[发明专利]一种图像超分辨方法

说明书

技术领域

本发明涉及计算机视觉和图像处理领域，特别是涉及一种图像超分辨方法。

背景技术

图像超分辨属于计算机视觉和图像处理领域，是一个经典的图像处理问题，有着重要的学术和工业研究价值。图像超分辨的目标就是，由给定的低分辨率图像，重构出它相应的高分辨率图像，使得在重构误差尽可能小的情况下，视觉效果尽可能的好。目前主流的图像超分辨方法可以分为三大类：基于插值的方法；基于重构的方法；基于学习的方法。

基于插值的方法，是一类基本的超分辨方法，其处理过程通常会使用局部协方差系数，固定功能核或者自适应结构核，因其简单快速的特点而被广泛使用。但是，很多情况下，这类方法产生的结果会随着放大倍数的增大而产生视觉伪影，比如：锯齿效应和模糊效应。基于重构的方法，假设低分辨图像是由高分辨率图像经过几种退化因素得到的，比如：降采样和模糊化。这类方法在超分辨过程中强调重构约束的重要性，因而，其得到的高分辨率图像往往有着过于平滑和不自然的边缘以及在图像边缘附近产生振铃效应。基于学习的方法，因为利用机器学习技术从训练集中学习到了大量先验知识，因而获得了更好的结果。但是，这类方法通常需要求解基于L₀范数或者L₁范数的最优化问题，其处理速度是很慢的。

以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明(主要)目的在于提出一种图像超分辨方法，以解决上述现有技术存在的处理速度慢的技术问题。

为此，本发明提出一种图像超分辨方法，包括如下步骤：第一步：从图像数据集中得到高分辨率图像，通过缩小倍数下采样得低分辨率图像，从高分辨率与低分辨率的图像对中提取高、低分辨率特征对，在低分辨率特征空间进行聚类，得到多个低分辨率聚类中心；第二步：利用所述高、低分辨率特征对，以及所述低分辨率聚类中心，计算高、低分辨率近邻集合，以及映射矩阵集合；第三步：对于每一个低分辨率特征，选择所述低分辨率聚类中心里面与其最接近的聚类中心，再用相应的映射矩阵恢复出高分辨率特征；将所有重构的高分辨特征加上包含低分辨率图像的图像块得到相应的高分辨率图像块，将所有高分辨图像块融合成一张高分辨图像。

第三步中：利用所述第一步中聚类时得到的统计特性，对所有聚类中心，按照其元素个数降序排列；超分辨的时候，只取前面多个聚类中心。

所述第一步中的在低分辨率特征空间聚类包括如下步骤：使用插值算法，从所述高分辨率图像中得到低分辨率图像，再将所述低分辨率图像集合利用插值算法上采样至与对应高分辨率图像的尺寸一样；从所述高分辨率图像中提取高分辨率图像块集合与特征集合，在所述所述高分辨率图像中的相应位置提取出低分辨率图像块集合与特征集合；提取所述低分辨率特征集合后，对其进行聚类。

所述第二步具体包括：利用所述高、低分辨率特征对，将所述低分辨率特征对聚类，得到多个低聚类中心，对于任意低分辨率聚类中心，先找到多个最近邻的中心，进而得到该多个中心对应的元素所组成的低分辨率特征集合，再寻找其近邻集合；得到低分辨率聚类中心和高、低分辨率近邻集合后利用这些变量进一步求得从低分辨率特征映射到高分辨率特征的映射矩阵。

所述第三步中选择所述低分辨率聚类中心里面与其最接近的聚类中心通过计算低分辨率特征与聚类中心的欧式距离获得。

本发明与现有技术对比的有益效果包括：本专利申请提出了一种基于聚类和协同表示的图像超分辨方法；利用本专利申请能够在聚类时不仅能够确定聚类中心，而且能够得到各个聚类中心的统计特性，为进一步加快超分辨速度提供可能。

附图说明

图1是本发明实施例的流程图。

具体实施方式

下面结合具体实施方式并对照附图对本发明作进一步详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

参照以下附图，将描述非限制性和非排他性的实施例，其中相同的附图标记表示相同的部件，除非另外特别说明。

本领域技术人员将认识到，对以上描述做出众多变通是可能的，所以实施例仅是用来描述一个或多个特定实施方式。