[发明专利]基于低秩张量和层次化字典学习的高分辨率图像重构方法

说明书

一种基于低秩张量和层次化字典学习的高分辨率图像重构方法：用双线性插值上、下采样原始图像，将处理结果和原始图像作为字典学习训练集；训练原始和下采样图像，提取下采样图像梯度，排列原始图像和下采样梯度为张量，对后者进行低秩近似；对原始张量和近似下采样梯度张量进行稀疏字典学习，得到图像恢复字典；训练低分辨率和上采样图像，提取低分辨率图像梯度，排列低分辨率梯度和上采样图像为张量，进行学习更新字典；将原始图像转至YCbCr空间，Y用字典进行重构，Cb和Cr用双线性插值进行重构，得到原始恢复图像；迭代反投影全局增强原始恢复图像，得到最终结果。本发明采用张量保留图像的结构信息，提高图像重构的精度。

技术领域

本发明涉及一种高分辨率图像重构领域。特别是涉及一种基于低秩张量和层次化字典学习的高分辨率图像重构方法。

背景技术

人眼通过各种观测系统对客观世界的反映谓之图像。人们通过视觉来感知形状，大小，位置，远近等，并做出相应的判断。社会的发展使得人们对于获取具有高分辨率的数字图像的要求越来越突出，无论是军用，还是民用，如何获得一幅高分辨率的数字图像已成为人们必须解决的问题。

所谓的高分辨率的数字图像，指的是具有密集的空间分布的数字图像，也就是说图像在单位空间上具有更多的像素集合。例如，医学上的CT图像，可以作为医生诊断的依据；卫星图像可以更好的进行目标的识别与跟踪。

通常，利用数字设备获取的关于场景的图像，由于成像系统本身的限制和成像环境的影响，所得到的图像并不能完全反映真实场景中的所有信息。如何利用软件处理的方法来提高图像的分辨率，是数字图像处理和信号处理领域的研究热点和难点^[1]。

传统的图像信息处理，即插值方法，通常是先进行补零疏化，然后再进行内插，最后经过滤波的方式来实现的。但是，用这种方式处理的图像，虽然可以增加单位空间内的像素数目，但本质上而言，其并未突破原有图像的信息量，只是对图像的视觉效果有所改观，并没有增加图像的信息量。

超分辨率重建的范围可以大致分为：单幅图像的放大，多幅图像重建单幅图像以及视频序列重建单幅图像^[2]。图像放大是利用先验知识来消除混叠效应。利用超分辨率重建技术，不需要硬件的参与，也即可以在不改变原有硬件系统的条件下，提高图像的空间分辨率，改善图像的视觉效果。这样，不仅可以利用原有的硬件系统，而且还可以充分利用已获取的低分辨率图像资源。如今，图像高分辨率重建技术已广泛应用于各行各业，在卫星遥感测绘方面，在公共安全监护方面，在计算机视觉方面，在医学成像方面等等。超分辨率图像重建技术的广泛研究，不仅可以推动新一代的图像复原技术的发展，另外也可以在继续利用原有光学成像系统的前提下，获得可以满足人们需要的高分辨率的图像。

发明内容

本发明所要解决的技术问题是，提供一种能够避免图像重构时对于外部数据库信息依赖的基于低秩张量和层次化字典学习的高分辨率图像重构方法。

本发明所采用的技术方案是：一种基于低秩张量和层次化字典学习的高分辨率图像重构方法，包括如下步骤：

1)采用双线性插值方法，对给定的低分辨率图像分别进行上采样和下采样处理，得到上采样图像和下采样图像，将低分辨率图像、上采样图像和下采样图像共同作为层次化字典学习的图像训练集；

2)在图像训练集中首先选取低分辨率图像和下采样图像进行训练，对下采样图像提取梯度特征得到下采样梯度特征，然后按照下采样的比例分别对低分辨率图像和下采样梯度特征进行分块处理并排列成张量，得到低分辨率图像张量和下采样梯度特征张量，对下采样梯度特征张量进行低秩近似处理；

3)对低分辨率图像张量和低秩近似处理后的下采样梯度特征张量进行联合稀疏化字典学习，得到下采样图像到原始低分辨率图像的恢复字典；