專利名稱：基于稀疏表示理論的超分辨率圖像獲取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域，涉及稀疏表示理論、壓縮感知理論及單張圖像實(shí)現(xiàn)圖像超分辨率方法，具體講涉及基于稀疏表示理論的超分辨率圖像獲取方法。
背景技術(shù)：
長期以來，通過低分辨圖像恢復(fù)到高分辨率圖像已在關(guān)鍵技術(shù)上取得了重要突破，已經(jīng)趨于成熟并在電子圖像、互聯(lián)網(wǎng)視頻、數(shù)字電視等多個領(lǐng)域獲得廣泛應(yīng)用。然而，傳統(tǒng)的方法做超分辨率圖像需要多張輸入圖像，或者通過單張圖像恢復(fù)得到的高分辨率圖像，分辨率也有待提高?；谙∈璞硎纠碚摰膱D像超分辨率方法則可達(dá)到更高的分辨率，并且只需要ー張輸入圖像。相關(guān)研究在近年來開始成為研究熱點(diǎn)?；谙∈璞硎纠碚摰膱D像超分辨率技術(shù)在高清圖像、高清度電視、視頻圖像高分辨率、遙感、醫(yī)學(xué)和安全監(jiān)控等領(lǐng)域有著廣泛應(yīng)用。國際上多所著名大學(xué)與研究機(jī)構(gòu)如伊利諾伊大學(xué)，牛津大學(xué)，香港理工大學(xué)，薩里大學(xué)，微軟研究院人工智能與機(jī)器人研究所等都在該領(lǐng)域有著深度的研究。現(xiàn)階段，基于稀疏理論的超分辨率技術(shù)由于非常依賴于構(gòu)造的過完備字典而難以獲得用戶滿意的超分辨率效果。其中，要得到細(xì)節(jié)更為豐富的字典，ー種方法是采用更多的訓(xùn)練圖像，但這樣會使字典的構(gòu)造時間耗費(fèi)巨大；另ー種方法是選擇某個相關(guān)圖像類作為構(gòu)造字典的訓(xùn)練圖像。伊利諾伊大學(xué)(Jianchao Yang, John Wright, Yi Ma, Thomas Huang,Wilburn B. Image Super-Resolution as Sparse Representation of Raw Image Patches.Proceedings of IEEE Conference on Computer Vision and Pattern Recognition，Washington, DC，USA, 2008. 23-28.)通過該方法實(shí)現(xiàn)了單張圖像基于稀疏理論的超分辨率放大。但是該方法得到的結(jié)果圖像質(zhì)量有待提高，該過程所需時間也有待縮短。

發(fā)明內(nèi)容
本發(fā)明g在解決克服現(xiàn)有技術(shù)的不足，提供一種節(jié)省時間等消耗，能得到高質(zhì)量圖象的圖像超分辨率獲取方法，本發(fā)明采取的技術(shù)方案是，基于稀疏表示理論的超分辨率圖像獲取方法，包括以下步驟I)對于輸入圖像，通過SIFT特征點(diǎn)提取和匹配的方法從圖像庫中選取特征點(diǎn)匹配最多的圖像構(gòu)造訓(xùn)練集；2)對訓(xùn)練集中的圖像和其下采樣得到的低分辨率圖像分別采樣取一定數(shù)量的補(bǔ)丁，并對其稀疏編碼構(gòu)造訓(xùn)練字典Dh和采樣訓(xùn)練字典D1 ；3)將訓(xùn)練得到的采樣訓(xùn)練字典D1作為稀疏化中的過完備字典，對輸入的低分辨率圖像進(jìn)行稀疏表示；4)依據(jù)壓縮感知理論中圖像恢復(fù)的理論，利用訓(xùn)練字典Dh和步驟3)中得到的稀疏解恢復(fù)得到高分辨率圖像。
SIFT特征點(diǎn)提取與特征點(diǎn)匹配的方法具體包括以下步驟11)通過SIFT算法計(jì)算提取輸入的低分辨率圖像的特征點(diǎn)；
12)對圖像庫里的每一幅圖像，分別計(jì)算提取其SIFT特征點(diǎn)；13)用SIFT特征點(diǎn)匹配算法，將步驟11)中低分辨率圖像的特征點(diǎn)和步驟12)中每一幅圖像的特征點(diǎn)進(jìn)行匹配，選取其中特征點(diǎn)匹配最多的幾幅圖像，以此構(gòu)造訓(xùn)練圖像集。對訓(xùn)練圖像采樣，并稀疏編碼，構(gòu)造訓(xùn)練字典Dh和采樣訓(xùn)練字典D1,具體方法包括以下步驟21)對訓(xùn)練集中的圖像進(jìn)行采樣一定數(shù)量的補(bǔ)丁，得到補(bǔ)丁集Xh= Ix1,
Xg， Xn};22)對訓(xùn)練集中的圖像下采樣得到對應(yīng)的低分辨率圖像，對其采樣一定數(shù)量的補(bǔ)丁，得到另ー補(bǔ)丁集 Y1= Iy1,12, ... yj ；23)分別對補(bǔ)丁集Xh和另ー補(bǔ)丁集Y1稀疏編碼，構(gòu)造字典訓(xùn)練字典Dh和采樣訓(xùn)練字典D1，方法為
權(quán)利要求
1.ー種基于稀疏表示理論的超分辨率圖像獲取方法，其特征是，包括以下步驟 1)對于輸入圖像，通過SIFT特征點(diǎn)提取和匹配的方法從圖像庫中選取特征點(diǎn)匹配最多的圖像構(gòu)造訓(xùn)練集； 2)對訓(xùn)練集中的圖像和其下采樣得到的低分辨率圖像分別采樣取一定數(shù)量的補(bǔ)丁，并對其稀疏編碼構(gòu)造訓(xùn)練字典Dh和采樣訓(xùn)練字典D1 ； 3)將訓(xùn)練得到的采樣訓(xùn)練字典D1作為稀疏化中的過完備字典，對輸入的低分辨率圖像進(jìn)行稀疏表示； 4)依據(jù)壓縮感知理論中圖像恢復(fù)的理論，利用訓(xùn)練字典Dh和步驟3)中得到的稀疏解恢復(fù)得到高分辨率圖像。
2.如權(quán)利要求I所述方法，其特征是，SIFT特征點(diǎn)提取與特征點(diǎn)匹配的方法具體包括以下步驟 11)通過SIFT算法計(jì)算提取輸入的低分辨率圖像的特征點(diǎn)； 12)對圖像庫里的每一幅圖像，分別計(jì)算提取其SIFT特征點(diǎn)； 13)用SIFT特征點(diǎn)匹配算法，將步驟11)中低分辨率圖像的特征點(diǎn)和步驟12)中每ー幅圖像的特征點(diǎn)進(jìn)行匹配，選取其中特征點(diǎn)匹配最多的幾幅圖像，以此構(gòu)造訓(xùn)練圖像集。
3.如權(quán)利要求I所述方法，其特征是，對訓(xùn)練圖像采樣，并稀疏編碼，構(gòu)造訓(xùn)練字典Dh和采樣訓(xùn)練字典D1，具體方法包括以下步驟21)對訓(xùn)練集中的圖像進(jìn)行采樣一定數(shù)量的補(bǔ)丁，得到補(bǔ)丁集Xh={Xl, X2,... xn}； 22)對訓(xùn)練集中的圖像下采樣得到對應(yīng)的低分辨率圖像，對其采樣一定數(shù)量的補(bǔ)丁，得到另ー補(bǔ)丁集 Y1 = (Y1, y2,... yn}； 23)分別對補(bǔ)丁集Xh和另ー補(bǔ)丁集Y1稀疏編碼，構(gòu)造字典訓(xùn)練字典Dh和采樣訓(xùn)練字典D1，方法為
4.如權(quán)利要求I所述方法，其特征是，對輸入的低分辨率圖像y通過以下方法進(jìn)行稀疏表不最終得到稀疏解a min (I a H1 s.t. || FD1CC-Fy |ほく s 其中，F(xiàn)為特征提取算子，用來提提供ー個a與y的接近程度的約束，s.t.表示使得——；滿足...，e為ー個極小的參數(shù)，表示可允許的差值范圍。
5.如權(quán)利要求I所述方法，其特征是，對步驟4)中得到的稀疏解a，用以下方法恢復(fù)得到高分辨圖像x = Dha。
全文摘要
本發(fā)明屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域。提供一種節(jié)省時間等消耗，能得到高質(zhì)量圖象的圖像超分辨率獲取方法，本發(fā)明采取的技術(shù)方案是，基于稀疏理論的超分辨率方法，通過選擇與輸入圖像SIFT特征點(diǎn)匹配最多的圖像作為構(gòu)建過完備字典的訓(xùn)練圖像集，訓(xùn)練得到細(xì)節(jié)更為豐富的字典，依據(jù)稀疏表示理論將低分辨率圖像進(jìn)行稀疏表示，依據(jù)壓縮感知理論從稀疏表示的低分辨率圖像恢復(fù)得到更高分辨率的圖像。本發(fā)明主要應(yīng)用于高分辨率的圖像的獲取。
文檔編號G06T5/50GK102629373SQ20121004587
公開日2012年8月8日 申請日期2012年2月27日 優(yōu)先權(quán)日2012年2月27日
發(fā)明者朱彥銘, 李坤, 江健民 申請人:天津大學(xué)