[发明专利]基于级联线性回归的图像超分辨重建方法

说明书

技术领域

本发明属于图像处理技术领域，涉及图像超分辨重建方法，可用于卫星遥感成像领域、公共安全领域，高清晰视频显示、医学成像领域、计算机识别。

背景技术

图像在获得的过程中往往会受到大气的扰动、成像系统物理分辨率的限制，以及场景运动变化等诸多因素的影响，使得实际成像过程中往往存在光学模糊、运动模糊、欠采样和噪声等退化因素，导致成像系统只能得到质量较差、分辨率较低的图像或者图像序列，给后续的图像处理、分析和理解带来诸多困难。超分辨率重建技术是通过信号处理技术从单幅或者多幅可观察到的低分辨率图像重建高分辨率清晰图像，是提高降质图像分辨率的有效手段之一，因此在图像处理领域受到广泛的关注。

目前，大量关于图像超分辨重建方法被提出，主要分为三类：基于插值的方法、基于重构的方法和基于实例学习的方法。

一.基于插值的方法，是利用基函数或插值核来逼近损失的图像信息，从而实现图像的放大，如双线性插值、双立方插值等。基于插值的方法简单、高效，便于实时应用，但是该类方法不能有效恢复高频信息，易导致图像模糊，满足不了实际应用要求。

二.基于重构的方法，是通过利用多帧低分辨图像之间的互补信息，并将对图像的先验知识作为约束条件加入到图像的超分辨重建过程中，来求解成像系统的逆过程即去模糊、上采样和去噪，从而恢复成像过程中丢失的细节信息。这类方法的重建效果依赖于约束项的构造以及多帧图像之间配准的精确度，且不适用于放大倍数较大的超分辨重建。

三.基于学习的方法，是通过在训练数据集中学习低分辨与高分辨图像之间的映射关系，来预测低分辨图像中丢失的高频细节信息，从而实现高分辨图像的重建。基于学习的方法是目前研究较多的方法，主要分成基于概率图模型的方法、基于流形学习的方法、基于稀疏表示的方法、基于自相似的方法以及基于回归的方法。

a)基于概率图模型的方法基于概率图模型的方法，最早是由Freeman等人2000年在“W.Freeman,E.Pasztor,and O.Carmichael.Learning low-level vision.International Journal of Computer Vision,40(1):25–47,2000.”中提出的，该方法使用Markov网络建立低分辨图像和高分辨场景之间的关系模型，并通过信念传播算法实现高分辨图像的最大后验估计。该方法依赖于大量样本的学习，计算复杂度较高。依赖于大量样本的学习，计算复杂度较高。

b)基于流形学习的方法，是将流形学习的思想引入到超分辨中，假设低分辨块与高分辨块之间流形结构是局部相似的，通过在训练集中寻找与输入的低分辨图像块相匹配的K个近邻，计算最小化重构误差，得到重构权值，并将权值应用到高分辨块的线性组合中，从而实现低分辨图像与高分辨图像之间的关系映射。由于自然图像结构的复杂性，使得低分辨图像块上的相似匹配在高分辨图像块上并非一致，同时该类方法中最近邻的个数k是固定的，从而该类方法易导致重建图像模糊和失真。

c)基于稀疏表示的方法，是将压缩感知理论应用到超分辨重建中，该方法首先通过训练生成一个由低分辨与高分辨图像块对构成的字典对，然后估计输入的低分辨图像块与训练集中低分辨字典中的原子之间的系数关系,并利用获得的系数关系线性组合对应高分辨字典中的原子，从而重建高分辨图像块。当训练数据集选择不合适时，这类方法重建图像中易产生伪像。

d)基于自相似的方法，是利用图像内部以及不同尺度的图像之间存在自相似冗余结构来获取重建所需的冗余信息，从而利用这些信息进行学习来估计高分辨图像。这类方法不依赖外部数据库，但是重建效果依赖于在图像内部以及不同尺度的图像之间是否存在足够的自相似冗余结构。

e)基于回归的方法，是通过首先在训练集中学习低分辨到高分辨的回归函数，然后利用学到的回归函数，将输入的低分辨图像映射为高分辨图像。虽然基于回归的方法能减少重建的伪像，但是由于现有回归函数的确定需要估计过多的参数，从而导致算法的泛化能力较差，而简单的回归函数又难以对高分辨图像与低分辨图像的复杂映射关系进行建模。

发明内容

本发明的目的在于针对上述现有方法的不足，提出一种基于级联线性回归的图像超分辨重建方法，以简单、快速、稳定和高效的重建图像细节，提高重建高分辨图像的清晰度。

实现本发明目的的技术方案包括如下步骤：