基于字典学和结构相似的图像超分辨率重建方法

摘要

本发明公开了一种基于字典学和结构相似的图像超分辨率重建方法，主要解决现有技术重建图像表面模糊，边缘锯齿化现象严重的问题。其实现步骤是：（1）采集训练样本对；（2）利用结构相似SSIM和K-SVD方法学一对高低分辨率字典；（3）求出输入的低分辨率图像块的稀疏表示系数；（4）利用高分辨率字典和稀疏系数，重建高分辨率图像块X_i；（5）融合高分辨率图像块X_i，得到信息融合后的高分辨图像X′_i；（6）根据高分辨图像X′_i，得到高分辨率图像X；（7）通过误差补偿对高分辨图像X进行高频信息增强，得到高频信息增强后的高分辨率图像。仿真实验表明，本发明具有图像表面清晰，边缘比较锐化的优点，可用于图像识别以及目标分类。

主权项

1.一种基于字典学习和结构相似的图像超分辨率重建方法，包括如下步骤： （1）从样本数据库中采集训练样本对M=[M_h;M_l]=[m₁，...,m_num]，其中，M_h表示高分辨率样本块，M_l表示对应的低分辨率样本块，m_p表示M的第p列，1≤p≤num，num表示样本对的数目； （2）利用结构相似SSIM和K-SVD的方法，训练步骤（1）的训练样本对M，求得字典D₁： (2a)初始字典D； （2b）利用结构相似SSIM求解训练样本对m_p在字典D下的稀疏表示系数α_p，其公式如下： 其中，λ₁表示正则项参数，||||₀表示向量的l₀范数，S(m_p,Dα_p)用来度量m_p和Dα_p的结构相似性； （2c）根据步骤（2b）分别求解训练样本对M各列向量在字典D下的稀疏表示系数，得到训练样本对M的稀疏系数α=[α₁，...,α_num]； （2d）利用K-SVD的方法，按如下公式更新冗余字典D，并得到更新后的字典D₁： 其中，D₁=[D_h;D_l]，D_h表示高分辨率字典，D_l表示对应的低分辨率字典； （3）输入一幅待处理的低分辨率图像y，将低分辨率图像y按照阵列式扫描方式，得到低分辨率图像块y_i，其中，1≤i≤L，L表示图像块的数目，利用公式求解得到低分辨图像块y_i在低分辨率字典D_l下的稀疏表示系数β，式中，表示向量的l₂范数，||||₁表示向量的l₁范数，F表示特征提取算子，用来提取图像块的特征，λ₃表示正则项参数；（4）利用高分辨率字典D_h及稀疏系数β，重建得到高分辨率图像块X_i=D_hβ； （5）利用如下公式对高分辨率图像块X_i，进行信息融合，得到信息融合后的高分辨率图像X′_i： 其中，Z₁表示对低分辨率图像块y₁的插值图像，S(Z₁,X′_i)表示Z₁和X′_i的结构相似性，S(X_i,X′_i)表示X_i和X′_i的结构相似性，λ₄表示正则项参数； （6）按照阵列式扫描方式依次将各个信息融合后的高分辨率图像块X′_i放入各自对应的图像位置中，得到高分辨率图像X； （7）对高分辨率图像X，利用误差补偿，增强高频信息，得到高频信息增强后的高分辨图像X^*。