[发明专利]一种基于多级字典学习的残差实例回归超分辨重建方法

摘要

本发明公开了一种基于多级字典学习的残差实例回归超分辨重建方法，包括如下步骤：使用高分辨图像生成训练集，建立低分辨和高分辨图像块的成组块对；提取低分辨图像块的特征向量，利用K‑SVD学习一个具有较强表征能力的字典作为锚点；利用学习得到的字典对成组块中低分辨和高分辨块做最小二乘回归，得到线性映射关系；估计高分辨特征，计算出重构误差，将估计的高分辨特征做进一步的字典学习的同时与重构误差做映射；L层后，得到一组残差回归器；利用输入的图像与得到的残差回归器做重建，将得到的高分辨特征用于下一层的重建；将所有估计的高分辨图像块进行加和计算，合成高分辨图像。本发明具有更强的超分辨能力，可用于低分辨自然图像的放大。

主权项

1.一种基于多级字典学习的残差实例回归超分辨重建方法，包括如下步骤：S1、采集高分辨自然图像，模拟图像降质过程，生成低分辨图像，对低分辨图像使用双立方插值进行3倍放大，得到插值图像；对插值图像和原始高分辨图像，分别提取大小为9×9的低分辨特征块和对应大小9×9为的高分辨特征块；分别随机选择低分辨图像块和对应的高分辨图像块，构造低分辨图像块训练集和高分辨图像块的高频细节训练集其中，表示第i个低分辨图像块特征向量，表示第i个高分辨图像块特征向量，N表示训练集中样本总个数；表示用于第t次迭代的低分辨特征集，表示用于第t次迭代的高分辨特征集，特别地，S2、将低分辨特征训练集利用K‑SVD字典学习算法学习得到一个低分辨字典其中，表示第t轮得到的低分辨字典，表示字典中的第i个字典原子。表示所选锚点在低分辨特征训练集上的K个最近邻所构成的子集，表示所选锚点在高分辨训练集上的K个最近邻构成的子集，M表示低分辨字典原子的个数，K表示欧式距离约束的最相关的特征块，M＝1024，K＝2048；S3、利用低分辨图像块特征与高分辨图像块特征间的共现表示关系，建立K个低分辨与高分辨特征空间之间的线性映射关系式中，λ是一个用于调节奇点问题和稳定性解的可调参数，这里λ＝0.00001，I表示单位矩阵；S4、利用得到的线性映射关系F_t与对应的低分辨特征子集重建出对应的高分辨特征子集获得重建误差S5、把重建的高分辨特征用作下一次迭代的低分辨特征训练集，重复步骤S2‑S5，获得的重建误差用作下一次迭代的高分辨特征集；经过T次迭代得到一组线性映射关系T＝4；S6、输入待处理的低分辨彩色图像y，并将图像y从红、绿、蓝的RGB颜色空间转换到YCbCr颜色空间，其中，Y表示亮度分量，两个色差分量Cb和Cr表示颜色信息；S7、对YCbCr颜色空间中的亮度分量使用双立方插值进行3倍放大，得到插值图像Y′；S8、将插值图像Y′自上而下、从左到右划分成大小为9×9的图像块，使相邻块之间重叠2个像素，提取该图像的块特征，构成低分辨图像块测试集其中表示低分辨图像块测试集X_t中的第j个特征向量，S表示该测试集X_t中样本总个数；S9、对低分辨图像块测试集中每个特征向量在锚点集中查找与最匹配的锚点使用对应的特征映射关系矩阵计算高分辨图块特征低分辨图像块测试集中所有特征向量的高分辨图像块估计构成了预测结果集S10、将构成的预测结果集作为当前高分辨图像块输出的同时，用作下一层的测试集，再估计预测集，最后得到一组估计的预测结果集按照对应顺序将股价的预测结果集做加和处理；S11、按插值图像Y′中图像块的划分顺序合并所有预测结果集对重叠区域的像素取平均值进行融合，得到高分辨图像X；S12、对输入的低分辨彩色图像y在YCbCr颜色空间中的两个色差分量Cb和Cr直接采用双立方插值进行3倍放大，并组合亮度分量Y的超分辨估计X，将YCbCr颜色空间的超分辨结果转换到RGB颜色空间，得到输入的低分辨图像y被放大了3倍的RGB图像。