基於多尺度結構自相似與壓縮感知的單圖像超解析度方法
2023-10-06 00:55:19 2
專利名稱：基於多尺度結構自相似與壓縮感知的單圖像超解析度方法
技術領域：
本發明涉及一種基於多尺度結構自相似與壓縮感知的單圖像超解析度方法。
背景技術：
高解析度圖像能夠提供很多細節信息，因此在眾多領域中高解析度圖像的獲取具有重要意義。圖像解析度受成像平臺、成像設備製造工藝以及成本等多方面因素的影響具有一定的局限性，因此在實際應用中通常採用超解析度方法來提升圖像的空間解析度。超解析度方法利用信號處理方法，通過單幅或多幅低解析度圖像重構高解析度圖像。傳統的超解析度方法通常採用多幅低解析度圖像，利用它們之間的互補信息重構高解析度圖像，然而在眾多應用場合下同一時相、同一區域的多幅低解析度圖像通常無法獲取，這使得利用單幅低解析度圖像提升空間解析度成為目前超解析度技術中一個亟待解決的問題。超解析度方法將低解析度成像設備獲取圖像的過程看作由高解析度圖像退化為低解析度圖像的降質過程，在降質過程中高解析度圖像損失了一些細節信息。超解析度方法所要解決的問題對應於降質過程的逆過程，即通過低解析度圖像重構高解析度圖像，這一逆過程被稱為重構過程，而獲得的高解析度圖像被稱為高解析度重構圖像。在單幅圖像的超解析度方法中，只有一幅低解析度圖像可以利用，因此在重構過程中，需要加入附加信息以彌補降質過程中損失的細節信息。超解析度方法通常將附加信息作為正則化約束項加入到重構過程中，這使得超解析度問題轉換成為求解帶有約束項的最優化問題。基於壓縮感知的超解析度方法將圖像在特定字典下具有稀疏性這一附加信息作為約束項；基於結構自相似性的超解析度方法將圖像中廣泛存在自相似結構這一附加信息作為約束項。儘管這兩種方法取得了較好的超解析度重構效果，然而方法均存在各自的不足。基於壓縮感知的超解析度方法是在壓縮感知框架下完成的，這種方法利用圖像在特定字典下具有稀疏性這一先驗知識，將由大量高解析度圖像構成的圖像庫作為訓練樣本進行字典學習。字典的每一列稱為字典的一個元素，字典學習的過程是使樣本能夠表示為少數字典元素的線性組合。字典構建完成後，方法通過求解一個最優化問題獲取高解析度重構圖像。由於用於字典學習的樣本取自圖像庫，因此會帶來兩個問題首先，由於圖像內容多種多樣，為了使所有的圖像塊在訓練得到的字典下均具有較好的稀疏表示形式，用於構建字典的圖像庫必須具有較大的規模，這使得字典學習的過程很難得到收斂；另外，圖像庫未必能提供待處理低解析度圖像所需要的附加信息，雖然對於訓練樣本來說字典是最優的，但是對於某一特定的圖像塊而言這種全局字典既不是最優的也不是有效的。因此，全局字典所提供的附加信息可能是不準確的，這一點制約了現有基於壓縮感知的超解析度方法。基於結構自相似性的超解析度方法將圖像中廣泛存在的相似結構作為附加信息提升圖像的空間解析度。在這種方法中，由於附加信息來自圖像自身，因此是準確的，從而克服了基於壓縮感知的超解析度方法的不足。然而目前大多數基於結構自相似性的超解析度方法僅利用了同尺度自相似結構，而沒有利用不同尺度自相似結構，因此附加信息的獲取具有局限性；另外，方法在實現過程中需要在整幅圖像中搜索相似圖像塊，因此運算複雜度較高。
發明內容
為了克服上述現有技術的不足，本發明的目的在於提供一種基於多尺度結構自相似與壓縮感知的單圖像超解析度方法。為了實現上述目的，本發明採用的技術方案是基於多尺度結構自相似與壓縮感知的單圖像超解析度方法，包括如下步驟步驟1:設置高解析度重構圖像的初始估計值= 0，設置迭代中止的誤差e，迭代最大的次數Kmax;步驟2 :根據圖像的降質過程確定降採樣矩陣D和模糊矩陣H ；步驟3 :構建圖像金字塔，並將其作為K-SVD方法的訓練樣本建立字典Ψ ；步驟4 :按照Nonlocal方法在當前高解析度重構圖像中搜索具有相同尺度的相似圖像塊並確定權值矩陣B ；步驟5 :更新高解析度重構圖像的估計值
權利要求
1.基於多尺度結構自相似與壓縮感知的單圖像超解析度方法，包括如下步驟 步驟1:設置高解析度重構圖像的初始估計值iw，k = O，設置迭代中止的誤差e，迭代最大的次數Kmax ； 步驟2 :根據圖像的降質過程確定降採樣矩陣D和模糊矩陣H ； 步驟3 :構建圖像金字塔，並將其作為K-SVD方法的訓練樣本建立字典Ψ ； 步驟4 :按照Nonlocal方法在當前高解析度重構圖像中搜索具有相同尺度的相似圖像塊並確定權值矩陣B ； 步驟5 :更新高解析度重構圖像的估計值
2.根據權利要求1所述基於多尺度結構自相似與壓縮感知的單圖像超解析度方法，其特徵在於，所述步驟3中，圖像金字塔的構建過程是將低解析度圖像進行降採樣以及插值處理從而獲得一系列具有不同解析度的圖像。
全文摘要
基於多尺度結構自相似與壓縮感知的單圖像超解析度方法，先設置高解析度重構圖像的初始估計值，設置迭代中止的誤差，迭代最大的次數，根據圖像的降質過程確定降採樣矩陣和模糊矩陣，構建圖像金字塔，並將其作為K-SVD方法的訓練樣本建立字典；按照Nonlocal方法在當前高解析度重構圖像中搜索具有相同尺度的相似圖像塊並確定權值矩陣；更新高解析度重構圖像的估計值，更新稀疏表示係數，更新高解析度重構圖像的估計值；然後進行下一次迭代，直到連續兩步的高解析度重構圖像滿足相應要求或達到最大的迭代次數，本發明通過壓縮感知框架將蘊含在圖像多尺度自相似結構中的附加信息加入到高解析度重構圖像中，具有更高的運算效率。
文檔編號G06T5/00GK103020909SQ20121051958
公開日2013年4月3日 申請日期2012年12月6日 優先權日2012年12月6日
發明者潘宗序, 禹晶, 孫衛東 申請人:清華大學