專利名稱：一種超分辨率圖像重構的方法
技術領域：
本發(fā)明涉及圖像重構技術領域，尤其涉及一種超分辨率圖像重構的方法。
背景技術：
在大多數(shù)電子圖像應用中，都期望并要求具有高分辨率(HR)的圖像。這意味著圖像中的像素密度高，因此HR圖像可以提供更多的細節(jié)，這在很多不同的應用中非常關鍵。例如，HR醫(yī)學圖像非常有助于醫(yī)生進行正確的診斷。使用HR圖像可以提高計算機識別中的模式識別性能。圖像的超分辨率(Super-Resolution SR)是圖像處理領域重要且基礎的操作之一，該技術指利用一幅或多幅同一場景的圖像來提高描述該場景圖像的分辨率，通過相應的算法來得到一幅更為清晰的分辨率更大的圖像。這一方法在移動通信、圖像和視頻壓縮技術、社會安全、高清電視等都有著重要的應用價值和市場前景。 盡管超分辨技術具有很大的發(fā)展空間和市場前景，國內(nèi)外在這一方向上的研究仍然停留在探索階段。到目前為止圖像放大主要有三種主要的方法1、基于插值的圖像放大，
2、基于重建的圖像放大，3、基于樣本學習方法的圖像放大。圖像插值算法原理簡單，復雜度低，易于實現(xiàn)，但這種方法只是考察周圍像素點和待插像素點的相關性進行插值，在邊緣、紋理等人眼敏感的位置不可避免的會出現(xiàn)模糊、偽影等現(xiàn)象?；谥亟ǖ膱D像放大方法把尋找放大了的圖像看成一個求解逆問題的過程，通過引入一系列的先驗知識來做逆問題的約束條件，壓縮解空間，使之得到符合一定條件的圖像。但先驗知識的獲取需要做大量的前期統(tǒng)計工作，同時待放大圖像應和統(tǒng)計工作中分析的圖像類別一致才能有較為理想的效果?；跇颖緦W習的圖像放大方法是近幾年來的一個熱點，它通過外在的圖像數(shù)據(jù)庫尋找不同分辨率圖像間的關系以試圖恢復出待放大圖像的高頻成分。這種利用樣本庫學習的方法充分利用了外界的圖像信息，把圖像的先驗知識隱含在學習庫中高分辨率圖像內(nèi)，避免了前期的統(tǒng)計工作，可以得到很好視覺效果的圖像。由于該方法需要用到外界信息，因此算法的計算量很大，同時存在著庫中的圖像片和待放大圖像片的“距離”很小，但視覺差別卻很大的情況，降低了放大圖像的質(zhì)量。現(xiàn)有技術提出了一種基于領域嵌套的圖像超分辨率方法，這種方法假設高分辨率圖像塊和其對應的低分辨率圖像塊在特征空間形成了相同局部幾何結構。現(xiàn)有方法的具體方案如下對于高分辨訓練圖像Ys和對應的低分辨率訓練圖像Xs0兩個訓練圖像均被分割成訓練圖像對，從而得到一一對應的訓練圖像塊集合{(Xst，Yst)}，對于輸入的低分辨率圖像Xt采用相同的原則分割成圖像塊集合{Xtq}。對每個圖像塊Xtq，從訓練塊集合中選擇K個與Xtq最接近的訓練塊，并計算出最優(yōu)權值，利用最優(yōu)權值和K個高分辨率訓練圖像塊來構造出高分辨率的測試圖像塊Ytq。圖I為現(xiàn)有方案的算法流程圖。具體來說，現(xiàn)有技術的步驟如下I、對輸入的訓練圖像對進行分塊，得到訓練圖像塊集合{(Xst, Yst)}。
2、對于每個測試高分辨率圖像塊Ytq 2a)找到與其對應的低分辨率圖像塊Xtq ；2b)在訓練塊集合{Xst}中，找到與Xtq最接近的K個訓練塊集合，記為Nq ；2c)計算圖像塊Xtq的最優(yōu)權值W。通過重構誤差來實現(xiàn)，即
k 2ε= HvjN3
i=i2d)通過權值向量W以及與集合Nq對應的高分辨率訓練圖像塊集合NY來重構出 測試的高分辨率圖像塊Ytq ;3、將所有的高分辨率圖像塊進行拼接?？紤]到顏色通道對超分辨率算法的影響，圖像首先會轉(zhuǎn)換至YIQ空間，在通道處理后，IQ兩個通道直接采用傳統(tǒng)的雙三次插值方法，然后將獲得的高分辨圖像再轉(zhuǎn)換回RGB空間。現(xiàn)有技術的缺點現(xiàn)有技術的方法中在構造每塊高分辨率的測試圖像塊Ytq的過程中，都會搜索整個訓練集空間，這樣大大降低了程序的效率，增加了程序運行的時間?，F(xiàn)有技術的方法在搜索測試低分辨率圖像塊時，由于是針對整個訓練圖像塊集合來搜索，沒有考慮圖像塊的特征，因此容易導致具有邊緣的圖像塊和無邊緣的圖像塊最終產(chǎn)生相同的視覺效果。

發(fā)明內(nèi)容
本發(fā)明的目的是為了克服現(xiàn)有技術的缺陷，提供一種超分辨率圖像重構的方法，通過該方法縮短圖像的重構時間，能夠更好的保持重構圖像的質(zhì)量。一種超分辨率圖像重構的方法，該方法通過將訓練集進行分類，并通過辨識輸入的低分辨率圖像塊的類型，根據(jù)圖像塊的類型進行領域嵌套，最終重構出高分辨率的圖像；具體步驟如下sl訓練集的生成以及訓練集的特征表示；s2訓練集分類模塊；s3低分辨率圖像塊歸類模塊；s4高分辨率圖像塊重構模塊；s5高分辨率圖像的合成。其中，Si的具體實施流程為1a)對于訓練圖像對，將其分割成一系列的圖像塊集合，且相鄰圖像塊之間有重疊；Ib)選取濾波器4=[_1，0，1]，f2 = f/，f3=[l，0，-2，0，1]，f4 = f3/，用此4個濾波器對每個訓練塊進行濾波提取特征，最終得到每個訓練塊的特征向量。s2的實施過程中，從Si中得到的訓練集，針對訓練集中的低分辨率圖像塊，利用K-means算法，將訓練集分成6類M1，M2，M3，M4，M5，M6，并計算出每個聚類的中心值ul，u2，u3，u4，u5，u60s3的具體實施流程為3a)對于輸入的低分辨圖像，用圖6中的分塊規(guī)則對其進行分塊，且每個圖像塊的大小選擇為3*3 ；3b)選取濾波器 Κ-Ι,Ο，I]，f2 = f/ , f3=[l,0,-2，O, I]，f4 = fV ,用此 4 個濾波器對每個圖像塊進行濾波提取特征，最終得到每個圖像塊的特征向量；3c)對于任意一個圖像塊q，分別計算其特征向量與s2中得到的6個聚類中心值ul, u2，u3，u4，u5，u6 的距離dl, d2, d3, d4, d5, d6 ;若 di (I 彡 i 彡 6)為其中的最小值，則圖像塊q屬于第i類。在s4中對于每個高分辨率圖像塊Q具體的操作為4a)在輸入的低分辨率圖像中找到與其對應的圖像塊q ；4b)若q屬于第i類，則確定搜索空間為Mi，在Mi中找出與q最接近的R個向量，記為 N = (N1, N2,, Nj ；4c)通過使得重構誤差
權利要求
1.一種超分辨率圖像重構的方法，其特征在于，該方法通過將訓練集進行分類，并通過辨識輸入的低分辨率圖像塊的類型，根據(jù)圖像塊的類型進行領域嵌套，最終重構出高分辨率的圖像；具體步驟如下=Sl訓練集的生成以及訓練集的特征表示；s2訓練集分類模塊；s3低分辨率圖像塊歸類模塊；s4高分辨率圖像塊重構模塊；s5高分辨率圖像的合成。
2.如權利要求I所述的方法，其特征在于，Si的具體實施流程為1a)對于訓練圖像對，將其分割成一系列的圖像塊集合，且相鄰圖像塊之間有重疊；lb)選取濾波器Κ-ι，O，I]，f2 = f/，f3=[l，O，-2，O，I]，f4=f3'，用此4個濾波器對每個訓練塊進行濾波提取特征，最終得到每個訓練塊的特征向量。
3.如權利要求I所述的方法，其特征在于，s2的實施過程中，從Si中得到的訓練集，針對訓練集中的低分辨率圖像塊，利用K-means算法，將訓練集分成6類Ml，M2，M3，M4，M5，M6,并計算出每個聚類的中心值ul, u2, u3, u4, u5, u6。
4.如權利要求I或3所述的方法，其特征在于，s3的具體實施 流程為 3a)對于輸入的低分辨圖像，用圖6中的分塊規(guī)則對其進行分塊，且每個圖像塊的大小選擇為3*3 ； 3b)選取濾波器 Κ-Ι,Ο，I]，f2 = f/ ,f3=[l,0, -2, O, I] ,f4 = f3'，用此 4 個濾波器對每個圖像塊進行濾波提取特征，最終得到每個圖像塊的特征向量； 3c)對于任意一個圖像塊q，分別計算其特征向量與s2中得到的6個聚類中心值ul，u2，u3，u4，u5，u6的距離dl, d2, d3, d4, d5, d6 ;若di (I彡i彡6)為其中的最小值，則圖像塊q屬于第i類。
5.如權利要求4所述的方法，其特征在于，在s4中對于每個高分辨率圖像塊Q具體的操作為 4a)在輸入的低分辨率圖像中找到與其對應的圖像塊q ； 4b)若q屬于第i類，則確定搜索空間為Mi，在Mi中找出與q最接近的R個向量，記為
6.如權利要求4所述的方法，其特征在于，將s4中重構出的所有的高分辨圖像塊進行拼接，重疊的部分進行平均處理，從而得到最終的 高分辨率圖像。
全文摘要
本發(fā)明公開了一種超分辨率圖像重構的方法，該方法包括以下步驟(1)訓練集的生成以及訓練集的特征表示；(2)訓練集分類模塊；(3)低分辨率圖像塊歸類模塊；(4)高分辨率圖像塊重構模塊；(5)高分辨率圖像的合成。本方法通過將訓練集進行分類，并通過辨識輸入的低分辨率圖像塊的類型，根據(jù)圖像塊的類型進行領域嵌套，最終重構出高分辨率的圖像。通過該方法縮短圖像的重構時間，能夠更好的保持重構圖像的質(zhì)量。
文檔編號G06T5/00GK102831581SQ20121026434
公開日2012年12月19日 申請日期2012年7月27日 優(yōu)先權日2012年7月27日
發(fā)明者周凡, 羅笑南, 賀華勇, 韓冠亞, 陳湘萍 申請人:中山大學