[发明专利]一种基于交替方向乘子算法的模糊图像超分辨率重建方法

说明书

本发明属于图像处理技术领域，公开了一种基于交替方向乘子算法的模糊图像超分辨率重建方法。本发明通过构造一个正向的观察模型使退化后的低分辨率图像能够更接近真实场景中的有退化低分辨率图像，并且搭建了基于交替方向乘子算法的模糊图像超分辨重建模型，将图像去模糊过程与获取高质量特征图过程分离，获得了更好的模糊图像超分辨重建效果。该方法相比于直接进行双三次插值下采样进行超分辨率重建方法，更能处理真实场景下低分辨率图像重建。

技术领域

本发明属于图像处理技术领域，涉及一种交替方向乘子算法的模糊图像超分辨率重建方法。

背景技术

超分辨率技术是将给定的低分辨率图像或图像序列转化为对应的高分辨率图像或图像序列。低分辨率图像清晰度较低、细节较少经过超分辨率算法处理后的高分辨率图像细节清晰、纹理丰富的同时，能在整体结构上与低分辨率图像一致。从而在不影响图像整体内容的情况下，使人们对于图像的感官感受获得了极大提升。图像超分辨重建技术有着重要的价值，在安防监控、医疗图像、影视制作、卫星成像等领域都有着广泛的应用。

然而，大多超分辨方法通过对高分辨率图像进行双三次插值下采样得到对应的低分辨率图像。图像采集过程通常会经历自然的空间分辨率损失。这种自然损耗主要是由光学畸变、物体移动、不正确的聚焦、快门速度的限制、传输过程中出现的噪声、传感器内的噪声以及传感器的密度不佳等问题造成获取的图像由于噪声、模糊以及欠采样效应而劣化，因此基于双三次插值方法训练的深度学习模型无法很好的处理真实图像超分辨率重建的问题。

发明内容

本发明要解决的问题是针对上述技术的不足，提供了一种基于交替方向乘子法的模糊图像的超分辨率重建方法，解决深度学习模型处理真实图像超分辨率重建问题。

本发明的具体技术方案如下：

一种基于交替方向乘子算法的模糊图像超分辨率重建方法，包括步骤如下：

步骤1：构建低分辨率图像和原始高分辨率图像图像对的仿真数据集；

步骤2：步骤2：搭建基于交替方向乘子算法的图像超分辨重建模型，网络模型分为两部分，分别为逐步精化网络和去模糊网络，最后使用亚像素卷积模块实现从特征图重建为高质量图像的过程。

步骤2.1：搭建逐步精化网络，以获得图像的粗糙特征和细节特征；细节特征视为不断进行卷积操作提取得到的高频特征，这部分特征用于合成高质量图像的特征图，粗糙特征沿着通道方向连接，进入去模糊网络；根据输入特征F_input，这一过程表示为：

其中，F_coarse表示粗糙特征，F_refined表示细节特征，C表示卷积操作，Split表示通道拆分操作，Concat表示通道连接操作；

步骤2.2：搭建针对粗糙特征的去模糊网络，针对粗糙特征去模糊，选取交替方向乘子法作为优化方法，交替方向乘子法是图像处理中最常用的凸优化方法之一。它将原始非线性问题的优化转换为寻找经典拉格朗日函数的鞍点问题。

已知含有粗糙特征的模糊图像模糊核下采样因子s和噪声水平σ，为求解含有粗糙特征的去模糊图像基于最大后验概率理论，转化为求解以下方程：

步骤2.2.1：首先引入一个辅助变量z，得到等价的约束优化公式：

步骤2.2.2：再将所述优化问题转化为无约束问题，利用增广拉格朗日函数得到以下方程：

步骤2.2.3：最后将求解拉格朗日函数的鞍点问题转化为以下三个子问题: