[发明专利]一种基于SAE和稀疏表示的图像超分辨率方法

摘要

本发明公开了一种基于SAE和稀疏表示的图像超分辨率方法，属于图像处理领域。该方法主要包含离线训练与测试重构两个阶段，前者主要通过对稀疏自编码SAE模型提取的图像特征进行字典训练，建立反映高低分辨率图像特征对应关系的字典对，后者则利用获得的字典以及稀疏表示方法对用户输入的低分辨率图像进行超分辨率重建。该方法使用SAE模型对原始图像采样数据进行无监督学习训练，避免了传统人工设计特征提取算子时费时费力以及提取特征单一的弊端，同时将SAE压缩表示的图像特征直接用于高低字典对的训练，有利于字典训练的进行，而使用稀疏表示方法可以估计图像中丢失的细节成分，方便从低分辨率图像中恢复更高质量的高分辨率图像。

主权项

一种基于SAE和稀疏表示的图像超分辨率方法，其特征在于：包括以下步骤：步骤一：对原始训练图像库中的每一张高分辨率原图像进行下采样，然后通过插值技术将图像上采样到原尺寸，以此得到失去高频细节信息的图像,获取一系列有对应关系的高、低分辨率图像集合；步骤二：在训练阶段，对每幅低分辨图像采用随机采样的方式采集m个p×p的图像块，并记录每幅图像块中相应采样点在原图像中的位置信息和所有相关的低分辨率图像采样块；步骤三：在训练阶段，利用高低分辨率图像间的差分方法得到插值放大过程中丢失的高频细节成分图像，借助低分辨率采样块时记录的采样点位置信息对高频细节图像进行采样，即可得到与低分辨率图像块相对应反映高频细节成分的高分辨率图像块；步骤四：在训练阶段，利用深度学习中的稀疏自编码(SAE)模型采用无监督学习的方式分别对上述每幅图像中所采集的高、低分辨率图像块进行训练学习，将SAE模型训练结束后的输入层与隐含层之间的权重特征作为对应图像所提取的特征，将所有图像的特征组成联合矩阵，得到用于字典训练的所有低分辨率图像特征XL和所有高分辨率图像特征Xh；步骤五：在训练阶段，利用KSVD算法对由SAE提取的所有低分辨率图像特征进行字典训练，得到描述低分辨率图像的低分辨字典DL和相关的稀疏表达系数矩阵A，通过结合稀疏表达系数矩阵A和高分辨率图像特征Xh，估计出对应的高分辨率字典Dh＝XhAT(AA‑1)‑1，将高低分辨率字典对{Dh,DL}用于超分辨率重构阶段；步骤六:在重构测试阶段，将低分辨率测试输入图像插值放大到指定倍数R，得到待重建的插值低分辨率图像，运用压缩感知中正交匹配跟踪算法(OMP)计算该插值低分辨率图像在字典DL下的稀疏表达系数矩阵B，这样利用DhB可以估计图像插值过程中丢失的高频细节成分，将该成分与低分辨率插值图像进行叠加融合即可估计重构出所需完整的高分辨率图像。