一種基於高頻和中頻信息的圖像超解析度重建方法

2023-09-21 23:14:50 1

一種基於高頻和中頻信息的圖像超解析度重建方法
【專利摘要】本發明涉及一種基於高頻和中頻信息的圖像超解析度重建方法。本發明的步驟是：首先，計算圖像的高頻信息和中頻信息。圖像高頻為原高解析度圖像與低解析度插值放大後圖像之間的差值，圖像中頻為插值放大後的圖像與插值放大後且經低通濾波器輸出圖像之間的差值。其次，將圖像高頻信息和中頻信息作為訓練樣本對，採用廣義迭代收縮方法進行稀疏分解，獲得高、中頻分量字典對。最後，根據測試圖像對應的中頻信息和字典對獲得圖像高頻信息，結合測試圖像插值放大結果，經非局部相似性和反向迭代方法處理後獲得高解析度圖像。本發明只需根據測試圖像的中頻信息重構出高頻信息，並結合插值放大圖像即可重建出高解析度圖像，重建圖像具有銳化的邊緣結構。
【專利說明】一種基於高頻和中頻信息的圖像超解析度重建方法

【技術領域】
[0001] 本發明屬於圖像處理【技術領域】，涉及一種對圖像超解析度重建的方法，具體是一 種基於高頻和中頻信息的圖像超解析度重建方法。

【背景技術】
[0002] 圖像超解析度重建是指由輸入的一幅或者多幅同一場景的低解析度圖像重建得 到一幅高解析度圖像的方法，它充分利用已獲取的資源，與採用高性能硬體獲取高解析度 圖像方法相比，具有更低的成本，在視頻監控、醫學成像、高清視頻等各個領域有著廣泛的 應用前景。
[0003] 超解析度重建是一個典型的病態反問題，對於只有單幀低解析度圖像時，就轉變 成求解欠定方程的問題。傳統插值方法用於重建高解析度圖像，圖像的邊緣有鋸齒效應，為 了改善插值性能，出現帶方向的插值方法，沿著邊緣方向進行插值。為了重建視覺上令人滿 意的高解析度圖像，許多先驗知識被應用到超解析度重建中，正則化超解析度重建具有較 好的視覺效果，經典方法是全變分，該方法對於分段平滑的邊緣結構能取得較好的重建結 果，但是在一些細節上會出現過平滑現象，產生一定的模糊。近年來，受到壓縮感知的啟示， 信號的稀疏特性可以減少信號處理的複雜度。圖像可以被字典的原子展開成一個稀疏表達 式，其中典型的方法是通過學習獲得高低解析度字典，對於測試的低解析度圖像，求解其在 低解析度字典上的稀疏表示係數，再利用高解析度字典和該係數重構高解析度圖像，但是 該方法的重建圖像邊緣細節不夠豐富。


【發明內容】

[0004] 本發明的目的是提供一種有效的超解析度重建方法，以改善重建圖像質量，尤其 是圖像的邊緣結構。
[0005] 為解決上述問題，本發明提供的技術方案如下：
[0006] 首先，計算圖像的高頻信息和中頻信息。圖像高頻為原高解析度圖像與低解析度 插值放大後的圖像之間的差值，圖像中頻為插值放大後的圖像與插值放大後且經低通濾波 器輸出圖像之間的差值。其次，分別將圖像高頻信息和中頻信息作為訓練樣本對，然後採用 廣義迭代收縮方法進行稀疏分解，獲得高、中頻分量字典對。最後，根據測試圖像對應的中 頻信息和字典對獲得圖像高頻信息，結合測試圖像插值放大結果，經非局部相似性方法處 理後獲得高解析度圖像。
[0007] 下面給出該發明技術方案中的各個細節：
[0008] 步驟⑴計算圖像1?頻和中頻/[目息，具體是：
[0009] 將用於訓練的低解析度圖像Y經bicubic插值放大後得到圖像Xb，插值圖像Xb與 原始高解析度圖像X具有相同尺寸，圖像的高頻信息為原始高解析度圖像X與插值放大圖 像xb之間的差值，即x h = x-xb。插值放大圖像xb經低通濾波器Φ處理後得到低頻圖像， 低頻圖像與插值放大後圖像具有相同尺寸，圖像的中頻信息為插值放大圖像x b與低頻圖像

【權利要求】
1. 一種基於高頻和中頻信息的圖像超解析度方法，其特徵在於其包括以下步驟： 步驟（1)計算圖像高頻和中頻信息，具體是： 將用於訓練的低解析度圖像Y經bicubic插值放大後得到圖像Xb，插值圖像Xb與原始 高解析度圖像X具有相同尺寸，圖像的高頻信息為原始高解析度圖像X與插值放大圖像Xb 之間的差值，即xh = x-xb;插值放大圖像xb經低通濾波器φ處理後得到低頻圖像9Xb，低頻 圖像與插值放大後圖像具有相同尺寸，圖像的中頻信息為插值放大圖像xb與低頻圖像 之間的差值，即Xm = xb - 9Xb ; 步驟（2)獲得高、中頻字典對，具體如下： 訓練字典時，採用多樣的自然場景圖像作為訓練樣本圖像，提取訓練樣本圖像的高頻 信息Xh、中頻信息Xm並進行分塊，相鄰塊間重疊像素為《，並將獲得的高頻子塊和中頻子塊 作為訓練樣本對，訓練得到高頻、中頻字典； 訓練字典時，對輸入的高頻子塊和中頻子塊進行向量化，得到各自向量化的子塊樣本 集合，分別記為{χω}和{xmJ，其中χω表示高頻子塊，Xmi表示中頻子塊，i = 1，2…N，N為 子塊總數； 對中頻子塊樣本集合lxmi}進行篩選，將其中方差小於閾值Λ的子塊去除，然後從高頻 子塊樣本集中刪除對應子塊，獲得高、中頻子塊訓練樣本矩陣xh =[xhi,xh；!，·· 和Xm ，q是樣本子塊大小，隊為新的子塊總數； 高頻、中頻字典Dh、Dm訓練過程如下：
argmin -Da； ||^ +λ||α； ||ρ (1) jDh Dm a1 ,?=1,2·*·? , f
D e R2qXK, Dm e RqXK, Dh e RqXK ； (* = [(*,, (*2,..·，（^，…(^]，a i e RKX1, I I a J |p表示 a i 的 lp 範數，〇 彡 p 彡 l，i = 1，2... &;λ為約束係數； 迭代過程中，避免新生成的字典對D與前次生成的字典對D。有大的偏移，加入新的約 束項||D-DJ〖進行優化，μ為約束係數；新的字典對訓練可表示為：
arg min (2) {Dh Dm a, 4=1,2--^ 採用廣義迭代收縮法進行稀疏分解；並採用分步迭代法分別求解D和α，具體是： 1) 初始化；初始化D，循環次數k = 0,最大循環次數max, λ，μ，p ; 2) 當 k < max 時：
固定D，採用廣義迭代閾值法求解稀疏表示係數《 = [%，α2，···，％，…αΝι]; arg mir (3) ?i 固定α，求解字典對D ;
(4) 即 DT = (α ατ+μ ιΓι(Χεατ+μ^)Τ ; k = k+1，結束循環； 3)輸出 Dh、Dm; 步驟（3)重建高解析度圖像，具體是： 高解析度圖像重建算法如下： 輸入：低解析度圖像L，訓練得到的字典對Dh、Dm，約束係數η ; 1) 根據低解析度圖像獲得bicubic插值放大後圖像Hb並提取中頻Hm，採用與訓練階 段相同的分塊方式將H b和Hm分塊，相鄰子塊間重疊像素為w，獲得的子塊記為{hmihbi}，i = 1，2…Μ ; 2) 求解稀疏表示係數α，用廣義迭代收縮法進行稀疏分解；
(5) 3) 重建高頻子塊； hhi = 〇hα i (6) 4) 將高頻子塊結合插值放大後圖像Hb的子塊hbi，獲得對應的高解析度圖像塊，即為 hhi=hhi+hbi (7) 5) 根據高解析度圖像塊線性組合重建出高分辨圖像Η%用非局部相似性對H#進行約 束：
(8) 上式中，s為下採樣矩陣，I為單位矩陣，N為非局部相似性矩陣，η為約束係數，採用 梯度下降法求解01; 6) 對:^採用反向投影算法，重建出高解析度圖像Η; 輸出：高解析度圖像Η。
【文檔編號】G06T5/50GK104299193SQ201410514580
【公開日】2015年1月21日 申請日期:2014年9月29日 優先權日:2014年9月29日
【發明者】陳華華, 陳偉超, 郭春生 申請人:杭州電子科技大學