当前位置: 首页 > 专利查询>天津大学专利>正文

基于改进邻域嵌入和结构自相似性的超分辨率重建算法制造技术

技术编号:13252908 阅读:87 留言:0更新日期:2016-05-15 16:29
本发明专利技术公开一种基于改进邻域嵌入和结构自相似性的超分辨率重建算法,首先用结构相似性改进邻域嵌入方法,进而获得更加准确的高频初始估计,实现基于邻域嵌入的初始估计算法;接着利用低分辨率图像的局部自相似性和多尺度结构相似性构建重建约束项重建高分辨,建立稀疏表示字典。与现有技术相比,本发明专利技术所提出的算法在解决前人的基于学习的超分辨率重建算法需要大量训练集的缺陷的基础上,改进了邻域嵌入方法,并将其用于解决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准确高频初始估计问题,提升了图像的超分辨率重建效果;能够更好地抑制了锯齿效应和振铃效应,重建出的高分辨率图像更接近于真实图像,具有更好的主观和客观质量。

【技术实现步骤摘要】

本专利技术涉及图像处理领域,更具体地,涉及一种基于改进邻域嵌入和结构自相似性的超分辨率重建算法
技术介绍
自1984年Tsai等提出超分辨率这一概念以来,超分辨率重建技术得到的广泛关注,提出了众多超分辨率重建算法。这些算法大致可以分为基于插值的方法、基于重建的方法和基于学习的方法3类。基于插值的方法运算复杂度低、运行速度快,但是插值后的图像通常缺少高频细节,易造成边缘模糊;基于重建的方法利用图像的降质模型以及特定的先验知识进行超分辨率重建,一般方法中常用的先验模型包括高斯先验假设(GaussianProcessPriors)、胡伯马尔可夫随机场(HuberMRF)、全变差(TotalVariation)模型、平滑边界(SoftEdge)模型和梯度轮廓(GradientProfile)模型等,但是由于先验知识的局限性,结构信息和纹理信息无法得到有效的恢复,重建效果不明显;基于学习的方法包括Example-Based方法、邻域嵌入方法(NeighborEmbedding)和稀疏表示法(SparseRepresentation),他们的基本思想是通过对大量低分辨率块和与之对应的高分辨率图像块的学习,在它们之间建立一种对应关系,然后通过这种关系指导高分辨率图像块重建。在这3种超分辨率重建的方法中,基于学习的方法较其它两类方法能够引入更多的高频信息,对噪声的鲁棒性更强,因此成为近年的研究热点。在基于学习的超分辨率重建方法中,如采用训练图像,则需要庞大的外部图像训练库,因此会导致算法的内存消耗较大。针对这一问题,出现了众多利用非局部自相似结构的超分辨率重建方法。这种结构相似性通常以显在或潜在的形式普遍存在于自然图像中,这便为图像超分辨率重建提供了丰富的附加信息。SuetakeN等提出利用图像自身不同尺度相似图像块所提供的附加信息建立内部字典,然后使用基于学习的方法进行超分辨率重建;GlasnerD等将相同尺度和不同尺度相似图像块所提供的附加信息同时加入重建模型,在整幅图像中进行相似结构图像块的搜索;ZhangK等将图像多尺度结构自相似模型与压缩感知理论相结合,使图像重构效果进一步提升。但是上述采用结构自相似性的超分辨率重建算法在构建稀疏表示模型时,忽略了拥有非局部相似性质的图像块应具有相同或相近的稀疏表示系数。针对此问题,DongW等提出综合考虑图像的多尺度相似性与非局部相似性,并将其融入压缩感知模型建立新的图像超分辨率方法,得到良好的重建效果。
技术实现思路
为了克服上述现有技术存在的直流系统故障隔离难的问题,本专利技术提出了考虑到初始估计的准确与否直接影响图像重建的质量与迭代次数,提出一种将邻域嵌入和结构自相似性有效结合的图像超分辨率重建算法。本专利技术提出一种基于改进邻域嵌入和结构自相似性的超分辨率重建算法,该算法包括以下步骤:步骤(1)、基于邻域嵌入的初始估计算法,首先提取高分辨率训练图像IH的亮度分量,接着对高分辨率图像进行a倍的下采样操作得到低分辨率图像IL,并将高分辨率和低分辨率图像分成相互有重叠区域的小块;记X={xm,m=1,...,p本文档来自技高网
...

【技术保护点】
一种基于改进邻域嵌入和结构自相似性的超分辨率重建算法,其特征在于,该算法包括以下步骤:步骤(1)、基于邻域嵌入的初始估计算法,首先提取高分辨率训练图像IH的亮度分量,接着对高分辨率图像进行a倍的下采样操作得到低分辨率图像IL,并将高分辨率和低分辨率图像分成相互有重叠区域的小块;记X={xm,m=1,...,p}为训练的低分辨率块集合,Y={ym,m=1,...,p}为与之对应的高分辨率块集合,其中p是从训练图像中分割出的小块的数;同样的,记为待重建的低分辨率图像分割出的块集合,为待估计的高分辨率图像的块集合,其中q是测试图像中分割出小块的数量;将图像块xm和图像块的距离矩阵定义为Dpq,其中Dpq的第n列为与X,X表示训练的低分辨率块集合中所有图像块的距离构成的列向量;然后遍历Dpq中的每一列找到K个最大值,其索引对应的图像块即所求图像块在训练集中的K个近邻块,记为表示的对应所求的图像块的K个近邻块,t1,t2,...tK表示K个近邻块的序号;接着对于每一个测试图像块利用最小化局部重建误差的方式求得最佳权值向量ωn=[ωn1,ωn2,...ωnp],n1,n2,...nP表示序号的脚标,n表示第n个测试图像块:ωn=argminωn||x^n-Σm=1pωnmxm||22---(7)]]>其中每一个权值ωnm需满足下述约束条件:Σm=1pωnm=1ωnm≠0ifxm∈Slnωnm=0ifxm∉Sln---(8)]]>利用核回归方式求解ωnm,得到每个高分辨率图像块的估计值:y^n=Σm=1pωnmym---(9)]]>对于各个高分辨率图像块的重叠区域,取其各个重叠像素值的平均;利用下式定义残余误差el为图像块与另一图像块的相似程度,残余误差越小说明两图像块越相似:el=||y^l-y~l||22---(10)]]>对于每一个图像块计算图像块与其搜索邻域内的所有图像块的残余误差,找到残余误差最小的L个图像块即为图像块的L个最相似块集合:Y~={y~ni,i=1,2...L},]]>其残余误差分别为i=1,2...L L表示的是图像块的个数;则待估计图像块表示为表示找到的L个残余误差最小的图像块中的一个图像块的线性组合:y^n=Σi=1Lρniy~ni---(11)]]>其中,中的每个元素与之间的相似度权值由下式计算:ρni=exp(-elnih)Σi=1Lexp(-elnih)---(12)]]>h是权值的控制因子;与中的每个元素(j=1,2,...,q)之间的相似度权值定义为:Tnj=ρniif y^j∈Y~,y^j=y~ni0otherwise---(13)]]>表示待估计的高分辨率图像块集合中的第j个块,为图像块的L个最相似块集合;令为组成的向量,将式(11)表示为:将(14)作为非局部自相似正则项加入邻域嵌入方法中,构造邻域超分辨率重建方法模型:Y^=argminY^||Y^-WY||22+λ||Y^-ΦY^||22---(15)]]>其中W为字典序的ωn,即W=[ω1,ω2,...,ωq]T,Φ为字典序的即公式(15)通过梯度下降法求解,化简为Y^t+1=Y^t-λ(I-Φ)T(I-Φ)Y^t---(16)]]>t为迭代次数,λ为正则化系数常量;设为邻域嵌入法得到的迭代初始值,经过t次迭代,得到准确的高频初始估计步骤(2)、建立稀疏表示字典,将步骤(1)得到的高分辨率初始估计图像进行分块操作后,对于每一个待重建高分辨率输入块xi,将其与已经训练得到的簇中心{C1,C2,...,Cn}进行比较,找到与输入块欧氏距离最小的簇中心Ci,其所在的簇Ki所对应的子字典Ψi即待重建高分辨率块xi所使用的字典;得到每个待重建图像块所对应的子字典Ψi后,将利用非局部自回归超分辨率重建模型{α,x}=argminα,x||y-DMx||22+Σi=1Nλi||αi||1+Σi=1Nγi||αi-αi*||22+θΣi=1N||Rix-Ψiαi||22---(6)]]>通过拉格朗日乘子法转化为(17)、(18)两式,α=argminαΣi=1Nλi||αi||1+Σi=1Nγi||αi-αi*...

【技术特征摘要】
1.一种基于改进邻域嵌入和结构自相似性的超分辨率重建算法,其特征在于,该算法
包括以下步骤:
步骤(1)、基于邻域嵌入的初始估计算法,首先提取高分辨率训练图像I...

【专利技术属性】
技术研发人员:周圆冯丽洋陈莹陈阳侯春萍
申请(专利权)人:天津大学
类型:发明
国别省市:天津;12

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1