主权项 |
一种基于局部回归模型的图像超分辨率重建方法,其特征在于,包括如下步骤,步骤1:读入待重建低分辨率图像X<sub>0</sub>,放大因子s;步骤2:对X<sub>0</sub>高斯低通滤波得到其低频带图像Y<sub>0</sub>,对X<sub>0</sub>双立方插值近似输出高分辨率图像的低频带图像Y;步骤3:对Y划分成互相重叠的大小为a×a的图像块y;步骤4:根据步骤3得到的图像块y的位置(i,j)找到其在Y<sub>0</sub>中的对应位(i<sub>r</sub>,j<sub>r</sub>),其中<img file="FDA0000872036480000011.GIF" wi="790" he="87" />得到y在Y<sub>0</sub>和X<sub>0</sub>中的对应位相似样本块对{y<sub>0</sub>,x<sub>0</sub>};步骤5:由一阶局部回归模型计算步骤3得到的图像块y的高分辨率图像块x,公式如下:<math><![CDATA[<mrow><mtable><mtr><mtd><mrow><mi>x</mi><mo>=</mo><mi>f</mi><mrow><mo>(</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><mi>f</mi><mrow><mo>(</mo><mrow><msub><mi>y</mi><mn>0</mn></msub><mo>+</mo><mi>y</mi><mo>-</mo><msub><mi>y</mi><mn>0</mn></msub></mrow><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mrow><mo>=</mo><mi>f</mi><mrow><mo>(</mo><msub><mi>y</mi><mn>0</mn></msub><mo>)</mo></mrow><mo>+</mo><mo>▿</mo><msup><mi>f</mi><mi>T</mi></msup><mrow><mo>(</mo><msub><mi>y</mi><mn>0</mn></msub><mo>)</mo></mrow><mrow><mo>(</mo><mrow><mi>y</mi><mo>-</mo><msub><mi>y</mi><mn>0</mn></msub></mrow><mo>)</mo></mrow><mo>+</mo><mi>O</mi><mrow><mo>{</mo><mrow><mo>|</mo><mo>|</mo><mi>y</mi><mo>-</mo><msub><mi>y</mi><mn>0</mn></msub><mo>|</mo><msubsup><mo>|</mo><mn>2</mn><mn>2</mn></msubsup></mrow><mo>}</mo></mrow></mrow></mtd></mtr><mtr><mtd><mrow><mo>≈</mo><msub><mi>x</mi><mn>0</mn></msub><mo>+</mo><mo>▿</mo><msup><mi>f</mi><mi>T</mi></msup><mrow><mo>(</mo><msub><mi>y</mi><mn>0</mn></msub><mo>)</mo></mrow><mrow><mo>(</mo><mrow><mi>y</mi><mo>-</mo><msub><mi>y</mi><mn>0</mn></msub></mrow><mo>)</mo></mrow></mrow></mtd></mtr></mtable><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000872036480000012.GIF" wi="1486" he="359" /></maths>步骤6:计算步骤3得到的图像块y的非局部自相似块的对应位相似样本块对组<img file="FDA0000872036480000013.GIF" wi="254" he="111" />分别执行步骤5,将计算结果加权求和,公式如下:<math><![CDATA[<mrow><mi>x</mi><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>p</mi><mo>=</mo><mn>1</mn></mrow><mi>J</mi></munderover><mrow><mo>(</mo><msubsup><mi>x</mi><mn>0</mn><mi>p</mi></msubsup><mo>+</mo><mo>▿</mo><msup><mi>f</mi><mi>T</mi></msup><mo>(</mo><msubsup><mi>y</mi><mn>0</mn><mi>p</mi></msubsup><mo>)</mo><mo>(</mo><mrow><mi>y</mi><mo>-</mo><msubsup><mi>y</mi><mn>0</mn><mi>p</mi></msubsup></mrow><mo>)</mo><mo>)</mo></mrow><msub><mi>w</mi><mi>p</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000872036480000014.GIF" wi="1397" he="181" /></maths>权值w<sub>p</sub>可通过共轭梯度法求解下列公式得到:<img file="FDA0000872036480000015.GIF" wi="1349" he="127" />其中,<img file="FDA0000872036480000016.GIF" wi="517" he="110" />w=[w<sub>1</sub>,w<sub>2</sub>,...w<sub>p</sub>,...w<sub>J</sub>];步骤7:对所有像素重叠的高分辨率图像块x叠加平均,得到高分辨率图像X。 |