欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

基于改進鄰域嵌入和結構自相似性的超分辨率重建算法

文檔序號:9788112閱讀:906來源:國知局
基于改進鄰域嵌入和結構自相似性的超分辨率重建算法
【技術領域】
[0001] 本發(fā)明涉及圖像處理領域,更具體地,涉及一種基于改進鄰域嵌入和結構自相似 性的超分辨率重建算法。
【背景技術】
[0002] 自1984年Tsai等提出超分辨率這一概念以來,超分辨率重建技術得到的廣泛關 注,提出了眾多超分辨率重建算法。這些算法大致可以分為基于插值的方法、基于重建的方 法和基于學習的方法3類。基于插值的方法運算復雜度低、運行速度快,但是插值后的圖像 通常缺少高頻細節(jié),易造成邊緣模糊;基于重建的方法利用圖像的降質模型以及特定的先 驗知識進行超分辨率重建,一般方法中常用的先驗模型包括高斯先驗假設(Gaussian Process Priors)、胡伯馬爾可夫隨機場(Huber MRF)、全變差(Total Variation)模型、平 滑邊界(Soft Edge)模型和梯度輪廓(Gradient Profile)模型等,但是由于先驗知識的局 限性,結構信息和紋理信息無法得到有效的恢復,重建效果不明顯;基于學習的方法包括 Example-Based方法、鄰域嵌入方法(Neighbor Embedding)和稀疏表示法(Sparse Representation),他們的基本思想是通過對大量低分辨率塊和與之對應的高分辨率圖像 塊的學習,在它們之間建立一種對應關系,然后通過這種關系指導高分辨率圖像塊重建。在 這3種超分辨率重建的方法中,基于學習的方法較其它兩類方法能夠引入更多的高頻信息, 對噪聲的魯棒性更強,因此成為近年的研究熱點。
[0003] 在基于學習的超分辨率重建方法中,如采用訓練圖像,則需要龐大的外部圖像訓 練庫,因此會導致算法的內存消耗較大。針對這一問題,出現(xiàn)了眾多利用非局部自相似結構 的超分辨率重建方法。這種結構相似性通常以顯在或潛在的形式普遍存在于自然圖像中, 這便為圖像超分辨率重建提供了豐富的附加信息。Suetake N等提出利用圖像自身不同尺 度相似圖像塊所提供的附加信息建立內部字典,然后使用基于學習的方法進行超分辨率重 建;Glasner D等將相同尺度和不同尺度相似圖像塊所提供的附加信息同時加入重建模型, 在整幅圖像中進行相似結構圖像塊的搜索;Zhang K等將圖像多尺度結構自相似模型與壓 縮感知理論相結合,使圖像重構效果進一步提升。但是上述采用結構自相似性的超分辨率 重建算法在構建稀疏表示模型時,忽略了擁有非局部相似性質的圖像塊應具有相同或相近 的稀疏表示系數(shù)。針對此問題,Dong W等提出綜合考慮圖像的多尺度相似性與非局部相似 性,并將其融入壓縮感知模型建立新的圖像超分辨率方法,得到良好的重建效果。

【發(fā)明內容】

[0004] 為了克服上述現(xiàn)有技術存在的直流系統(tǒng)故障隔離難的問題,本發(fā)明提出了考慮到 初始估計的準確與否直接影響圖像重建的質量與迭代次數(shù),提出一種將鄰域嵌入和結構自 相似性有效結合的圖像超分辨率重建算法。
[0005] 本發(fā)明提出一種基于改進鄰域嵌入和結構自相似性的超分辨率重建算法,該算法 包括以下步驟:
[0006] 步驟(1)、基于鄰域嵌入的初始估計算法,首先提取高分辨率訓練圖像Ih的亮度分 量,接著對高分辨率圖像進行a倍的下采樣操作得到低分辨率圖像U,并將高分辨率和低分 辨率圖像分成相互有重疊區(qū)域的小塊;記X= {x'm= 1,...,p}為訓練的低分辨率塊集合,Y ={ym,m=l,. . .,p}為與之對應的高分辨率塊集合,其中p是從訓練圖像中分割出的小塊的 數(shù);同樣的,記二丨,..,?/丨為待重建的低分辨率圖像分割出的塊集合, # .,妁為待估計的高分辨率圖像的塊集合,其中q是測試圖像中分割出小塊的 數(shù)量;將圖像塊?和圖像塊¥的距離矩陣定義為DPq,其中DPq的第η列為;T與X,X表示訓練 的低分辨率塊集合中所有圖像塊的距離構成的列向量;然后遍歷Dpq中的每一列找到K個最 大值,其索引對應的圖像塊即所求圖像塊r在訓練集中的K個近鄰塊,記為 5; = …義⑷L 乂"表示的對應所求的圖像塊義"的K個近鄰塊,tl,t2,. . .tK表 示K個近鄰塊的序號;
[0007] 接著對于每一個測試圖像塊F利用最小化局部重建誤差的方式求得最佳權值向 量〇11=[ ωη1,ωη2,. . . ωηρ],η!,η2, . . .ηρ表示序號的腳標,η表示第11個測試圖像塊:
[0009]其中每一個權值ω?需滿足下述約束條件:
[0011]利用核回歸方式求解ω?,得到每個高分辨率圖像塊< 的估計值:
[0013] 對于各個高分辨率圖像塊的重疊區(qū)域,取其各個重疊像素值的平均;
[0014] 利用下式定義殘余誤差封為圖像塊免與另一圖像塊5^的相似程度,殘余誤差越小 說明兩圖像塊越相似:
[0016]對于每一個圖像塊計算圖像塊|"與其搜索鄰域內的所有圖像塊的殘余誤差, 找到殘余誤差最小的L個圖像塊即為圖像塊夢的L個最相似塊集合:
[0018]其殘余誤差分別為, / = K2..丄L表示的是圖像塊的個數(shù);則待估計圖像塊F 表示為表示找到的L個殘余誤差最小的圖像塊中的一個圖像塊的線性組合:
[0020]其中,f中的每個元素與之間的相似度權值g由下式計算:
[0022] h是權值的控制因子;,與f中的每個元素JH'C; = 1,2,....,f)之間的相似度權值定 義為:
[0024] ,表示待估計的高分辨率圖像塊集合中的第j個塊,f為圖像塊|"的1^個最相似 塊集合;
[0025] 令辦"為0組成的向量,死.?,/^…/^,將式⑴諫示為:
[0026] Τ=ψβ (14)
[0027] 將(14)作為非局部自相似正則項加入鄰域嵌入方法中,構造鄰域超分辨率重建方 法模型:
[0030] 其中W為字典序的ωη,即^=[0^,ω2, . . .,ω<5]τ,Φ為字典序的氣,即 Φ=\φ],φ2,...,φιι}> ,
[0031] 公式(15)通過梯度下降法求解,化簡為
[0032] #?+1 1(J --Φ)#* (16)
[0033] t為迭代次數(shù),λ為正則化系數(shù)常量;設#〇為鄰域嵌入法得到的迭代初始值,經過t 次迭代,得到準確的高頻初始估計
[0034] 步驟(2)、建立稀疏表示字典,將步驟(1)得到的高分辨率初始估計圖像進行分塊 操作后,對于每一個待重建高分辨率輸入塊^,將其與已經訓練得到的簇中心{C^Cs,..., C n}進行比較,找到與輸入塊歐氏距離最小的簇中心G,其所在的簇1所對應的子字典Ψ4Ρ 待重建高分辨率塊^所使用的字典;
[0035]得到每個待重建圖像塊所對應的子字典屯1后,將利用非局部自回歸超分辨率重
通過拉格朗日乘子法轉化為(17 )、( 18)兩式,
[0038] 其中y表示輸入低分辨率圖像,X表示待重建高分辨率圖像,D為下采樣矩陣;Μ為非 局部自相似權重矩陣,用來描述圖像塊之間的非局部自相似關系為第i個圖像塊對應 的子字典;α為稀疏表示稀疏矩陣,其每一行 αι為第i個圖像塊在子字典的稀疏表示系 數(shù)向量,ai的每個元素為ai j; aij為第i個圖像塊的非局部自相似性塊的稀疏表示系數(shù);Ri為 抽取矩陣,其作用是將第i個圖像塊從圖像中抽取出來為加權向量,其每個元素
[0039] 并對式(17 )、(18)迭代求解;式(17)由迭代收縮算法得到最終解;為解決式(18), 構造拉格朗日方程為:
[0041] 其中,Z是拉格朗日乘子,τ為常量,式(19)可由下式迭代inter_num次進行求解, iter表示當前的迭代次數(shù):
[0047] X為待重建高分辨率圖像,δ為更新常量τ的更新倍數(shù),為常數(shù)。
[0048] 與現(xiàn)有技術中相比,本發(fā)明所提出的算法在解決前人的基于學習的超分辨率重建 算法需要大量訓練集的缺陷的基礎上,改進了鄰域嵌入方法,并將其用于解決基于局部自 相似性和多尺度相似性的超分辨率算法中存在的不準確高頻初始估計問題,提升了圖像的 超分辨率重建效果。實驗結果表明,本發(fā)明提出的算法能夠更好地抑制了鋸齒效應和振鈴 效應,重建出的高分辨率圖像更接近于真實圖像,具有更好的主觀和客觀質量。
【附圖說明】
[0049] 圖1為不同非局部自相似塊數(shù)量重建結果比較:(la)、原圖;(lb~If )、本文算法分 別在非局部自相似塊數(shù)量為5,10,15,20,25時的重建結果;
[0050]圖2為"Leaves"超分辨率重建結果;:(2a)、原圖;(2b
當前第1頁1 2 3 
網友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
永寿县| 房山区| 昆明市| 达孜县| 胶南市| 义马市| 巨鹿县| 平泉县| 会同县| 孝昌县| 女性| 项城市| 耒阳市| 于都县| 合肥市| 藁城市| 齐齐哈尔市| 松阳县| 姜堰市| 信丰县| 彭州市| 扎兰屯市| 监利县| 临江市| 乌苏市| 潞西市| 呼和浩特市| 临朐县| 永寿县| 天柱县| 油尖旺区| 柯坪县| 惠水县| 肥乡县| 苏尼特左旗| 潞城市| 西乌珠穆沁旗| 翼城县| 平山县| 乡城县| 都匀市|