[发明专利]基于邻域回归与局部信息的图像重建方法

说明书

本发明公开了一种基于邻域回归与局部信息的图像重建方法。从图像上采集补丁块，设计一个搜索窗口，在补丁块上提取子补丁块。根据子补丁块的结构信息，利用结构相似对子补丁块聚类。将补丁块依照其子补丁块的聚类标签集合在一类中构建新的样本类。针对构建的样本类，分别训练过完备的联合字典。在相应的样本类中确定每个低分辨率字典原子的若干近邻样本，运用最小二乘算法计算低分辨率补丁块与高分辨率补丁块之间的映射关系。每个补丁块对应多个映射关系，这些映射关系的加权和，即为最终的高分辨补丁块，再按照像素位置索引进行整合即可得重建图像。本发明能够有效地避免图像复杂纹理和结构的损失，重建出包含更多细节的高分辨率图像。

技术领域

本发明属于图像处理技术领域，特别涉及一种基于邻域回归与局部信息的图像重建方法。

背景技术

图像超分辨率重建是图像处理领域中的一个重要内容，在遥感、监控、医疗等领域有着广泛的应用。由于采样设备、采样环境、信号传输等因素的影响，获取的图像通常是退化的。为了改善这些退化图像的质量，迄今许多研究学者提出了许多图像超分辨率重建方法。但是，现存的这些方法在重建效果上仍然存在不足，具备相当大的提升空间。

目前，关于图像超分辨率重建算法主要有几个大类：基于插值的重建、基于统计模型的重建、基于样本学习的重建。最早的基于插值的重建算法例如双三次插值虽然十分快捷，但重建图像的视觉效果并不能满足应用的需求，仍然存在较严重的模糊。2008年，Yang等人在压缩感知的基础上提出了基于稀疏表示的重建算法。该算法利用外部样本学习过完备的字典，提高了图像超分辨率重建的效果。但对于纹理和结构复杂的图像，不能很好地重建出图像细节，而且l₁范数的求解过程计算复杂度相对较高。在Yang的研究成果的基础上，基于协同表示和回归模型的重建算法得到了广泛的研究。这些算法虽然提高了模型求解的效率，但仍然忽视了图像本身的结构信息。随着人工神经网络的发展，2014年Dong等人提出了基于卷积神经网络的图像超分辨率重建算法。该算法利用多个卷积核提取图像的特征，并运用误差逆向传播算法训练相关参数。相较于基于稀疏表示、基于协同表示和基于回归等其他样本学习的重建算法，基于卷积神经网络的算法取得了显著的效果。然而，卷积神经网络的学习需要数量庞大的的学习样本，在学习样本数量不够多时，一些其他算法可以取得的重建效果，卷积神经网络却达不到。且对训练时间和空间的需求都相对较高，对程序运行的硬件设备也有较高的要求，例如GPU，执行的经济成本较大。

发明内容

有鉴于此，本发明提供了一种图像细节重建效果好、执行成本低的基于邻域回归与局部信息的图像重建方法。

为了实现上述目的，本发明提供了以下技术解决方案：基于邻域回归与局部信息的图像重建方法，包括以下步骤：先根据图像补丁块的局部结构信息，对图像特征进行聚类，然后针对每一类特征样本训练过完备字典，利用回归模型和最小二乘方法估计低分辨率特征与高分辨率特征之间的映射关系。

可选的，更具体的步骤如下：

a、确定图像重建放大倍数r，将训练集中的低分辨率和高分辨率图像对按照重叠系数v分为大小为p×p的补丁块。设定搜索窗口q×q和搜索步长s，在低分辨率补丁块上提取大小q×q的子补丁块；

b、设定特征提取算子，分别提取低分辨率补丁块、低分辨率子补丁块和高分辨率补丁块的特征，并根据局部结构相似信息对子补丁块进行聚类，按照子补丁块的聚类标签对补丁块进行划分，构建新的子样本对集合；

c、根据步骤b得到的新的子样本对集合，分别训练过完备的联合字典；在字典对应的子样本集中，针对每个低分辨率字典原子寻找m_d个与其最近邻的样本，运用近邻回归方法计算低分辨率与高分辨率特征之间的映射关系；

d、根据低分辨率补丁块的子补丁块对应的聚类标签，每个低分辨率补丁块对应多个映射关系，其加权和即为重建的高分辨率补丁块特征。