圖像重建方法及裝置與流程

2023-05-08 07:01:38

本公開涉及圖像處理，具體地，涉及一種圖像重建方法及裝置。

背景技術：

圖像作為一種可視化的信息描述手段，是人們獲取信息的主要來源之一。而衡量一幅圖像的關鍵指標就是圖像解析度。圖像解析度是指一幅圖像所含的細節信息，細節信息越多，解析度就越高，此時從圖像中獲取的信息也就越多。但實際獲取的圖像中由於受到成像設備的限制和周圍環境的影響，會使實際得到圖像存在退化，無法滿足實際應用的需求。

圖像的高解析度重建即是一種提高圖像的解析度的技術。相關技術中，圖像高解析度重建主要採用基於頻域的方法或基於空域的方法。然而，利用這些方法進行圖像高解析度重建時，不僅重建效果不好，而且重建時間較長。

因此，現有技術存在缺陷，需要改進。

技術實現要素：

本公開的目的是提供一種圖像重建方法及裝置，以高效的實現圖像的高解析度重建。

為了實現上述目的，第一方面，本公開提供一種圖像重建方法，包括：

獲取待重建圖像；

將所述待重建圖像按照預設大小劃分為至少一個待重建圖像塊；

確定所述待重建圖像塊的灰度變化情況；

當所述待重建圖像塊的灰度變化情況滿足第一預設條件時，根據雙層字典訓練的字典對所述待重建圖像塊進行重建；

當所述待重建圖像塊的灰度變化情況滿足第二預設條件時，基於奇異值分解的迭代算法對所述待重建圖像塊進行重建。

可選的，所述確定所述待重建圖像塊的灰度變化情況的步驟包括：

獲取所述待重建圖像塊的灰度值的方差值；

將所述方差值與預設閾值進行比較，以確定所述灰度變化情況；

當所述方差值小於所述預設閾值時，所述待重建圖像塊的灰度變化情況滿足所述第一預設條件；

當所述方差值大於所述預設閾值時，所述待重建圖像塊的灰度變化情況滿足所述第二預設條件。

可選的，所述根據雙層字典訓練的字典對所述待重建圖像塊進行重建的步驟包括：

確定訓練庫，獲取訓練數據；所述訓練庫包括：預設數量的原始高分辨圖像和根據所述原始高解析度圖像獲取的低分辨圖像；

根據所述訓練數據，訓練得到主字典；

根據所述主字典、所述訓練數據和所述低解析度圖像，獲取殘留字典；

根據所述主字典，對所述待重建圖像塊進行第一階段重建；

根據所述殘留字典和所述第一階段重建得到的圖像，進行第二階段重建以得到所述待重建圖像塊的高解析度圖像。

可選的，所述訓練數據包括：利用所述原始高解析度圖像提取的高頻信息組成的圖像塊特徵向量和將所述低解析度圖像進行插值放大後得到的低解析度插值放大圖像進行濾波後得到的圖像特徵塊特徵向量。

可選的，所述方法還包括：

將各待重建圖像塊重建後得到的高解析度圖像進行合成得到所述待重建圖像的高解析度圖像。

第二方面，提供一種圖像重建裝置，包括：

獲取模塊，用於獲取待重建圖像；

圖像分塊模塊，用於將所述待重建圖像按照預設大小劃分為至少一個待重建圖像塊；

灰度變化確定模塊，用於確定所述待重建圖像塊的灰度變化情況；

第一重建模塊，用於當所述待重建圖像塊的灰度變化情況滿足第一預設條件時，根據雙層字典訓練的字典對所述待重建圖像塊進行重建；

第二重建模塊，用於當所述待重建圖像塊的灰度變化情況滿足第二預設條件時，基於奇異值分解的迭代算法對所述待重建圖像塊進行重建。

可選的，所述灰度變化確定模塊包括：

方差獲取子模塊，用於獲取所述待重建圖像塊的灰度值的方差值；

比較子模塊，用於將所述方差值與預設閾值進行比較，以確定所述灰度變化情況；

當所述方差值小於所述預設閾值時，所述待重建圖像塊的灰度變化情況滿足所述第一預設條件；

當所述方差值大於所述預設閾值時，所述待重建圖像塊的灰度變化情況滿足所述第二預設條件。

可選的，所述第一重建模塊包括：

訓練數據獲取子模塊，用於確定訓練庫，獲取訓練數據；所述訓練庫包括：預設數量的原始高分辨圖像和根據所述原始高解析度圖像獲取的低分辨圖像；

主字典獲取子模塊，用於根據所述訓練數據，訓練得到主字典；

殘留字典獲取子模塊，用於根據所述主字典、所述訓練數據和所述低解析度圖像，獲取殘留字典；

第一階段重建子模塊，用於根據所述主字典，對所述待重建圖像塊進行第一階段重建；

第二階段重建子模塊，用於根據所述殘留字典和所述第一階段重建得到的圖像，進行第二階段重建以得到所述待重建圖像塊的高解析度圖像。

可選的，所述訓練數據包括：利用所述原始高解析度圖像提取的高頻信息組成的圖像塊特徵向量和將所述低解析度圖像進行插值放大後得到的低解析度插值放大圖像進行濾波後得到的圖像特徵塊特徵向量。

可選的，所述裝置還包括：

合成模塊，用於將各待重建圖像塊重建後得到的高解析度圖像進行合成得到所述待重建圖像的高解析度圖像。

通過上述技術方案，在對待重建圖像進行高解析度重建時，對於灰度變化平緩的待重建圖像塊採用訓練的雙層字典求得的投影矩陣，以投影至高解析度圖像空間中，從而得到對應的高解析度圖像塊，減小圖像重建時間；對於邊緣細節較豐富的待重建圖像塊，採用基於SVD分解的迭代算法重建對應的高解析度圖像塊，達到較好的重建效果。既可取得較好的重建效果，還可節約重建時間。

本公開的其他特徵和優點將在隨後的具體實施方式部分予以詳細說明。

附圖說明

附圖是用來提供對本公開的進一步理解，並且構成說明書的一部分，與下面的具體實施方式一起用於解釋本公開，但並不構成對本公開的限制。在附圖中：

圖1是本公開一實施例的圖像重建方法的流程示意圖；

圖2是本公開一實施例的通過雙層字典訓練的字典獲取圖像塊的高解析度圖像的流程示意圖；

圖3是本公開一實施例的雙層字典訓練流程示意圖；

圖4是本公開一實施例的雙層字典重建圖像流程示意圖；

圖5是本公開一實施例的求解p範數最小化的流程示意圖；

圖6是本公開一實施例的cooling算法的流程示意圖；

圖7是本公開一實施例的圖像重建方法流程示意圖；

圖8a-圖8c為採用本公開實施例的圖像重建方法進行高分辨圖像重建的效果示意圖；

圖9是本公開一實施的圖像重建裝置的結構示意圖；

圖10是共公開根據一示例性實施例示出的一種用於終端的圖像重建裝置的框圖。

具體實施方式

以下結合附圖對本公開的具體實施方式進行詳細說明。應當理解的是，此處所描述的具體實施方式僅用於說明和解釋本公開，並不用於限制本公開。

參見圖1為本公開一實施例的圖像重建方法的流程示意圖。

在步驟S10中，獲取待重建圖像。

在本公開的實施例中，待重建圖像可為存儲的圖像(例如，拍攝後存儲的圖像，或通過網絡獲取的圖像等)，實時通過拍攝設備拍攝得到的圖像等。

在步驟S11中，將待重建圖像按照預設大小劃分為至少一個待重建圖像塊。

圖像分塊的預設大小可預先設置。在一個實施例中，根據圖像的重建效果確定圖像分塊的大小。在實際中，圖像分塊過小會導致需要圖像塊過多，導致圖像的重建質量降低。圖像塊過大，則不能很好的根據圖像塊的灰度情況選擇不同重建方法進行圖像重建，將會降低準確性。由此，在一個實施例中，可將圖像分塊的預設大小設為32像素×32像素或者64像素×64像素。

在步驟S12中，確定待重建圖像塊的灰度變化情況。待重建圖像塊的灰度變化情況可根據待重建圖像塊的灰度的方差值確定。也可通過統計圖像塊中的像素點的灰度值的方式確定。

在步驟S13中，當待重建圖像塊的灰度變化情況滿足第一預設條件時，根據雙層字典訓練的字典對待重建圖像塊進行重建；

當待重建圖像塊的灰度變化情況滿足第二預設條件時，基於奇異值分解的迭代算法對待重建圖像塊進行重建。

本公開實施例根據圖像塊的灰度變化情況，採用不同的方式獲取圖像塊的高分辨圖像。圖像塊的灰度變化平緩，例如，圖像塊的邊緣細節信息較少時，其灰度變化情況滿足第一預設條件；圖像塊的灰度變化快，例如，圖像塊的邊緣細節信息較豐富時，則其灰度變化情況滿足第二預設條件。

在一個實施例中，根據圖像塊的灰度值的方差值與預設閾值σ2確定該圖像塊的灰度變化情況是滿足第一預設條件還是第二預設條件。當圖像塊的灰度值的方差值小於預設閾值σ2時，則確定該圖像塊的灰度平滑、變化緩慢，根據雙層字典訓練的字典獲取該圖像塊的高解析度圖像。當圖像塊的灰度值的方差值大於預設閾值σ2時，則確定該圖像塊的細節信息比較豐富，基於奇異值分解(Singular Value Decomposition，SVD)的迭代算法進行重建，獲取該圖像塊的高解析度圖像。

根據雙層字典訓練的字典獲取該圖像塊的高解析度圖像時，將待重建圖像塊乘以投影矩陣，以將待重建圖像塊投影至高解析度圖像空間，得到對應的高解析度圖像塊。

在一個實施例中，本公開實施例的圖像重建方法還包括：將各待重建圖像塊重建後得到的高解析度圖像進行合成得到所述待重建圖像的高解析度圖像。

根據各待重建圖像塊的灰度變化情況，採用不同的方式獲得各待重建圖像塊的高解析度圖像，然後將各個高解析度圖像塊進行合成即可得到待重建圖像的高解析度圖像。這裡的合成，和步驟S11的分塊是相對應的。例如，採用32像素×32像素的方式進行分塊，則將這些32像素×32像素的圖像塊的高分辨圖像按序合成即可得到待重建圖像的高解析度圖像。

由此，通過本公開實施例的圖像重建方法，在對待重建圖像進行高解析度重建時，對於灰度變化平緩的待重建圖像塊採用訓練的雙層字典求得的投影矩陣，以投影至高解析度圖像空間中，從而得到對應的高解析度圖像塊，減小圖像重建時間；對於邊緣細節較豐富的待重建圖像塊，採用基於SVD分解的迭代算法重建對應的高解析度圖像塊，達到較好的重建效果。既可取得較好的重建效果，還可節約重建時間。

本公開的實施例中，本公開實施例中，當待重建圖像中的圖像塊的灰度變化情況滿足第二預設條件時，通過雙層字典訓練的字典獲取圖像塊的高解析度圖像。參見圖2，為本公開一實施例的通過雙層字典訓練的字典獲取圖像塊的高解析度圖像的流程示意圖。

通過雙層字典訓練的字典獲取圖像塊的高解析度圖像包括：訓練階段和重建階段。以下步驟S21-步驟S23屬於訓練階段，步驟S24-步驟S25屬於重建階段。

在步驟S21中，確定訓練庫，獲取訓練數據。

參見圖3，訓練庫包括：一張或多張圖像。這些圖像包括原始高解析度圖像HORG和低解析度圖像LLF，例如，訓練庫可包括4張解析度為512*512的原始高解析度圖像和一張解析度為256*256的低解析度圖像。

其中，低解析度圖像LLF可通過對高解析度圖像HORG進行下採樣(例如，間隔一個點取一個像素以降低圖像的解析度)、模糊(例如，採用高斯算子進行模糊操作，改變像素點的灰度值以降低圖像的解析度)等退化操作得到的。

在一個實施例中，為了提高準確性，訓練庫中的圖像包括邊緣信息較豐富的圖像。邊緣信息較豐富的圖像，即圖像的灰度變化大的圖像。

訓練數據的獲取：

對訓練庫中的圖像分別進行特徵提取，並分塊處理得到訓練數據其中，是利用原始高解析度圖像提取的高頻信息組成的圖像塊特徵向量。是將低解析度圖像進行插值放大後得到的低解析度插值放大圖像，採用如下式(1)所示的一階濾波器和二階濾波器提取特徵得到的圖像塊特徵向量。

f1＝[0,0,1,0,0,-1],f2＝f1T

f3＝[1，0,0,-2,0,0,1],f4＝f3T (1)

在一個實施例中，可通過原始高解析度圖像與相減得到

即訓練數據包括：利用高解析度圖像提取的高頻信息組成的圖像塊特徵向量和將低解析度圖像進行插值放大後得到的低解析度插值放大圖像，採用式(1)所示的一階濾波器和二階濾波器提取特徵得到的圖像塊特徵向量圖3中的主字典訓練高解析度圖像HHF即為主字典訓練低解析度圖像HLF即為

在步驟S22中，根據訓練數據，訓練得到主字典。主字典包括主低頻字典LMD和主高頻字典HMD。

其中，對於訓練數據中的圖像塊特徵向量採用K-SVD算法進行字典訓練，得到主低頻字典LMD，即：

式(2)中，{qk}k為稀疏表示向量，||·||0表示L0範數。

基於訓練數據中的圖像塊特徵向量由於則主高頻字典可以通過優化下式(3)得到。

其中，矩陣Ph和Q分別表示和{qk}k的集合，即Q＝{qk}k，採用廣義逆矩陣的方法求解。優化後，主高頻字典HMD如式(4)所示。

HMD＝PhQ+＝PhQT(QQT)-1 (4)

在步驟S23中，根據主字典、訓練數據和低解析度圖像，獲取殘留字典。

在本公開的實施例中，通過殘留字典的訓練可加強高解析度圖像的重建效果。

利用主字典{LMD,HMD}對主字典訓練高解析度圖像HHF(即)進行圖像重建，得到重建主高頻圖像HMHF，並將得到的圖像HMHF作為第二層殘留字典訓練的輸入，同主字典訓練過程類似，得到殘留字典{LRD,HRD}。參見圖3，將圖像HMHF與主字典訓練高解析度圖像HHF(即)相減得到殘留字典訓練高解析度圖像HRHF。將圖像HMHF與低解析度圖像LLF相加得到殘留字典訓練低解析度圖像HTMP。

由此，根據殘留字典訓練高解析度圖像HRHF和殘留字典訓練低解析度圖像HTMP進行訓練得到殘留字典{LRD,HRD}。應理解，訓練時可採用式2和式3所示的方法進行訓練。

在步驟S24中，根據主字典，對待重建圖像進行第一階段重建。

參見圖4，待重建圖像為低解析度圖像LINPUT。在進行第一階段圖像重建時，對輸入的待重建的低解析度圖像進行插值放大並採用濾波器進行濾波，並提取重疊圖像塊的特徵集合(即圖6中的主字典訓練低解析度圖像HLF)。濾波器可採用式(1)所示的濾波器。提取重疊圖像塊的特徵集合，是為了防止邊緣像素的誤差。一般的重疊像素越多越好，但是考慮運算量，可以將重疊的像素設置在一定的範圍內，例如，將重疊的像素塊設置為9*9個像素。

利用主字典{LMD,HMD}，根據式(5)，對主字典訓練低解析度圖像HLF進行協同表示，以得到重建主高頻圖像HMHF。

其中，Dl為低解析度字典，即為該主字典中的LMD，參數λ用於平衡公式的仿真項和稀疏項，y即主字典訓練低解析度圖像HLF。

根據式(5)可得：

α＝(DlTDl+λI)-1DlTy (6)

在一個實施例中，高解析度圖像塊可以直接將稀疏係數與高解析度字典映射到高解析度空間中，即：

x＝Dhα (7)

其中，x為輸出的高解析度圖像，Dh為於低解析度字典對應的高解析度字典，即為主字典中對應的HMD。

根據式(6)和(7)可得到，輸出的高解析度圖像x可由式(8)表示。

x＝Dh(DlTDl+λI)-1DlTy (8)

參見圖4，根據重建主高頻圖像HMHF和主字典訓練低解析度圖像HLF相加得到高解析度圖像，其為第一階段重建輸出的高解析度圖像。

根據式(8)即可得到低解析度圖像到高解析度圖像的投影矩陣PG，其由式(9)表示。

PG＝Dh(DlTDl+λI)-1DlT (9)

其中，PG為投影矩陣。主字典中的HMD和LMD是訓練獲得的，I是單位矩陣。由此，投影矩陣可以離線計算。由此，直接將低解析度特徵向量plk乘以該投影矩陣，得到對應的高解析度圖像塊，從而大大減小高解析度圖像重建時間。

在步驟S25中，根據殘留字典和第一階段重建得到的高分辨圖像，對待重建圖像進行第二階段重建。

參見圖4，根據重建主高頻圖像HMHF和主字典訓練低解析度圖像HLF相加得到殘留字典訓練低解析度圖像HTMP。

將第一階段重建得到的圖像作為第二階段重建的輸入。第二階段重建過程和第一階段重建過程類似，即可根據式5到式8所示的公式，僅是將主字典換為殘留字典，將主字典訓練低解析度圖像HLF替換為殘留字典訓練低解析度圖像HTMP。參見圖4，根據殘留字典{LRD,HRD}和殘留字典訓練低解析度圖像HTMP得到殘留字典訓練高解析度圖像HRHF，然後將殘留字典訓練高解析度圖像HRHF與殘留字典訓練低解析度圖像HTMP相加得到高分辨圖像HEST，該高解析度圖像HEST即為待重建圖像的高分辨圖像。

利用雙層字典的學習方法訓練得到的字典(主字典和殘留字典)求取投影矩陣PG，將待重建的低解析度圖像根據投影矩陣直接投影到高解析度圖像空間得到高解析度圖像，具有重建時間短，重建過程簡單的效果。

本公開的實施例中，本公開實施例中，當待重建圖像中的圖像塊的灰度變化情況滿足第二預設條件時，基於SVD分解的迭代算法進行圖像重建。

奇異值分解(SVD)作為一種重要的矩陣分解方法，可利用圖像的非滿秩性來壓縮大量數據。對待重建圖像x以矩陣X表示，其SVD分解定義為：

X＝USXV′ (10)

其中，U和V是標準正交基矩陣，SX為一對角線矩陣，公式(10)為一個對X有效的稀疏表示方法，可以通過捨棄一些數值相對較小的奇異值來近似。最優問題可轉換為使待重建圖像的秩達到最小。

minimize：rank(X)s.t.||y-Fx||2＜ε (11)

其中，X為待重建圖像x的矩陣形式，而F則為待重建圖像x的觀測矩陣。觀測矩陣，可通過對待重建圖像進行模糊或下採樣等操作獲得。式(11)可表示為：

min||X||*s.t.||y-Fx||2≤ε (12)

其中，||X||*為X的核範數，定義為奇異值之和，由於通常，lp範數(0<p<1)能夠比l1範數取得較好的效果。類似的，本公開實施例採用lp範數來代替l1範數進行估計，即：

此時，式(13)的優化問題轉換為：

min||X||p,0＜p＜1s.t.||y-Fx||2≤ε (14)

求解時設目標函數為J(x)：

J(x)＝min||y-Fx||2+λ||X||p (15)

其中，參數λ是平衡目標函數中稀疏項和保真項。將J(x)最小化則可得最優解：

迭代閾值算法是一種簡單而有效的稀疏表示圖像重建方法，該算法能夠直接消除由K空間下採樣所帶來的偽影，有重建效果好，自由參數少的特點。

參見圖5為本公開一實施例的求解p範數最小化的流程示意圖。本公開實施例採用一種Majumdar的基於SVD分解的一階迭代算法，對公式(14)求解p範數最小化，其包括以下步驟：

在步驟S51中，設xk＝xk-1+FT(y-Fxk-1)。

在步驟S52中，對矩陣xk進行轉換塑造為要重建的矩陣Xk。

在步驟S53中，對Xk進行SVD分解，即Xk＝U∑VT。

在步驟S54中，利用步驟S653分解的奇異值進行軟閾值求解更新所得的奇異值

在步驟S55中，根據步驟S54獲得的奇異值，求解Xk+1，Xk+1＝U∑VT，將Xk+1向量化為xk+1。

在步驟S56中，更新迭代次數，即令k＝k+1，並返回步驟S51。

為解決式(14)的優化問題，本公開實施例採用Cooling算法。該算法為參數ε和λ建立了聯繫，該算法包括了兩個循環，內循環的目標是當λ固定時，求解式(15)最小值，其終止函數為：

當終止函數小於迭代終止值時，內循環終止。外循環操作則主要是根據衰減因子DecFac，縮小λ的值。當不再滿足||y-Fx||2＞ε，外循環終止。

參見圖6，本公開實施例的cooling算法包括以下步驟：

在步驟S61中，進行初始化。令稀疏係數向量為x0＝0，λ＜max(FTx)，迭代次數t＝1，分別設定迭代終止值Tol和ε，以及衰減因子DecFac。

在步驟S62中，利用式(15)計算出當前迭代的目標函數並根據上述基於SVD分解的一階迭代算法最小化Jk。

在步驟S63中，為下一次迭代計算新的目標函數

在步驟S64中，更新迭代次數t＝t+1。

在步驟S65中，比較終止函數與迭代終止值Tol的大小，若函數大於或者等於Tol時，返回至步驟S63，否則繼續執行。

在步驟S66中，根據初始化的衰減因子DecFac，縮小λ的大小。

在步驟S67中，判斷||y-Fx||2與ε的大小，若是||y-Fx||2＞ε，返回步驟S63，否則停止迭代。

基於SVD分解的迭代算法針對小尺寸的圖像擴大有很好的圖像重建效果。

參見圖7，本公開實施例的圖像重建方法，對待重建的低解析度圖像根據設定的圖像塊分塊大小進行分塊處理，求得各個圖像塊的方差特徵值。將求得的各個圖像塊的方差值與設定的圖像方差閾值做判斷。如果方差值小於閾值，則判定該圖像塊灰度平滑、變化緩慢，直接將待重建低解析度圖像塊乘以投影矩陣投影至高解析度圖像空間得到對應的高解析度圖像塊(即採用雙層字典法)，反之，方差值大於閾值，則認為該圖像塊細節信息比較豐富，採用基於奇異值分解(Singular Value Decomposition，SVD)的迭代算法重建圖像。由於雙層字典法的重建時間快，而基於奇異值分解的方法重建效果好，因此，本公開實施例的圖像重建方法可達到降低算法所需時間的目的可平衡重建時間和重建效果，使圖像高解析度重建的性能達到最優的結果。

參見圖8a-圖8c為採用本公開實施例的圖像重建方法進行高分辨圖像重建的效果示意圖。其中，圖8a是原始高解析度圖像(作為訓練庫)，圖8b是低解析度圖像，圖8c是重建後的高解析度圖像。

參見圖9為本公開實施的圖像重建裝置的結構示意圖。該圖像重建裝置900包括：

獲取模塊901，用於獲取待重建圖像；

圖像分塊模塊902，用於將所述待重建圖像按照預設大小劃分為至少一個待重建圖像塊；

灰度變化確定模塊903用於確定所述待重建圖像塊的灰度變化情況；

第一重建模塊904，用於當所述待重建圖像塊的灰度變化情況滿足第一預設條件時，根據雙層字典訓練的字典對所述待重建圖像塊進行重建；

第二重建模塊905，用於當所述待重建圖像塊的灰度變化情況滿足第二預設條件時，基於奇異值分解的迭代算法對所述待重建圖像塊進行重建。

在一個實施例中，灰度變化確定模塊903包括：

方差獲取子模塊9031，用於獲取所述待重建圖像塊的灰度值的方差值；

比較子模塊9032，用於將所述方差值與預設閾值進行比較，以確定所述灰度變化情況；

當所述方差值小於所述預設閾值時，所述待重建圖像塊的灰度變化情況滿足所述第一預設條件；

當所述方差值大於所述預設閾值時，所述待重建圖像塊的灰度變化情況滿足所述第二預設條件。

在一個實施例中，第一重建模塊904包括：

訓練數據獲取子模塊9041，用於確定訓練庫，獲取訓練數據；所述訓練庫包括：預設數量的原始高分辨圖像和根據所述原始高解析度圖像獲取的低分辨圖像；

主字典獲取子模塊9042，用於根據所述訓練數據，訓練得到主字典；

殘留字典獲取子模塊9043，用於根據所述主字典、所述訓練數據和所述低解析度圖像，獲取殘留字典；

第一階段重建子模塊9044，用於根據所述主字典，對所述待重建圖像塊進行第一階段重建；

第二階段重建子模塊9045，用於根據所述殘留字典和所述第一階段重建得到的圖像，進行第二階段重建以得到所述待重建圖像塊的高解析度圖像。

在一個實施例中，訓練數據包括：利用所述原始高解析度圖像提取的高頻信息組成的圖像塊特徵向量和將所述低解析度圖像進行插值放大後得到的低解析度插值放大圖像進行濾波後得到的圖像特徵塊特徵向量。

在一個實施例中，裝置900還包括：

合成模塊906，用於將各待重建圖像塊重建後得到的高解析度圖像進行合成得到所述待重建圖像的高解析度圖像。

關於上述實施例中的裝置，其中各個模塊執行操作的具體方式已經在有關該方法的實施例中進行了詳細描述，此處將不做詳細闡述說明。

圖10是根據一示例性實施例示出的一種用於終端的圖像重建裝置100的框圖，該裝置100可以是移動終端。如圖10所示，該裝置100可以包括：處理器1001，存儲器1002，多媒體組件1003，輸入/輸出(I/O)接口1004，通信組件1005以及視頻拍攝組件1006。

其中，處理器1001用於控制該裝置100的整體操作，以完成上述的用於終端的圖像重建方法中的全部或部分步驟。存儲器1002用於存儲各種類型的數據以支持在該裝置100的操作，這些數據的例如可以包括用於在該裝置100上操作的任何應用程式或方法的指令，以及應用程式相關的數據，例如聯繫人數據、收發的消息、圖片、音頻、視頻等等。該存儲器1002可以由任何類型的易失性或非易失性存儲設備或者它們的組合實現，例如靜態隨機存取存儲器(Static Random Access Memory，簡稱SRAM)，電可擦除可編程只讀存儲器(Electrically Erasable Programmable Read-Only Memory，簡稱EEPROM)，可擦除可編程只讀存儲器(Erasable Programmable Read-Only Memory，簡稱EPROM)，可編程只讀存儲器(Programmable Read-Only Memory，簡稱PROM)，只讀存儲器(Read-Only Memory，簡稱ROM)，磁存儲器，快閃記憶體，磁碟或光碟。

多媒體組件1003可以包括屏幕和音頻組件。其中屏幕例如可以是觸控螢幕，音頻組件用於輸出和/或輸入音頻信號。例如，音頻組件可以包括一個麥克風，麥克風用於接收外部音頻信號。所接收的音頻信號可以被進一步存儲在存儲器1002或通過通信組件1005發送。音頻組件還包括至少一個揚聲器，用於輸出音頻信號。I/O接口1004為處理器1001和其他接口模塊之間提供接口，上述其他接口模塊可以是鍵盤，滑鼠，按鈕等。這些按鈕可以是虛擬按鈕或者實體按鈕。

通信組件1005用於該裝置100與其他設備之間進行有線或無線通信。無線通信，例如Wi-Fi，藍牙，近場通信(Near Field Communication，簡稱NFC)，2G、3G或4G，或它們中的一種或幾種的組合，因此相應的該通信組件1005可以包括：Wi-Fi模塊，藍牙模塊，NFC模塊。

視頻拍攝組件1006可包括攝像頭、信號處理等模塊，用於採集圖像。

在本公開的實施例中，待重建圖像可為通過視頻拍攝組件1006拍攝採集的圖像，也可為通過通信組件1005從網絡伺服器或其它終端設備處獲取的圖像。

在一示例性實施例中，裝置100可以被一個或多個應用專用集成電路(Application Specific Integrated Circuit，簡稱ASIC)、數位訊號處理器(Digital Signal Processor，簡稱DSP)、數位訊號處理設備(Digital Signal Processing Device，簡稱DSPD)、可編程邏輯器件(Programmable Logic Device，簡稱PLD)、現場可編程門陣列(Field Programmable Gate Array，簡稱FPGA)、控制器、微控制器、微處理器或其他電子元件實現，用於執行上述的用於終端的圖像重建方法。

在另一示例性實施例中，還提供了一種包括指令的非臨時性計算機可讀存儲介質，例如包括指令的存儲器1002，上述指令可由裝置100的處理器10101執行以完成上述的用於終端的圖像重建方法。示例地，該非臨時性計算機可讀存儲介質可以是ROM、隨機存取存儲器(Random Access Memory，簡稱RAM)、CD-ROM、磁帶、軟盤和光數據存儲設備等。

本公開實施例的圖像重建方法及裝置，根據圖像塊的方差值，不同灰度變化的不同選擇不同的圖像重建方法，綜合圖像的重建時間和圖像重建效果的性能指標，在保障重建高解析度圖像質量的情況下，能較大程度地降低重建圖像所需的時間。

流程圖中或在本公開的實施例中以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個或更多個用於實現特定邏輯功能或過程的步驟的可執行指令的代碼的模塊、片段或部分，並且本公開實施方式的範圍包括另外的實現，其中可以不按所示出或討論的順序，包括根據所涉及的功能按基本同時的方式或按相反的順序，來執行功能，這應被本公開的實施例所述技術領域的技術人員所理解。

以上結合附圖詳細描述了本公開的優選實施方式，但是，本公開並不限於上述實施方式中的具體細節，在本公開的技術構思範圍內，可以對本公開的技術方案進行多種簡單變型，這些簡單變型均屬於本公開的保護範圍。

另外需要說明的是，在上述具體實施方式中所描述的各個具體技術特徵，在不矛盾的情況下，可以通過任何合適的方式進行組合，為了避免不必要的重複，本公開對各種可能的組合方式不再另行說明。

此外，本公開的各種不同的實施方式之間也可以進行任意組合，只要其不違背本公開的思想，其同樣應當視為本公開所公開的內容。