CN110288525B - 一种多字典超分辨率图像重建方法 - Google Patents
一种多字典超分辨率图像重建方法 Download PDFInfo
- Publication number
- CN110288525B CN110288525B CN201910423653.3A CN201910423653A CN110288525B CN 110288525 B CN110288525 B CN 110288525B CN 201910423653 A CN201910423653 A CN 201910423653A CN 110288525 B CN110288525 B CN 110288525B
- Authority
- CN
- China
- Prior art keywords
- resolution
- block
- image
- super
- dictionary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000000203 mixture Substances 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012733 comparative method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 241000287531 Psittacidae Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多字典超分辨率图像重建方法,考虑到使用全局字典进行超分辨率重建会忽略图像块结构多样化的特性,提出一种利用高斯混合模型对外部图像的先验信息进行训练进而引导多字典构造的超分辨率重建方法。本发明解决了全局字典无法兼顾各种不同类型图像块特征这一不足,有效提高图像的重建质量。
Description
本发明属于图像处理技术领域,涉及一种多字典超分辨率图像重建方法。
背景技术
超分辨率重建技术作为图像处理领域的一个重要分支,在医学成像、公共安全、遥感成像、高清电视和工农业生产等方面均有广泛的应用。目前主流的超分辨率研究方法就是软件方案,基于软件的单帧图像超分辨率按照先验信息的不同可分为基于预测建模的超分辨率图像重建、基于边缘的超分辨率图像重建、基于统计规律的超分辨率图像重建和基于块的图像超分辨率重建,其中基于块的图像超分辨率重建的方法主要有:基于样例学习的方法、邻域嵌入法和基于稀疏表示的方法。
基于稀疏表示的方法其过程可以分为3个阶段:训练样本集的构造、训练学习字典、超分辨率图像的重建。通常训练图像块的结构是多样化的,具有不同结构特征的图像块所具有的先验信息也是不同的,基于稀疏表示的图像超分辨率重建方法通常使用全局学习字典,使用全局字典进行超分辨率重建会忽略图像块结构多样化的特性。
发明内容
针对现有技术存在的不足,本发明的目的在于,提出一种多字典超分辨率图像重建方法,基于高分辨率字典和低分辨率字典以及相应的稀疏表示系数,解决目前基于稀疏表示的图像超分辨率重建方法没有考虑到图像块结构多样化这一问题。
为了解决上述技术问题,本发明采用如下技术方案予以实现:
一种多字典超分辨率图像重建方法,本方法是对待重建的低分辨率图像LR进行图像重建得到高分辨率图像HR,包括以下步骤:
步骤1对LR经过双三次插值放大u倍得到中间分辨率图像MR,对MR采用滑动窗口算法搜索相似块得到多个中间分辨率块组,利用后验概率的计算公式将该待重建的自然图像的所有中间分辨率块组匹配为K个块组;
步骤2利用步骤1的多个中间分辨率块组,得到高分辨率图像HR的高分辨率图像块:
步骤2具体包括:
步骤2.1取自然界中的任意多幅图像组成待求解的自然图像集合,对该待求解的自然图像集合中的每一幅自然图像,采用滑动窗口算法搜索相似块组成块组zi,对该待求解的自然图像集合的所有块组采用EM算法求解,得到包含K个分量的高斯混合模型;其中,zi表示第i个块组,i取自然数,每个块组中包含多个相似图像块;
步骤2.2取自然界中不同于步骤2.1的任意多幅图像组成待训练的自然图像集合,对该待训练的自然图像集合中的每一幅自然图像,采用滑动窗口算法得到多个块组βj,βj表示第j个块组,j取自然数,利用后验概率的计算公式将该待训练的自然图像集合的所有块组βj匹配到K个分量中,得到K类训练样本;
后验概率的计算公式为:
其中,P(k|βj)表示βj被分配到第k个分量的概率,k表示K个分量中的第K个分量,k=1,2,3,...,K,I是一个单位阵,Σk表示高斯混合模型第k个分量的协方差矩阵,σ表示第k个分量中相似图像块标准差,N(βj|0,Σk+σ2I)表示βj满足均值为0,方差为Σk+σ2I的概率;Q表示待训练的自然图像集合的所有块组的数目,q为自然数,q最大取值为Q;S表示待训练的自然图像集合的每个块组中含有的相似图像块的数目,s为自然数,s最大取值为S,βs表示βs的均值;
步骤2.3对k类训练样本分别采用K-SVD字典训练方法进行训练,得到K对低分辨率字典Dlk和与Dlk相应的K对高分辨率字典Dhk,每类训练样本对应一对高分辨率字典Dhk和低分辨率字典Dlk;
步骤2.4利用OMP算法依次计算步骤1得到的中间分辨率块组的每一相似块在其对应的低分辨率字典Dlk下的稀疏表示系数;
步骤2.5将该类块的稀疏表示系数与对应的高分辨率字典Dhk相乘得到高频成分,再将高频成分与步骤1得到的相似块求和得到高分辨率图像块;
步骤3将高分辨率图像块融合后得到高分辨率图像HR。
其中,步骤2.2中,利用后验概率的计算公式将所有块组βj匹配到步骤2.1得到的高斯混合模型的K个分量中,具体包括:利用后验概率P(k|βj)的计算公式,计算每个块组βj与K个分量中的每一个分量的后验概率值,将这一块组分配到最大的后验概率值对应的分量中。
其中,步骤2.4中,利用OMP算法依次计算中间分辨率块组在低分辨率字典Dlk下相应的稀疏表示系数,具体包括:
步骤2.3.1将步骤1的多个中间分辨率块组,利用后验概率的计算公式寻找每个中间分辨率块组属于高斯混合模型的哪个分量;
步骤2.3.2对每个相似块,利用滤波模板计算一阶梯度特征和二阶梯度特征得到特征矢量,对特征矢量在每个相似块所在中间分辨率块组对应的分量的低分辨率字典Dlk下采用OMP算法,计算得到低分辨率字典Dlk相应的稀疏表示系数。
其中,步骤3中,将高分辨率图像块融合去除块效应得到高分辨率图像。
本发明与现有技术相比,具有如下技术效果:
本发明考虑了自然图像块结构多样化这一特性,不同于现有的全局字典训练,本发明基于高分辨率字典和低分辨率字典以及相应的稀疏表示系数,构造了一种多字典的方式,解决全局字典无法兼顾各种不同类型图像块特征的问题。
下面结合附图和具体实施方式对本发明的方案做进一步解释和说明。
附图说明
图1是本发明的方法流程图。
图2给出了本发明的超分辨率重建过程,其中Bicubic amlifucation是双三次差值放大方法,take patches是指取块处理,GMM是指通过高斯混合模型指导分类,featureextraction是指特征提取得到patch feature vectors(图像块组特征矢量),kthcategory HR patches是指第k类高分辨率块组,remove the patch effect是指去除块效应操作。
图3是三幅低分辨率测试图像。
图4、图5和图6是各种方法对于三幅测试图像的SR重建结果,图4为Butterfly图像放大2倍的重建结果,图5为Parrot图像放大2倍的重建结果,图6为Comic图像放大2倍的重建结果,其中,(a)是HR原图,(b)是LR图像经过双三次插值后得到的HR图像,(c)是CSC重建的结果,(d)是NCSR的结果,(e)是ANR的重建结果,(f)是Far的重建结果,(g)是yang的重建结果,(h)是本文方法的重建结果。
具体实施方式
实施例1:
本实施例提出一种多字典超分辨率图像重建方法,包括以下步骤:
步骤一,取自然界中多幅自然图像,组成待求解的自然图像集合,该集合中的图像可以在自然中任意选取,目的是为了求解得到包含K个分量的高斯混合模型来训练别的图像,选取的图像不会影响算法结果,对多幅自然图像中的每一幅取块,采用滑动窗口算法,进行取块处理,构成图像块集合,对图像块进行训练生成含有K个分量的高斯混合模型,训练得到的模型信息即为外部先验信息,此处的多幅自然图像,可取自自然界任意处的图像。本步骤为常规步骤,可按照常用的算法求解得到,也可以按照本实施例给出的如下的具体实施步骤实施:
步骤1.1:对于一系列自然图像组成的样本而言,首先定义一个局部图像块(5*5),在(15*15)大小的窗口下遍历所有自然图像进行相似块的搜索,我们可以提取出相似块组,这些相似块组包含非局部自相似先验信息,非局部自相似先验信息是本领域图像取块处理时一种定义方式,本领域公知,这些块组可以定义为:
其中,zi表示第i个块组,N表示块组数量,M表示每一个块组中相似图像块的数目,xm,i表示第i个块组的第m个相似块。
步骤1.2:假定所有的图像块都是独立采样,训练包含K个分量的高斯混合模型,具体训练就是求解下式的目标函数:
其中,μk表示GMM(高斯混合模型)中第k个分量的均值,Σk表示GMM中第k个分量的协方差矩阵,πi(i=1,2,3,…K)是高斯混合模型的混合系数。
具体求解高斯混合模型参数的方法是交替求解下述两个步骤,具体公式如下:
步骤1.2.1:通常通过引入一个隐藏变量Δnk(n=1,2,…,N;k=1,2,…K)进行下述优化问题的求解,当图像块组zi属于高斯混合模型的第k个分量时,
Δnk=1,否则的话Δnk=0,那么隐藏变量Δnk的期望就是γnk。
步骤1.2.2:具体的求解公式为:
其中,其中,m表示zi的维度,T表示转置。
步骤二,同样的取块处理方法,对待训练的自然图像取块,此处待训练的自然图像取自然界中任意图像,但不同于步骤一的图像。本方法中待训练的自然图像可以取自Yang的69幅自然图像(Yang J.,Wright J.,Huang T S.,et al.Image Super-Resolution ViaSparse Representation[J].IEEE Transactions on Image Processing,2010,19(11):2861-2873.),在本方法的实施过程中,推荐使用Yang的69幅自然图像作为待训练的自然图像集合,原因在于Yang的69幅自然图像是本领域训练图像时采用的较为通用的数据集,对Yang的69幅自然图像进行取块,并将相似的局部图像块形成块组,对于所有的块组,根据训练好的高斯混合模型指导图像块组进行分类,利用最大后验概率寻找该块组属于高斯混合模型的哪一个分量,得到K类训练样本,具体的步骤如下:
对69幅自然图像取块处理,然后对于每一个局部块,在大小为w×w的窗口寻找其相似的块形成块组PG,分别计算每一个PG属于K个高斯分量的概率,找出K个概率中的最大概率所对应的分量,将PG分配到该分量中,得到K类训练样本。
具体地计算公式如下所示:
其中,βj表示第j个块组,r表示混合模型的分量,P(r|βj)表示的是j个块组被分到第r个分量的概率,Q表示块组的数目(待训练高斯混合模型的M大小不同),S表示每一个块组中相似图像块的数目(与待训练高斯混合模型的M大小相同),Σr表示第一步训练好的高斯混合模型的第r个分量的协方差矩阵,I是一个单位阵,表示第s个图像块的均值,σ表示图像块的标准差,N(βj|0,Σr+σ2I)表示第j个块组满足均值为0,方差为Σr+σ2I的概率,每个PG属于对应后验概率最大的那一个分量,所有的样本块分到PG后,都会被分到K类分量中。
步骤三,对K类训练样本分别采用K-SVD字典训练方法进行学习,得到K对高分辨率字典Dhk和相应的低分辨率字典Dlk,本步骤为常规步骤,可按照常用的算法求解得到,也可以按照本实施例给出的如下的具体实施步骤实施:
步骤3.1:将K类样本中的每块图像采样,经双三次插值放大两倍组成中间分辨率图像块。
步骤3.2:计算第k类中的每个图像块减去其对应的中间分辨率信息,作为HR训练集Uhk。
步骤3.3:计算中间分辨率图像块的一阶和二阶梯度,作为LR训练集合Ulk。
步骤3.4:利用K-SVD算法,求解下式的最小化问题:
其中,Dlk表示第k类的LR过完备字典,A={αk}表示稀疏系数,K0表示αk的稀疏性。
步骤3.5:计算第k类高分辨率字典,具体公式如下:
{Dhk}=Uhk(A)T(A(A)T)-1
步骤四,对待重建的LR图片经过双三次插值放大u倍得到中间分辨率图像MR,对MR进行取块,并搜索最相似的块构建块组,利用后验概率寻找每一个块组属于哪一个高斯混合模型的分量,具体步骤如下:
步骤4.1:将LR图像Y经过双三次放大u倍(例如2倍)得到MR图像Y’,对MR图像取块y,每个图像块大小为5×5,步长为1。
步骤4.2:对每个图像块在W×W大小的窗口内进行搜索M个最相似的块形成块组。然后,对于所有的块组,利用后验概率寻找其属于哪一个高斯混合模型的分量。例如,对于MR的某个中间分辨率块组W,利用后验概率计算公式计算中间分辨率块组W与K个分量的后验概率值,找出后验概率值最大的分量,即为该中间分辨率块组W对应的分量,在前述步骤中,对于每一个高斯混合模型的分量,已经得到了该分量对应的高低分辨率字典,所以等于是为中间分辨率块组W寻找到了对应的高低分辨率字典。
步骤五,对中间分辨率块组W中的每一个相似块,利用滤波模板计算一阶梯度和二阶梯度特征得到特征矢量,利用特征矢量和中间分辨率块组W对应的低分辨率字典,采用OMP算法计算稀疏表示系数A={αk}。本步骤为常规步骤,可按照常用OMP算法求解得到:
例如,得到特征矢量的过程如下:
利用四个滤波模板得到四幅特征图I1、I2、I3和I4。如果要提取这类块组中图像块xi时,取出该图像块xi在I1、I2、I3和I4中对应位置的块作为特征块。将四个特征块按照列优先的顺序分别放入四个特征列向量中:v1,v2,v3,v4。将四个列向量组合为一个列向量V,即为特征向量
提取一阶梯度和二阶梯度滤波模板,滤波模板是图像处理领域常用术,提取方法公知,如下:
f1=[-1,0,1]f2=f1 T
f3=[1,0,-2,0,1]f4=f3 T
步骤六,利用上一步计算出的每一个块的稀疏系数和中间分辨率块组W相应的高分辨率字典Dhk,相乘计算高频成分,与对应的相似块求和,就得到了高分辨率图像块xik;
步骤七,将所有高分辨率图像块放回中间分辨率MR图像中(即放回相应的位置,融合),并去除块效应得到最终的高分辨率图像X。
以下为本发明的实验结果验证分析:
本实验块组中块的数目M和S的取值为10,高斯分量数目K的取值为12,σ取值为0.002,放大倍数u取2。本实验采用的对比方法包括:双三次插值,yang,CSC,Far,NCSR和ANR方法。对比方法的数值实现代码都是从作者的个人主页下载:
双三次直接调用matlab的库函数,
Yang代码下载链接:http://www.ifp.illinois.edu/~jyang29/codes/ScSR.rar
CSC代码下载链接:http://www4.comp.polyu.edu.hk/~cslzhang/code/CSCSR.Zip
Far代码获取渠道:https://www.researchgate.net/profile/Fahimeh_FarhadifardNCSR代码下载链接http://see.xidian.edu.cn/faculty/wsdong/Data/NCSR.rarANR代码下载链接为:
http://www.vision.ee.ethz.ch/~timofter/software/SR_NE_ANR.zip
参数设置遵照其中原文给出的参数。图3是三幅低分辨率测试图像,图4、图5和图6是各种方法对于三幅测试图像的SR重建结果,其中(a)是HR原图,(b)是LR图像经过双三次插值后得到的HR图像,(c)是CSC重建的结果,(d)是NCSR的结果,(e)是ANR的重建结果,(f)是Far的重建结果,(g)是yang的重建结果,(h)是本文方法的重建结果。由结果图可知,我们的方法在花纹的边界几乎没有模糊现象,呈现出理想的重建效果。
为进一步说明本发明方法的有效性,表1展示了本文方法和几种对比方法在不同测试图像下的PSNR值。其中PSNR(Peak Signal to Noise Ratio)为峰值信噪比,单位是dB,数值越大表示失真越小。PSNR是最普遍和使用最为广泛的一种图像客观评价指标,它是基于对应像素点间的误差,即基于误差敏感的图像质量评价。从PSNR值来看,我们的方法在大部分图像上都具有较高的PSNR值,平均PSNR是所有方法中最高的。
表2展示了几种不同方法在测试图像下的SSIM。其中,SSIM(StructuralSimilarity)为结构相似性,也是一种全参考的图像质量评价指标,它分别从亮度、对比度、结构三方面度量图像相似性。SSIM取值范围[0,1],值越大,表示图像失真越小。SSIM在图像去噪、图像相似度评价上是优于PSNR的。
以下是本实施例中用到的参考文献:
yang[1],CSC[2],Far[3],NCSR[4]和ANR[5]:
[1]Yang J.,Wright J.,Huang T S.,et al.Image Super-Resolution ViaSparse Representation[J].IEEE Transactions on Image Processing,2010,19(11):2861-2873.
[2]Gu S.,Zuo W.,Xie Q.,et al.Convolutional Sparse Coding for ImageSuper-resolution[A].2015IEEE International Conference on Computer Vision(ICCV)[C].IEEE Computer Society,2015.
[3]Farhadifard F.,Abar E.,Nazzal M.,et al.Single image superresolution based on sparse representation via directionally structureddictionaries[A].Signal Processing and Communications Applications Conference(SIU),2014 22nd.IEEE[C].2014
[4]Dong W.,Zhang L.,Shi G.Nonlocally Centralized SparseRepresentation for Image Restoration[J].IEEE Transactions on ImageProcessing,2013,22(4):1618-1628.
[5]Timofte R.,De V.,Gool L V.Anchored Neighborhood Regression forFast Example-Based Super-Resolution[A].2013IEEE International Conference onComputer Vision(ICCV)[C].IEEE Computer Society,2013.
表1不同方法重建结果的PSNR值
表2不同方法重建结果的SSIM值
Claims (5)
1.一种多字典超分辨率图像重建方法,本方法是对待重建的低分辨率图像LR进行超分辨率重建得到超分辨率图像HR,其特征在于,包括以下步骤:
步骤1 取自然界中任意多幅自然图像组成自然图像集合Ⅰ,对自然图像集合Ⅰ采用滑动窗口算法搜索相似块得到多个块组,对所有块组采用EM算法求解,得到高斯混合模型,该高斯混合模型具有K个分量;
步骤2 取自然界中任意多幅自然图像组成自然图像集合Ⅱ,自然图像集合Ⅱ与自然图像集合Ⅰ无交集,对自然图像集合Ⅱ中的每一幅自然图像,采用滑动窗口算法搜索相似块组成多个块组,利用后验概率的计算公式将自然图像集合Ⅱ的所有块组匹配到K个分量中,得到K类训练样本;βj表示第j个块组,j取自然数;
后验概率的计算公式如下:
其中,k表示K个分量中的第k个分量,k=1,2,3,...,K,P(k|βj)表示βj被分配到第k个分量的概率,Γ是一个单位阵,Σk表示第k个分量的协方差矩阵,σ表示第k个分量的相似块标准差,N(βj|0,Σk+σ2Γ)表示βj满足均值为0,方差为Σk+σ2Γ的概率;表示βs的均值,Q表示自然图像集合Ⅱ的所有块组的数目,Q为自然数,q=1,2,...,Q;S表示自然图像集合Ⅱ的每个块组中含有的相似块的数目,S为自然数,s=1,2,...,S;
步骤3 对K类训练样本分别采用K-SVD字典训练方法进行训练,得到K个低分辨率字典Dl和与Dl相应的K个高分辨率字典Dh;
步骤4 对LR经过双三次插值放大得到中间分辨率图像MR,对MR采用滑动窗口算法搜索相似块组成多个中间分辨率块组,利用后验概率的计算公式找出每个中间分辨率块组所匹配的高斯混合模型的分量;
在所匹配的高斯混合模型的分量对应的低分辨率字典Dl下利用OMP算法依次计算对应每个中间分辨率块组中的每一个相似块的稀疏表示系数,将所匹配的高斯混合模型的分量对应的Dh和稀疏表示系数相乘得到高频成分;
步骤5 将中间分辨率块组的每一个相似块与每一个相似块对应的高频成分求和即得到超分辨率图像块,将超分辨率图像块融合后得到HR。
2.如权利要求1所述方法,其特征在于:步骤1中,对自然图像集合Ⅰ中的每一幅自然图像,采用滑动窗口算法搜索相似块得到多个块组zi,对自然图像集合Ⅰ的所有块组采用EM算法求解,得到包含K个分量的高斯混合模型;其中,zi表示第i个块组,i=1,2,3,...,N,N表示块组的数目,K<N。
3.如权利要求1所述方法,其特征在于:步骤2中,利用后验概率的计算公式将所有块组匹配到K个分量中,具体包括:利用后验概率的计算公式,计算每个块组与K个分量中的每一个分量的后验概率值,将这一块组分配到后验概率值的最大值对应的分量中。
4.如权利要求1所述方法,其特征在于:步骤4中,计算每个中间分辨率块组中的每一个相似块对应的稀疏表示系数,包括:
步骤4.1 利用后验概率的计算公式寻找每个中间分辨率块组对应的后验概率值的最大值对应的高斯混合模型的分量;
步骤4.2 对每个中间分辨率块组所包含的每一个相似块,利用滤波模板计算一阶梯度特征和二阶梯度特征得到特征矢量,对特征矢量在步骤4.1所述高斯混合模型的分量对应的低分辨率字典Dl下采用OMP算法,计算得到与低分辨率字典Dl相应的稀疏表示系数。
5.如权利要求1所述方法,其特征在于:步骤5中,将超分辨率图像块融合并去除块效应得到HR。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910423653.3A CN110288525B (zh) | 2019-05-21 | 2019-05-21 | 一种多字典超分辨率图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910423653.3A CN110288525B (zh) | 2019-05-21 | 2019-05-21 | 一种多字典超分辨率图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288525A CN110288525A (zh) | 2019-09-27 |
CN110288525B true CN110288525B (zh) | 2022-12-02 |
Family
ID=68002414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910423653.3A Active CN110288525B (zh) | 2019-05-21 | 2019-05-21 | 一种多字典超分辨率图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288525B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640059B (zh) * | 2020-04-30 | 2024-01-16 | 南京理工大学 | 基于高斯混合模型的多字典图像超分辨方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360496A (zh) * | 2011-10-19 | 2012-02-22 | 西安电子科技大学 | 基于gmm参数迁移聚类的sar图像分割方法 |
CN102999748A (zh) * | 2012-12-12 | 2013-03-27 | 湖北微驾技术有限公司 | 一种优化人脸图像超分辨率重构方法 |
CN103077511A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于字典学习和结构相似的图像超分辨率重建方法 |
JP2013167585A (ja) * | 2012-02-16 | 2013-08-29 | Sumitomo Heavy Ind Ltd | 画像処理方法及び画像処理装置 |
CN106508045B (zh) * | 2011-12-05 | 2014-08-27 | 中国科学院自动化研究所 | 一种基于图像边缘保持自适应分解的超分辨率重建方法 |
CN105787895A (zh) * | 2016-02-29 | 2016-07-20 | 中国计量学院 | 基于分层高斯混合模型的统计压缩感知图像重构方法 |
CN106296583A (zh) * | 2016-08-01 | 2017-01-04 | 西北工业大学 | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 |
CN108416734A (zh) * | 2018-02-08 | 2018-08-17 | 西北大学 | 基于边缘驱动的文本图像超分辨率重建方法和装置 |
CN109712150A (zh) * | 2018-12-26 | 2019-05-03 | 航天恒星科技有限公司 | 基于稀疏表示的光学微波图像融合重建方法和装置 |
-
2019
- 2019-05-21 CN CN201910423653.3A patent/CN110288525B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360496A (zh) * | 2011-10-19 | 2012-02-22 | 西安电子科技大学 | 基于gmm参数迁移聚类的sar图像分割方法 |
CN106508045B (zh) * | 2011-12-05 | 2014-08-27 | 中国科学院自动化研究所 | 一种基于图像边缘保持自适应分解的超分辨率重建方法 |
JP2013167585A (ja) * | 2012-02-16 | 2013-08-29 | Sumitomo Heavy Ind Ltd | 画像処理方法及び画像処理装置 |
CN102999748A (zh) * | 2012-12-12 | 2013-03-27 | 湖北微驾技术有限公司 | 一种优化人脸图像超分辨率重构方法 |
CN103077511A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于字典学习和结构相似的图像超分辨率重建方法 |
CN105787895A (zh) * | 2016-02-29 | 2016-07-20 | 中国计量学院 | 基于分层高斯混合模型的统计压缩感知图像重构方法 |
CN106296583A (zh) * | 2016-08-01 | 2017-01-04 | 西北工业大学 | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 |
CN108416734A (zh) * | 2018-02-08 | 2018-08-17 | 西北大学 | 基于边缘驱动的文本图像超分辨率重建方法和装置 |
CN109712150A (zh) * | 2018-12-26 | 2019-05-03 | 航天恒星科技有限公司 | 基于稀疏表示的光学微波图像融合重建方法和装置 |
Non-Patent Citations (3)
Title |
---|
Image Super-Resolution based on multi-pairs of dictionaries via Patch Prior Guided Clustering;Dongfeng Mei 等;《2018 Eighth International Conference on Image Processing Theory, Tools and Applications (IPTA)》;20190113;第1-6页 * |
Image super-resolution by estimating the enhancement weight of self example and external missing patches;Fang-Ju Lin 等;《Multimedia Tools and Applications》;20171106(第77期);第19071–19087 页 * |
Super-resolution image reconstruction via patch haar wavelet feature extraction combined with sparse coding;Xuan Zhu 等;《2015 IEEE International Conference on Information and Automation》;20151001;第770-775页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110288525A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741256B (zh) | 基于稀疏表示和深度学习的图像超分辨率重建方法 | |
CN110120011B (zh) | 一种基于卷积神经网络和混合分辨率的视频超分辨方法 | |
CN110443768B (zh) | 基于多重一致性约束的单帧图像超分辨率重建方法 | |
Xu et al. | Image inpainting by patch propagation using patch sparsity | |
CN103077511B (zh) | 基于字典学习和结构相似的图像超分辨率重建方法 | |
CN112801877B (zh) | 一种视频帧的超分辨率重构方法 | |
CN109102469B (zh) | 一种基于卷积神经网络的遥感图像全色锐化方法 | |
CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN105631807B (zh) | 基于稀疏域选取的单帧图像超分辨重建方法 | |
CN111127354B (zh) | 一种基于多尺度字典学习的单图像去雨方法 | |
CN111340744B (zh) | 基于注意力双流深度网络的低质量图像降采样方法及其*** | |
CN103455988B (zh) | 基于结构自相似性与稀疏表示的超分辨率图像重构方法 | |
CN112150354B (zh) | 联合轮廓增强与去噪统计先验的单幅图像超分辨率方法 | |
CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
CN113191969A (zh) | 一种基于注意力对抗生成网络的无监督图像除雨方法 | |
CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
CN112561799A (zh) | 一种红外图像超分辨率重建方法 | |
CN115953303B (zh) | 结合通道注意力的多尺度图像压缩感知重构方法及*** | |
CN105590296B (zh) | 一种基于双字典学习的单帧图像超分辨率复原方法 | |
CN114387161B (zh) | 一种视频超分辨率重建方法 | |
CN111598804A (zh) | 基于深度学习的图像多级去噪方法 | |
CN116416156A (zh) | 一种基于Swin Transformer的医学图像去噪方法 | |
CN110288525B (zh) | 一种多字典超分辨率图像重建方法 | |
CN114926883A (zh) | 一种满足多种降质模型的人脸图像处理方法 | |
CN112837220B (zh) | 一种提高红外图像分辨率的方法及其用途 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |