[发明专利]基于字典学习和双边正则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，涉及一种图像的超分辨率重建方法，可用于自然图像、遥感图像和医学图像的超分辨率重建。

背景技术

图像超分辨率重建是利用单幅或多幅低分辨率图像重建出一幅高分辨率图像的逆问题。为了解决这个问题，一些基于插值的方法和基于模型的重建方法被提出。插值的方法包括最近邻插值法和双线性插值法等，这类方法简单快速，但容易导致边缘模糊，达不到好的重建效果；基于模型的方法包括迭代反投影法、最大后验概率法、凸集投影法等，这类方法虽然能够产生较好的重建效果，但是重建模型的参数很难估计，提高图像分辨率的能力有限。随着机器学习技术的发展，大量的基于学习的超分辨率重建算法被提出。近年来比较流行的是Yang等人提出的基于稀疏表示的字典学习超分辨率重建方法，他们假设多数自然图像具有相似的结构表示基元，例如边缘、纹理等。自此，许多基于字典学习的重建方法得到了发展。

多数基于字典学习的重建方法可以有效利用外来高分辨样本图像的先验信息，但重建的图像质量存在不稳定性。当选择的高分辨样本图像不能有效提供待超图像丢失的信息时，重建效果会下降，并且这类方法忽略了待超图像本身的先验知识；另外，有些方法仅利用低分辨率图像自身的结构相似性实现分辨率提升，虽然充分利用了待超图像自身的先验信息，但该类方法受制于待超图像自身相似性的强弱，不能保证重建结果。

发明内容

本发明的目的在于针对基于字典学习的图像超分辨重建方法的缺点，提出一种基于字典学习和双边正则的图像超分辨率重建方法，充分利用待超低分辨图像提供的附加信息和外来的高分辨样本库的先验信息，提高图像重建的质量。

为实现上述目的，本发明的技术方案是：通过引入一个高分辨图像样本库，联合待超低分辨率图像的附加先验信息构造字典对，在降质模型的约束下设计目标优化函数，通过多次迭代得到高分辨图像。具体步骤包括如下：

(1)输入低分辨率图像I_l，对该低分辨率图像I_l作双线性插值处理，得到初始的高分辨率图像

(2)对初始高分辨率图像以0.8的比率做5个尺度的双线性插值处理，得到5幅插值图像O₁,O₂,O₃,O₄,O₅，对5幅插值图像O₁,O₂,O₃,O₄,O₅进行自适应的聚类字典训练，得到初始的内字典集合d₀和R个聚类中心C_center＝{C_i,i＝1,2,...,R}，用R个聚类中心C_center＝{C_i,i＝1,2,...,R}指导高分辨率样本库中的图像O₁',O'₂,O₃'的字典训练，得到初始的外字典集合D₀；

(3)在初始高分辨率图像上计算初始的正则权值矩阵W₀；

(4)设迭代次数为n，n＝0,1,2,...,299，初始迭代n＝0，重建超分辨率图像：

4a)输入初始迭代图像根据初始的正则权值矩阵W₀，对输入图像进行正则优化，得到优化图像

4b)应用初始的内字典集合d₀，初始的外字典集合D₀，R个聚类中心C_center＝{C_i,i＝1,2,...,R}和输入的迭代图像对优化图像进行重建，得到重建后的图像

4c)设误差精度ε＝2e-9，N为重建图像中总的图像块个数，根据所述参数ε,N,判断迭代是否终止，若则终止迭代，输出重建图像否则将重建图像作为新的迭代输入图像，迭代次数加1,即n＝n+1，并设指示参数p1＝140；

4d)根据参数p1,n判断是否更新初始的外字典集合D₀，初始的内字典集合d₀和初始的权值矩阵W₀，若n为p1的整数倍，则将初始的内字典集合D₀更新为D_n，将初始的内字典集合d₀更新为d_n，将初始的权值矩阵W₀更新为W_n；否则不更新，返回步骤4a)。