專利名稱:基于流形正則稀疏支撐回歸的單幀圖像超分辨率重建方法
技術領域:
本發(fā)明涉及圖像超分辨率領域,具體涉及一種基于流行正則稀疏支撐回歸的單幀圖像超分辨率重建方法。
背景技術:
隨著計算機網(wǎng)絡和攝影手持移動設備的發(fā)展,圖像和視頻越來越多的應用于我們的生活。然而,由于網(wǎng)絡帶寬和服務器存儲等問題的限制,我們所獲得的大多數(shù)圖像的分辨率和質量較低,遠遠不能滿足人們的需求。圖像超分辨率是一種可以利用圖像處理算法來提升低分辨率圖像細節(jié)信息的技術,它無需更高要求的硬件設備就可以為我們提供包含更多細節(jié)的高分辨率圖像。根據(jù)輸入低分辨率圖像的數(shù)目,超分辨率技術可以分成基于多幀圖像重建的超分辨率技術和基于單幀圖像學習的超分辨率這兩大類。在本發(fā)明中,我們關注于基于單幀圖像學習的超分辨率技術。它與基于多幀低分辨率圖像的超分辨率技術相比,擁有更廣泛的實用性和靈活性。Chang等人在文獻I (H.Chang, D.Yeung, and Y.Xiong.Super-resolution through neighbor embedding[A].1n Proc.1EEE CVPRj 04[C].Washington, 2004.275 - 282.)中提出了一種基于流形假設的局部線性嵌入技術,他們認為高低分辨率圖像塊所構成的流形空間具有相似局部幾何結構,高分辨率圖像塊可以由訓練集中K個最近鄰的高分辨率圖像塊進行線性組合得到。最近,Yang等人在文獻 2 (J.Yang, J.Wright, T.Huang, and Y.Ma, “Image super-resolution as sparserepresentation of raw image patches,,,in Proc.1EEE Conf.Comput.Vis.PatternRecognit.(CVPR), pp.1-8, 2008.)和文獻 3 (J.Yang, J.Wright, T.Huang, and Y.Ma.“Imagesuper-resolution via sparse representation, ” IEEE Trans.1mage Process,vol.19,n0.11,pp.2861 - 2873,2010.)中采用了稀疏編碼來進行圖像超分辨率,其具體做法是強制對應的高低分辨率圖像塊共享相同的稀疏表示:通過在正則化之前進行稀疏約束,低分辨率圖像塊被看作是一個過完備字典進行編碼,則得到稀疏表示系數(shù),使用此系數(shù)線性組合對應的高分辨率圖像塊即可完成圖像超分辨率重建。然而,高低分辨率圖像塊具有“相同的稀疏表示”這一潛在假設在實際情況下很難達到。Tang等人在文獻4 (Y.Tang, P.Yan, Y.Yuan, and X.Li, ^Single-1mage super-resolution via local learning,,,Int.J.Mach.Learn.&Cyber., vol.2, pp.15 - 23, 2011.)中提出一種局部學習回歸(LLR)的方法,同樣是從高低分辨率訓練集中選擇最近鄰的K個樣本點學習一種映射,但沒有考慮到圖像塊流形空間的幾何結構信息,然而該流形結構對于圖像的表示與分析是至關重要的。
發(fā)明內容
本發(fā)明目的是提供一種基于流形正則稀疏支撐回歸的單幀圖像超分辨率重建方法。
為達到上述目的,本發(fā)明采用的技術方案為一種基于流形正則稀疏支撐回歸的單幀圖像超分辨率重建方法,包括如下步驟:步驟1,構建高分辨率圖像塊訓練集和對應的低分辨率圖像塊訓練集,所述高分辨率圖像塊訓練集由多個高分辨率圖像塊構成,所述低分辨率圖像塊訓練集由相應的多個低分辨率圖像塊構成;將輸入低分辨率圖像劃分為若干個相互交疊的低分辨率圖像塊,大小與低分辨率圖像塊訓練集內低分辨率圖像塊相同;步驟2,對于輸入低分辨率圖像中每個低分辨率圖像塊,計算由低分辨率圖像塊訓練集作為低分辨率圖像塊字典進行稀疏重建的稀疏編碼系數(shù)及支撐集,得到與支撐集對應的高分辨率圖像塊支撐集和低分辨率圖像塊支撐集;步驟3,對于輸入低分辨率圖像中每個低分辨率圖像塊,構建高分辨率圖像塊支撐集內鄰域的相似矩陣W,并得到流形約束項;步驟4,對于輸入低分辨率圖像中每個低分辨率圖像塊,根據(jù)步驟3所得相似矩陣W,約束重建低分辨率圖像塊支撐集與對應高分辨率圖像塊支撐集之間的映射矩陣P ;步驟5,對于輸入低分辨率圖像中每個低分辨率圖像塊,根據(jù)步驟4所得映射矩陣P重建輸入對應的高分辨率圖像塊;求得輸入低分辨率圖像中所有低分辨率圖像塊對應的高分辨率圖像塊后,整合得到高分辨率圖像并輸出。而且,記步驟I所得高分辨率圖像塊訓練集為y = ,對應低分辨率圖像塊訓
練集為X = ,其中,A代表高分辨率圖像塊訓練集中第i個高分辨率圖像塊、Xi代表
低分辨率圖像塊訓練集中第i個低分辨率圖像塊,高分辨率圖像塊訓練集中高分辨率圖像塊的總個數(shù)和低分辨率圖像塊訓練集中低分辨率圖像塊的總個數(shù)都是N ;步驟2中,將輸入低分 辨率圖像劃分所得任一低分辨率圖像塊xt,通過低分辨率圖像塊訓練集X進行稀疏編碼,稀疏編碼系數(shù)通過下式獲得,
權利要求
1.一種基于流形正則稀疏支撐回歸的單幀圖像超分辨率重建方法,其特征在于,包括如下步驟: 步驟1,構建高分辨率圖像塊訓練集和對應的低分辨率圖像塊訓練集,所述高分辨率圖像塊訓練集由多個高分辨率圖像塊構成,所述低分辨率圖像塊訓練集由相應的多個低分辨率圖像塊構成;將輸入低分辨率圖像劃分為若干個相互交疊的低分辨率圖像塊,大小與低分辨率圖像塊訓練集內低分辨率圖像塊相同; 步驟2,對于輸入低分辨率圖像中每個低分辨率圖像塊,計算由低分辨率圖像塊訓練集作為低分辨率圖像塊字典進行稀疏重建的稀疏編碼系數(shù)及支撐集,得到與支撐集對應的高分辨率圖像塊支撐集和低分辨率圖像塊支撐集; 步驟3,對于輸入低分辨率圖像中每個低分辨率圖像塊,構建高分辨率圖像塊支撐集內鄰域的相似矩陣W,并得到流形約束項; 步驟4,對于輸入低分辨率圖像中每個低分辨率圖像塊,根據(jù)步驟3所得相似矩陣W,約束重建低分辨率圖像塊支撐集與對應高分辨率圖像塊支撐集之間的映射矩陣P ; 步驟5,對于輸入低分辨率 圖像中每個低分辨率圖像塊,根據(jù)步驟4所得映射矩陣P重建輸入對應的高分辨率圖像塊;求得輸入低分辨率圖像中所有低分辨率圖像塊對應的高分辨率圖像塊后,整合得到高分辨率圖像并輸出。
2.根據(jù)權利要求1所述基于流形正則稀疏支撐回歸的單幀圖像超分辨率重建方法,其特征在于: 記步驟I所得高分辨率圖像塊訓練集為Y = IylZl,對應低分辨率圖像塊訓練集為I = ,其中,Ii代表高分辨率圖像塊訓練集中第i個高分辨率圖像塊、Xi代表低分辨率圖像塊訓練集中第i個低分辨率圖像塊,高分辨率圖像塊訓練集中高分辨率圖像塊的總個數(shù)和低分辨率圖像塊訓練集中低分辨率圖像塊的總個數(shù)都是N ; 步驟2中,將輸入低分辨率圖像劃分所得任一低分辨率圖像塊xt,通過低分辨率圖像塊訓練集X進行稀疏編碼,稀疏編碼系數(shù)通過下式獲得, Θ= arg mi η |; - Xθ\2 + X11| 叫丨丨θ 其中,X1是編碼誤差和稀疏性之間的平衡參數(shù),Θ為長度為N的編碼系數(shù),MgfinU返回關于變量Θ的函數(shù)在得到最小值時Θ的取值& 支撐集S定義如下, S = siippoit (/9) 其中,纟表示稀疏編碼系數(shù),supportp)是稀疏編碼系數(shù)中非零元素的索引的集合,與支撐集S對應的高分辨率圖像塊集和低分辨率圖像塊集分別記為高分辨率圖像塊支撐集Ys=Iyi Ii e S}和低分辨率圖像塊支撐集Xs = {xji e s}; 步驟3中,將高分辨率圖像塊支撐集Ys中任一高分辨率圖像塊#看作構成鄰接矩陣圖G的一個頂點;連接任意兩個頂點Ji和Yj的邊的權值為wu,i的取值為1,2,...,K,j的取值為1,2,...,K,i古j,K是高分辨率圖像塊支撐集中圖像塊的個數(shù); 建立高分辨率圖像塊支撐集的相似矩陣W根據(jù)如下公式,
全文摘要
一種基于流形正則稀疏支撐回歸的單幀圖像超分辨率重建方法,建立高、低分辨率圖像塊集分別作為高、低分辨率圖像塊字典;將輸入低分辨率圖像劃分成為若干個圖像塊,對圖像塊用低分辨率圖像塊字典進行稀疏編碼并得到支撐集;計算高分辨率圖像塊支撐集的近鄰關系并保持到重建后的高分辨率圖像塊空間,學習由低分辨率圖像塊空間到高分辨率圖像塊空間的映射關系;利用此映射關系求得所有輸入低分辨率圖像塊對應的高分辨率圖像塊,并融合成高分辨率圖像。本發(fā)明提出流形正則稀疏支撐回歸表示模型,自適應的選擇稀疏表示的支撐集,并利用了支撐集中高分辨率圖像塊的流形結構來約束高分辨率圖像塊重建,因而得到更高質量的高分辨率圖像。
文檔編號G06T5/00GK103226818SQ201310147510
公開日2013年7月31日 申請日期2013年4月25日 優(yōu)先權日2013年4月25日
發(fā)明者胡瑞敏, 江俊君, 董小慧, 韓鎮(zhèn), 陳軍 申請人:武漢大學