【摘要】 本发明涉及一种基于残差的图像超分辨率重建方法。本发明的具体步骤是：首先，计算原高分辨率图像与低分辨率图像经插值放大后的图像之间的残差；其次，以低分辨率图像样本特征和对应图像残差建立样本对，以低分辨率样本为基准采用K-均值对样本对进行分类，并对每一类样本对采用K-SVD方法进行训练获得低分辨率样本与图像残差的字典对；最后，根据测试样本与类中心的欧氏距离选择字典对，将与测试样本具有相近欧氏距离的各类别所重建的图像残差求加权和作为重建的最终图像残差，并结合低分辨率图像的插值结果获得高分辨率图像。本发明只需重构图像残差，结合插值图像即可重建高分辨率图像，提高了高分辨率图像边缘细节处的重建结果。 【专利类型】发明授权 【申请人】杭州电子科技大学 【申请人类型】学校 【申请人地址】310018 浙江省杭州市下沙高教园区2号大街 【申请人地区】中国 【申请人城市】杭州市 【申请人区县】上城区 【申请号】CN201210170038.4 【申请日】2012-05-29 【申请年份】2012 【公开公告号】CN102722876B 【公开公告日】2014-08-13 【公开公告年份】2014 【授权公告号】CN102722876B 【授权公告日】2014-08-13 【授权公告年份】2014.0 【IPC分类号】G06T5/50; G06T3/40 【发明人】陈华华 【主权项内容】一种基于残差的图像超分辨率重建方法，其特征在于该方法包括以下步骤：步骤(1)计算残差，具体是：将用于训练的低分辨率样本图像y插值放大得到图像Xb，图像Xb与原高分辨率图像具有相同尺寸，将图像Xb与原高分辨率图像X之间的差值即Xr＝X-Xb作为图像残差；步骤(2)获得低分辨率训练样本图像与高分辨率图像残差的字典对，具体是：计算低分辨率训练样本图像的一阶、二阶梯度图像，将一阶、二阶梯度图像分块，以一阶、二阶梯度值作为低分辨率图像子块的特征；将图像残差分块，以子块残差作为高分辨率图像子块的特征，训练字典对，它由低分辨率字典和高分辨率字典构成；训练时，对输入的每个高、低分辨率图像特征子块向量化，得到各自向量化的特征子块样本集合，分别记为{xri}和{yi}，其中xri表示图像残差特征子块，yi表示低分辨率图像特征子块，i＝1, …, N，N是子块数；对低分辨率特征子块样本集合{yi}进行分类，先计算每个yi的方差值，按给定的方差阈值△进行分类，阈值△可通过对集合{yi}进行方差统计获得；对于方差小于或等于阈值△的低分辨率图像特征子块样本组成一个集合{yi0}，由其对应的高分辨率特征子块样本获得集合{xri0}，将集合{xri0}和集合{yi0}构成高、低分辨率子块样本对，采用K-SVD学习算法得到高分辨率字典Dh0、低分辨率字典Dl0；高分辨率字典Dh0和低分辨率字典Dl0构成字典对；对于方差大于阈值△的集合{yi}、{xri}，此时的样本数量仍相当大，采用K-均值聚类算法对方差大于阈值的集合{yi}进行分类；通过对{yi}聚类分成K类样本，各类对应的{xri}也同样分成了K类样本，则得到K类高、低分辨率子块样本对{xrik}、{yik}以及{yik}的聚类中心{Ck}，k＝1, 2, …, K；分别对各类子块样本对采用K-SVD训练得到K对高、低分辨率字典Dhk和Dlk；步骤(3)超分辨率重建高分辨率图像，具体是：对样本对进行分类学习后，可得K+1对高、低分辨率字典；对低分辨率测试图像yt重建时，先对yt分块，每个子块进行超分辨率重建时必须选用合适的字典进行稀疏分解与高分辨率图像重建，采用分解低分辨率测试图像子块yti，其中Dls是选择的最适合的低分辨率字典，α是稀疏表示矢量，ε是给定的误差值；对应的高分辨率残差子块xtri重建过程采用xtri＝Dhsα，其中Dhs是与Dls相对应的高分辨率字典；由子块yti与各聚类中心中具有最小欧氏距离的类别所对应的字典Dls作为最适合的低分辨率字典；重建获得的是残差图像其中M是低分辨率测试图像的子块数，Ri是子块的提取方式，T代表转置；残差图像与低分辨率插值放大后的结果相加可获得超分辨率图像；对于输入的待重建测试图像子块yti，先计算图像子块的方差并根据方差选择字典，对于方差小于阈值△的子块选用Dh0、Dl0进行重建，否则根据子块与K-均值聚类中心点的距离按式(1)进行字典选择；s=argminn{ 【当前权利人】杭州电子科技大学 【当前专利权人地址】浙江省杭州市下沙高教园区2号大街 【专利权人类型】公立 【统一社会信用代码】12330000470009026T 【引证次数】2.0 【他引次数】2.0 【家族引证次数】2.0 【家族被引证次数】34

未经允许不得转载：http://www.zhongzhencnc.com/1791478505.html