【技術實現步驟摘要】
本專利技術屬于圖像處理
，涉及一種圖像超分辨率重建方法，可用于各種自然圖像的超分辨率重構，并且對小噪聲有一定的抑制作用。
技術介紹
在實際應用中，受成像系統物理分辨率限制，以及場景變化與天氣條件等諸多因素的影響，實際成像過程中往往存在光學與運動模糊、欠采樣和噪聲等退化因素，導致成像系統只能得到質量較差、分辨率較低的圖像或圖像序列，通常滿足不了實際的應用要求，這給后續的圖像處理、分析和理解帶來諸多困難，不利于人們正確地認識客觀世界及其規律。解決這一問題一個實用而有效的方法就是圖像超分辨重建技術，其不需要昂貴的圖像獲取設備，只需要通過計算機軟件的處理就能夠獲得更高分辨率的圖像。一般說來，圖像超分辨技術主要分為三種類型:基于插值的方法、基于重構的方法和基于學習的方法。其中:基于插值的方法，如最鄰近插值法和立方插值法，進行超分辨率重建時會造成圖像表面比較模糊，高頻信息會丟失嚴重，尤其是邊緣鋸齒化現象明顯，嚴重影響圖像質量。基于重建的方法，由于人為強加的圖像先驗，導致高分辨圖像邊緣有鋸齒化現象出現，并且在高放大因子條件下重建圖像的質量嚴重退化。這些圖像超分辨方法雖然存在過平滑、邊緣有鋸齒化現象等缺陷，但在技術上取得了一定突破，已經趨于成熟并在電子圖像、互聯網視頻、數字電視等多個領域獲得廣泛應用。基于學習的圖像超分辨方法，是近年來由Freeman等人首先提出的一種圖像分辨方法，其內容是通過馬爾科夫隨機場和先驗知識來學習低分辨率圖像和高分辨率圖像之間的關系，然后重構出高分辨圖像，但這種方法不能很好地保持高分辨圖像的高頻細節，并且計算復雜度較大，效率偏低。專利技術...
【技術保護點】
一種基于字典學習和結構相似的圖像超分辨率重建方法，包括如下步驟：?（1）從樣本數據庫中采集訓練樣本對M=[Mh;Ml]=[m1，...,mnum]，其中，Mh表示高分辨率樣本塊，Ml表示對應的低分辨率樣本塊，mp表示M的第p列，1≤p≤num，num表示樣本對的數目；?（2）利用結構相似SSIM和K?SVD的方法，訓練步驟（1）的訓練樣本對M，求得字典D1：?(2a)初始字典D；?（2b）利用結構相似SSIM求解訓練樣本對mp在字典D下的稀疏表示系數αp，其公式如下：?其中，λ1表示正則項參數，||||0表示向量的l0范數，S(mp,Dαp)用來度量mp和Dαp的結構相似性；?（2c）根據步驟（2b）分別求解訓練樣本對M各列向量在字典D下的稀疏表示系數，得到訓練樣本對M的稀疏系數α=[α1，...,αnum]；?（2d）利用K?SVD的方法，按如下公式更新冗余字典D，并得到更新后的字典D1：?其中，D1=[Dh;Dl]，Dh表示高分辨率字典，Dl表示對應的低分辨率字典；?（3）輸入一幅待處理的低分辨率圖像y，將低分辨率圖像y按照陣列式掃描方式，得到低分辨率圖像塊yi，其中，1≤i≤L，...
【技術特征摘要】
1.一種基于字典學習和結構相似的圖像超分辨率重建方法，包括如下步驟: (O從樣本數據庫中采集訓練樣本對M= [Mh IM1] = Dn1,...，mnum]，其中，Mh表示高分辨率樣本塊，M1表示對應的低分辨率樣本塊，mp表示M的第P列，I彡P彡num, num表示樣本對的數目； (2)利用結構相似SSM和K-SVD的方法，訓練步驟(I)的訓練樣本對M，求得字典D1: (2a)初始字典D ； (2b)利用結構相似SSIM求解訓練樣本對mp在字典D下的稀疏表示系數α ρ，其公式如下:2.根據權利I所述的基于字典學習和結構相似的圖像超分辨率重建方法，其特征在于:步驟(2b)中所述的利用結構相似SSIM求解訓...
【專利技術屬性】
技術研發人員：張小華，焦李成，劉偉，馬文萍，馬晶晶，田小林，朱虎明，唐中和，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。