基于字典學(xué)習(xí)和結(jié)構(gòu)聚類的圖像超分辨率重建方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于字典學(xué)習(xí)和結(jié)構(gòu)聚類的圖像超分辨率重建方法，主要解決現(xiàn)有技術(shù)重建圖像表面模糊，邊緣鋸齒化現(xiàn)象嚴(yán)重的問題。其實(shí)現(xiàn)步驟是：（1）采集訓(xùn)練樣本；（2）對訓(xùn)練樣本進(jìn)行結(jié)構(gòu)聚類；（3）利用OMP和K-SVD的方法訓(xùn)練得到各類的字典；（4）求出輸入的低分辨率圖像塊的稀疏表示系數(shù)；（5）利用高分辨率字典和稀疏系數(shù)重建高分辨率圖像塊；（6）對高分辨率圖像塊加權(quán)求和，得到加權(quán)求和后的高分辨率圖像塊；（7）根據(jù)高分辨率圖像塊，得到高分辨率圖像；（8）通過誤差補(bǔ)償，對高分辨率圖像進(jìn)行高頻信息增強(qiáng)，得到最終的結(jié)果。仿真實(shí)驗(yàn)表明，本發(fā)明專利技術(shù)具有圖像表面清晰，邊緣比較銳化的優(yōu)點(diǎn)，可用于圖像識(shí)別以及目標(biāo)分類。

【技術(shù)實(shí)現(xiàn)步驟摘要】

本專利技術(shù)屬于圖像處理
，涉及一種圖像的超分辨率重建方法，可用于各種自然圖像的超分辨率重建，并且對小噪聲有一定的抑制作用。
技術(shù)介紹
在實(shí)際應(yīng)用中，受成像系統(tǒng)物理分辨率限制，以及場景變化與天氣條件等諸多因素的影響，實(shí)際成像過程中往往存在光學(xué)與運(yùn)動(dòng)模糊、欠采樣和噪聲等退化因素，導(dǎo)致成像系統(tǒng)只能得到質(zhì)量較差、分辨率較低的圖像或圖像序列，通常滿足不了實(shí)際的應(yīng)用要求，這給后續(xù)的圖像處理、分析和理解帶來諸多困難，不利于人們正確地認(rèn)識(shí)客觀世界及其規(guī)律。解決這一問題一個(gè)實(shí)用而有效的方法就是圖像超分辨重建技術(shù)，其不需要昂貴的圖像獲取設(shè)備，只需要通過計(jì)算機(jī)軟件的處理就能夠獲得更高分辨率的圖像。一般說來，圖像超分辨技術(shù)主要分為三種類型:基于插值的方法、基于重構(gòu)的方法和基于學(xué)習(xí)的方法。其中:基于插值的方法，如最鄰近插值法和立方插值法，進(jìn)行超分辨率重建時(shí)會(huì)造成圖像表面比較模糊，高頻信息會(huì)丟失嚴(yán)重，尤其是邊緣鋸齒化現(xiàn)象明顯，嚴(yán)重影響圖像質(zhì)量。基于重建的方法由于人 為強(qiáng)加的圖像先驗(yàn)，導(dǎo)致高分辨圖像邊緣有鋸齒化現(xiàn)象出現(xiàn)，并且在高放大因子條件下重建圖像的質(zhì)量嚴(yán)重退化。這些圖像超分辨方法雖然存在過平滑、邊緣有鋸齒化現(xiàn)象等缺陷，但在技術(shù)上取得了一定突破，已經(jīng)趨于成熟并在電子圖像、互聯(lián)網(wǎng)視頻、數(shù)字電視等多個(gè)領(lǐng)域獲得廣泛應(yīng)用。近年來，隨著機(jī)器學(xué)習(xí)和壓縮感知理論的不斷發(fā)展，基于學(xué)習(xí)的圖像超分辨方法，是近年來由Freeman等人首先提出的一種圖像分辨方法，其內(nèi)容是通過馬爾科夫隨機(jī)場和先驗(yàn)知識(shí)來學(xué)習(xí)低分辨率圖像和高分辨率圖像之間的關(guān)系，然后重構(gòu)出高分辨圖像，但這種方法不能很好地保持高分辨圖像的高頻細(xì)節(jié)，并且計(jì)算復(fù)雜度較大，效率偏低。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的在于針對上述已有技術(shù)的不足，提出一種，以避免圖像超分辨率重建時(shí)，導(dǎo)致重建圖像的細(xì)節(jié)丟失嚴(yán)重以及圖像邊緣有振鈴現(xiàn)象。實(shí)現(xiàn)本專利技術(shù)的技術(shù)思路是:利用圖像結(jié)構(gòu)信息的不同，對訓(xùn)練樣本對進(jìn)行結(jié)構(gòu)聚類，并獲得各類的字典對包括低分辨率字典及其對應(yīng)的高分辨率字典，通過重建算法得到一幅高分辨率、高清晰的圖像。其具體步驟包括如下:(I)從樣本數(shù)據(jù)庫中采集訓(xùn)練樣本對M= [Mh ^1]，其中，Mh表示高分辨率樣本集，M1表示對應(yīng)的低分辨率樣本集；(2)對采集到的訓(xùn)練樣本對M進(jìn)行結(jié)構(gòu)聚類；(2a)按如下公式提取高分辨率樣本塊Mhz各個(gè)像素點(diǎn)的結(jié)構(gòu)特征值Yhz (j，k):本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于字典學(xué)習(xí)和結(jié)構(gòu)聚類的圖像超分辨率重建方法，包括如下步驟：（1）從樣本數(shù)據(jù)庫中采集訓(xùn)練樣本對M=[Mh;Ml]，其中，Mh表示高分辨率樣本集，Ml表示對應(yīng)的低分辨率樣本集；（2）對采集到的訓(xùn)練樣本對M進(jìn)行結(jié)構(gòu)聚類；（2a）按如下公式提取高分辨率樣本塊Mhz各個(gè)像素點(diǎn)的結(jié)構(gòu)特征值Yhz(j,k)：Yhz(j,k)=det(Cz)2πh2exp{-(x-xj,k)Cz(x-xj,k)T2h2},得到高分辨率樣本塊Mhz的結(jié)構(gòu)特征矩陣Yhz，其中，Mhz表示高分辨率樣本集Mh的第z個(gè)高分辨率樣本塊，Cz表示高分辨率樣本塊Mhz的梯度的協(xié)方差矩陣，x表示高分辨率樣本塊Mhz的中心像素點(diǎn)的位置坐標(biāo)，xj，k表示高分辨率樣本塊Mhz的像素點(diǎn)Mhz(j,k)的位置坐標(biāo)，h表示常量，det表示求矩陣的行列式，T表示矩陣的轉(zhuǎn)置，exp表示指數(shù)；（2b）根據(jù)步驟（2a）計(jì)算出高分辨率樣本集Mh的結(jié)構(gòu)特征矩陣Yh，利用KMEANS方法對結(jié)構(gòu)特征矩陣Yh進(jìn)行聚類，并聚成N類，其中，1≤N≤100；（3）利用正交匹配追蹤OMP算法和K?SVD的方法以及各類的訓(xùn)練樣本對Mi，求得字典對Di包括高分辨率字典Dhi及其低分辨率字典Dli，其中，Mi表示第i類的訓(xùn)練樣本對，1≤i≤N；（4）輸入一幅待處理的低分辨率圖像y，將低分辨率圖像y按照陣列式掃描方式，得到低分辨率圖像塊yp，其中，1≤p≤L，L表示圖像塊的數(shù)目，利用公式求解得到低分辨率圖像塊yp在低分辨率字典Dli下的稀疏表示系數(shù)βi，式中，表示向量的l2范數(shù)，||||1表示向量的l1范數(shù)，F(xiàn)表示特征提取因子，用來提取圖像的特征，λ表示正則項(xiàng)參數(shù)；（5）利用高分辨率字典Dhi及稀疏系數(shù)βi，重建得到高分辨率圖像塊Xpi=Dhiβi；（6）對高分辨率圖像塊Xpi加權(quán)求和，得到加權(quán)求和后的高分辨率圖像塊Xp；（7）按照矩陣式掃描方式依次將各個(gè)加權(quán)求和后的高分辨率圖像塊Xp放入各自對應(yīng)的圖像位置中，得到高分辨率圖像X；（8）對高分辨率圖像X，利用誤差補(bǔ)償，增強(qiáng)高頻信息，得到高頻信息增強(qiáng)后的高分辨圖像X*。FDA00002779831800012.jpg,FDA00002779831800013.jpg...

【技術(shù)特征摘要】
1.一種基于字典學(xué)習(xí)和結(jié)構(gòu)聚類的圖像超分辨率重建方法，包括如下步驟: (1)從樣本數(shù)據(jù)庫中采集訓(xùn)練樣本對M=[Mh; M1]，其中，Mh表示高分辨率樣本集,M1表示對應(yīng)的低分辨率樣本集； (2)對采集到的訓(xùn)練樣本對M進(jìn)行結(jié)構(gòu)聚類； (2a)按如下公式提取高分辨率樣本塊Mhz各個(gè)像素點(diǎn)的結(jié)構(gòu)特征值Yhz (j, k):2.根據(jù)權(quán)利I所述的基于字典學(xué)習(xí)和結(jié)構(gòu)聚類的圖像超分辨率重建方法，其特征在于:步驟(2a)中所述的提取高分辨率樣本塊Mhz各個(gè)像素點(diǎn)的結(jié)構(gòu)特征值Y...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張小華，焦李成，劉偉，馬文萍，馬晶晶，田小林，朱虎明，唐中和，
申請(專利權(quán))人：西安電子科技大學(xué)，
類型：發(fā)明
國別省市：