[发明专利]基于压缩感知和SVR的单幅图像SR重建方法

说明书

一种基于压缩感知和SVR的单幅图像SR重建方法，包括以下步骤：步骤1：图像块分类，根据图像当前像素点是属于边缘还是背景来分类保存其周围的设定尺寸图像块；步骤2：图像块稀疏表示，使用training_instance来训练字典D，再使用得到的D和training_instance来稀疏编码得到稀疏向量alpha；步骤3：SVR学习和预测，把所述重建问题看成是一个回归问题，把正中间像素灰度与当前图像块灰度均值的差值作为像素的标签；使用ν‑SVR模型来找到LR图像块和HR图像块中心像素标签之间的映射函数。本发明训练耗时较短、解决利用外部图像训练产生虚假细节的问题、重建细节更加真实。

技术领域

本发明属于计算机图像处理领域，涉及一种单幅图像SR重建方法。

背景技术

视频超分辨率(Super-Resolution，SR)技术是这几年才发展起来的新技术，主要作用是对低分辨率(Low-Resolution，LR)视频序列SR重建得到高分辨率(High-Resolution，HR)视频序列。通过SR重建技术来提高现有监控设备的分辨率，对于优化现有的监控系统具有重大的实际意义。

现有的基于学习外部图像库的SR重建存在着以下几个缺陷：(1)由于其HR图像块来源于外部图像库，并非是真实的图像细节，在很大程度上算是一种“图像幻想”。(2)当外部图像库和当前待处理图像不属于同一类型图像时就会很容易出现错误的高频细节。(3)一般需要庞大的外部训练库而且训练耗时也比较长。比如研究者发现利用大约100幅外部图像来训练字典，其训练耗时竟达32个小时，除此之外还因为外部图像库和当前降质图像在纹理、颜色特征等方面上可能存在的一定的差异，就很容易出现虚假的高频细节。在2006年提出的压缩感知理论是一种全新的信号采样理论，其优点在于它突破了Nyquist采样定理的限制，充分利用了信号的稀疏性。支持向量回归(SVR)是支持向量机的推广，具有良好的预测未知数据的能力。有研究人员提出的基于SVR的图像SR方法，在训练阶段分类并稀疏编码输入的图像块，再用SVR学习，最后在预测阶段用学习好的模型预测高频图像块。在这过程中他们分割图像是采用Mean Shift算法。但相关文献表明，Mean Shift算法在确定初始密度中心时，如果特征空间的初始位置是随机选取的，就可能得不到的较好的聚类结果，最终导致分割后的图像的不一致。另外，过分割图像是指对图像的过度分割，即把原本属于一个整体的目标分成了多个。经过过分割处理后的，可能原先是背景的像素被当作某个物体的边缘，这样就可能会导致在后面的图像块分类处理中，原本应该属于背景集合的图像块会被归类到了边缘的集合中，从而使得之后训练得到的SVR模型不准确，重建图像的边缘也会在一定程度地出现模糊。

发明内容

为了克服已有基于外部图像库的SR重建方法的训练耗时长，容易出现错误的高频细节问题的不足，本发明提供一种训练耗时较短、解决利用外部图像训练产生虚假细节的问题、重建细节更加真实的基于压缩感知和SVR的单幅图像SR重建方法。

本发明解决其技术问题所采用的技术方案是：

一种基于压缩感知和SVR的单幅图像SR重建方法，所述重建方法包括以下步骤：

步骤1：图像块分类，根据图像当前像素点是属于边缘还是背景来分类保存其周围的设定尺寸图像块；

步骤2：图像块稀疏表示，使用training_instance来训练字典D，再使用得到的D和training_instance来稀疏编码得到稀疏向量alpha；

步骤3：SVR学习和预测，把所述重建问题看成是一个回归问题，SVR用于解决如下最优化问题：

其中，0≤ν≤1，对于回归问题，用ν来代替ε，而对于分类问题，用ν来代替C；