的先驗知識，具有較好的主觀視覺效果，但是塊效應較為明顯，而且重建的效果對學習的字典具有很大的依賴性，而且重建耗時較長。
發明內容
有鑒于此，本發明的目的是提出一種基于SAE字典學習和鄰域回歸的圖像超分辨率方法，一方面提高字典的特征表達能力，減小重建結果對字典的依賴性；另一方面融入鄰域回歸理論，提高重建速度。
本發明采用以下方案實現：一種基于SAE字典學習和鄰域回歸的圖像超分辨率方法，具體包括以下步驟：
針對字典學習模型SAE準備輸入數據，并進行字典的構造與訓練；
結合鄰域回歸理論和字典求解投影矩陣；
基于投影矩陣進行圖像重建，獲得高分辨率圖像。
進一步地，所述針對字典學習模型SAE準備輸入數據具體為：
將HR圖像樣本Ih進行下采樣,得到LR圖像Il，并將LR圖像上采樣得到中間圖像Im；
HR輸入數據準備：將HR圖像Ih與中間圖像Im相減，得到差值圖像Id，對差值圖像Id進行分塊與歸一化，作為HR輸入數據，記為m為 HR輸入數據的樣本數；
LR輸入數據準備：對中間圖像Im進行濾波，得到濾波圖像，再對濾波圖像進行歸一化和圖像分塊，并對濾波圖像塊進行降維，記為n為LR 輸入數據的樣本數；
將字典學習模型SAE的輸入數據表示為S＝[Sh,Sl]。
進一步地，在LR輸入數據準備時，采用主成分分析法PCA對濾波圖像塊進行降維。
進一步地，所述進行字典的構造與訓練具體為：
結合字典學習的需要，在SAE的代價函數中，采用平均絕對值誤差代替均方誤差，得到改進SAE字典學習模型；
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于廈門大學嘉庚學院，未經廈門大學嘉庚學院許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010670836.8/2.html，轉載請聲明來源鉆瓜專利網。
