[发明专利]一种基于残差的图像超分辨率重建方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种对图像进行超分辨率重建的方法，具体是一种基于残差的图像超分辨率重建方法。

背景技术

图像超分辨率重建是指由输入的一幅或多幅低分辨率图像重构得到一幅高分辨率图像的方法，它充分利用了已获取的资源，与采用高性能硬件获取高分辨率图像的方法相比，具有更低的成本，在视频监控、医学成像、高清视频等各个领域有着广阔的应用前景。

超分辨率重建是一个典型的病态反问题，对于只有单帧低分辨率图像时，就转变成求解欠定方程的问题。为改善重建性能，可在求解过程中考虑先验知识，以消除很多人工痕迹，但是在重建细节丰富的图像时仍不能取得令人满意的结果；为了重建视觉上令人满意的高分辨率图像，许多先验知识被应用到超分辨率重建中，典型的方法是正则化超分辨率重建，比较著名的正则化先验是采用全变分，该方法对于分段平滑的边缘结构能取得较好的重建结果，但是对于细节丰富的边缘通常有阶梯状人工痕迹；最近提出的先验知识是图像具有稀疏性，图像被字典的原子展开成一个稀疏表达式，顾名思义就是展开系数的大多数系数接近于0，用学习得到的字典用于超分辨率重建，典型的方法是学习获得图像的高、低分辨率字典，对于测试的低分辨率图像子块，求解其在低分辨率字典上的表示系数，再利用低分辨率图像子块与高分辨率子块的流形一致性，使用低分辨率子块的表示系数重构出高分辨率图像子块，但是其在图像边缘细节会也出现重建噪声。

发明内容

本发明的目的是提供一种有效的图像超分辨率重建方法，以改善重建质量，特别是图像边缘细节处的重建结果。

为解决上述技术问题，本发明提供的技术方案如下：

首先，计算原高分辨率图像与低分辨率图像经插值放大后的图像之间的残差；其次，以低分辨率图像样本特征和对应图像残差建立样本对，以低分辨率样本为基准采用K均值对样本对进行分类，并将每一类样本对采用KSVD方法进行训练获得低分辨率样本与图像残差的字典对；最后，根据测试样本与类中心的欧氏距离选择字典对，将与测试样本具有相近欧氏距离的各类别所重建的图像残差求加权和作为重建的最终图像残差，并结合低分辨率图像的插值结果获得高分辨率图像。

下面详细给出该发明技术方案中的各个细节说明：

步骤(1)计算残差，具体是：

将用于训练的低分辨率样本图像y插值放大得到图像Xb，图像Xb与原高分辨率图像具有相同尺寸，将图像Xb与原高分辨率图像X之间的差值即Xr=X-Xb作为图像残差；

步骤(2)获得低分辨率训练样本图像与高分辨率图像残差的字典对，具体是：

计算低分辨率训练样本图像的一阶、二阶梯度图像，将梯度图像分块，以梯度值作为低分辨率图像子块的特征；将图像残差分块，以子块残差作为高分辨率图像子块的特征，训练字典对，它由低分辨率字典和高分辨率字典构成。

训练时，对输入的每个高、低分辨率图像特征子块向量化，得到各自向量化的特征子块样本集合，分别记为{x_ri}和{y_i}，其中x_ri表示图像残差特征子块，y_i表示低分辨率图像特征子块， i=1,…,N，N是子块数。

对低分辨率特征子块样本集合{y_i}进行分类，先计算每个y_i的方差值，按给定的方差阈值△进行分类，阈值△可通过对集合{y_i}进行方差统计获得。

对于方差小于或等于阈值△的低分辨率图像特征子块样本组成一个集合{y_i0}，由其对应的高分辨率特征子块样本获得集合{x_ri0}，将集合{x_ri0}和集合{y_i0}构成高、低分辨率子块样本对，采用K-SVD学习算法得到高分辨率字典D_h0、低分辨率字典D_l0。高分辨率字典D_h0和低分辨率字典D_l0构成字典对。