CN103020909A - 基于多尺度结构自相似与压缩感知的单图像超分辨率方法 - Google Patents
基于多尺度结构自相似与压缩感知的单图像超分辨率方法 Download PDFInfo
- Publication number
- CN103020909A CN103020909A CN2012105195878A CN201210519587A CN103020909A CN 103020909 A CN103020909 A CN 103020909A CN 2012105195878 A CN2012105195878 A CN 2012105195878A CN 201210519587 A CN201210519587 A CN 201210519587A CN 103020909 A CN103020909 A CN 103020909A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- matrix
- super
- high resolution
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
Abstract
基于多尺度结构自相似与压缩感知的单图像超分辨率方法,先设置高分辨率重构图像的初始估计值,设置迭代中止的误差,迭代最大的次数,根据图像的降质过程确定降采样矩阵和模糊矩阵,构建图像金字塔,并将其作为K-SVD方法的训练样本建立字典;按照Nonlocal方法在当前高分辨率重构图像中搜索具有相同尺度的相似图像块并确定权值矩阵;更新高分辨率重构图像的估计值,更新稀疏表示系数,更新高分辨率重构图像的估计值;然后进行下一次迭代,直到连续两步的高分辨率重构图像满足相应要求或达到最大的迭代次数,本发明通过压缩感知框架将蕴含在图像多尺度自相似结构中的附加信息加入到高分辨率重构图像中,具有更高的运算效率。
Description
技术领域
本发明涉及一种基于多尺度结构自相似与压缩感知的单图像超分辨率方法。
背景技术
高分辨率图像能够提供很多细节信息,因此在众多领域中高分辨率图像的获取具有重要意义。图像分辨率受成像平台、成像设备制造工艺以及成本等多方面因素的影响具有一定的局限性,因此在实际应用中通常采用超分辨率方法来提升图像的空间分辨率。超分辨率方法利用信号处理方法,通过单幅或多幅低分辨率图像重构高分辨率图像。传统的超分辨率方法通常采用多幅低分辨率图像,利用它们之间的互补信息重构高分辨率图像,然而在众多应用场合下同一时相、同一区域的多幅低分辨率图像通常无法获取,这使得利用单幅低分辨率图像提升空间分辨率成为目前超分辨率技术中一个亟待解决的问题。
超分辨率方法将低分辨率成像设备获取图像的过程看作由高分辨率图像退化为低分辨率图像的降质过程,在降质过程中高分辨率图像损失了一些细节信息。超分辨率方法所要解决的问题对应于降质过程的逆过程,即通过低分辨率图像重构高分辨率图像,这一逆过程被称为重构过程,而获得的高分辨率图像被称为高分辨率重构图像。在单幅图像的超分辨率方法中,只有一幅低分辨率图像可以利用,因此在重构过程中,需要加入附加信息以弥补降质过程中损失的细节信息。超分辨率方法通常将附加信息作为正则化约束项加入到重构过程中,这使得超分辨率问题转换成为求解带有约束项的最优化问题。基于压缩感知的超分辨率方法将图像在特定字典下具有稀疏性这一附加信息作为约束项;基于结构自相似性的超分辨率方法将图像中广泛存在自相似结构这一附加信息作为约束项。尽管这两种方法取得了较好的超分辨率重构效果,然而方法均存在各自的不足。基于压缩感知的超分辨率方法是在压缩感知框架下完成的,这种方法利用图像在特定字典下具有稀疏性这一先验知识,将由大量高分辨率图像构成的图像库作为训练样本进行字典学习。字典的每一列称为字典的一个元素,字典学习的过程是使样本能够表示为少数字典元素的线性组合。字典构建完成后,方法通过求解一个最优化问题获取高分辨率重构图像。由于用于字典学习的样本取自图像库,因此会带来两个问题:首先,由于图像内容多种多样,为了使所有的图像块在训练得到的字典下均具有较好的稀疏表示形式,用于构建字典的图像库必须具有较大的规模,这使得字典学习的过程很难得到收敛;另外,图像库未必能提供待处理低分辨率图像所需要的附加信息,虽然对于训练样本来说字典是最优的,但是对于某一特定的图像块而言这种全局字典既不是最优的也不是有效的。因此,全局字典所提供的附加信息可能是不准确的,这一点制约了现有基于压缩感知的超分辨率方法。基于结构自相似性的超分辨率方法将图像中广泛存在的相似结构作为附加信息提升图像的空间分辨率。在这种方法中,由于附加信息来自图像自身,因此是准确的,从而克服了基于压缩感知的超分辨率方法的不足。然而目前大多数基于结构自相似性的超分辨率方法仅利用了同尺度自相似结构,而没有利用不同尺度自相似结构,因此附加信息的获取具有局限性;另外,方法在实现过程中需要在整幅图像中搜索相似图像块,因此运算复杂度较高。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供一种基于多尺度结构自相似与压缩感知的单图像超分辨率方法。
为了实现上述目的,本发明采用的技术方案是:
基于多尺度结构自相似与压缩感知的单图像超分辨率方法,包括如下步骤:
步骤2:根据图像的降质过程确定降采样矩阵D和模糊矩阵H;
步骤3:构建图像金字塔,并将其作为K-SVD方法的训练样本建立字典Ψ;
步骤4:按照Nonlocal方法在当前高分辨率重构图像中搜索具有相同尺度的相似图像块并确定权值矩阵B;
步骤5:更新高分辨率重构图像的估计值 其中,U=(DH)TDH,V=η2(I-B)T(I-B);
所述步骤3中,图像金字塔的构建过程是将低分辨率图像进行降采样以及插值处理从而获得一系列具有不同分辨率的图像。
与现有的技术相比,本发明将待处理低分辨率图像的图像金字塔作为训练样本来构建字典,充分利用了图像中的多尺度自相似结构。本发明还将Nonlocal方法也融入到超分辨率方法中,Nonlocal方法可以有效地利用同尺度自相似结构所提供的附加信息。本发明利用图像自身所提供的附加信息,克服了现有基于压缩感知的超分辨率方法在获取附加信息时依赖于图像库这一不足;通过压缩感知框架将蕴含在图像多尺度自相似结构中的附加信息加入到高分辨率重构图像中,由于避免了在整幅图像中搜索相似图像块,因此与现有基于结构自相似性的超分辨率方法相比具有更高的运算效率。
附图说明
图1为多尺度自相似结构在图像金字塔中的体现。
图2为本发明处理流程图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
Y=DHX+υ (2.1)
其中,D表示降采样矩阵,H表示模糊矩阵,υ表示加性噪声。式(2.1)所示的观测模型说明低分辨率图像是由高分辨率图像经过模糊、降采样以及加入噪声等降质过程获取的。超分辨率方法通过求解降质过程的逆过程重构高分辨率图像,可以表示成如下的最优化问题:
由于满足Y=DHX的解不惟一,因此需要在式(2.2)中加入约束项从而获得最优解。图像在特定字典下具有稀疏性,为了将这种稀疏性作为约束项加入到式(2.2)所示的超分辨率模型中,通常需要对图像进行分块处理,图像块之间可以相互重叠。设xi∈Rn表示高分辨率图像块,表示高分辨率重构图像块,xi与X之间的关系可以表示为xi=RiX,i=1,2,...,p,其中Ri为抽取矩阵,其作用是将高分辨率图像块从高分辨率图像中抽取出来,p表示高分辨率图像块的个数。在字典ψ∈Rn×t下具有稀疏表示形式,即 为稀疏表示系数, 其中 表示中非零元的个数,则高分辨率重构图像可以表示为如下形式,为了书写方便引入符号ο:
将式(2.3)代入式(2.2)并加入对表示系数的稀疏性约束即可得到带有稀疏性约束项的超分辨率模型:
式(2.4)中最小化l0范数的优化问题是一个NP难问题,在α足够稀疏时,可以将式(2.4)中的l0范数用l1范数代替,此时式(2.4)转化为如下所示的最小化l1范数优化问题:
(2.5)中的第一项表示观测模型对高分辨率重构图像的限制,第二项表示稀疏性对高分辨率重构图像的限制。与现有基于压缩感知的超分辨率方法不同,本发明在构建字典的过程中并不是将图像库作为训练样本,而是将待处理低分辨率图像自身的图像金字塔作为训练样本。图像金字塔是指将图像做金字塔分解而获得的具有不同分辨率的一系列图像。图像金字塔含有大量多尺度自相似结构,图1直观地说明了多尺度自相似结构在图像金字塔中的体现,其中第0层I0表示低分辨率图像,第K层IK表示低分辨率图像的插值图像,六边形代表具有相似结构的图像块。与将图像库作为训练样本构建字典的超分辨率方法相比,这种利用图像金字塔的方法可以更加充分地提取蕴含在图像自身相似结构中的准确附加信息从而更有效地实现图像空间分辨率的提升。
本发明将Nonlocal方法所获得的同尺度自相似结构附加信息以正则化约束项的形式加入到超分辨率模型中。首先设置初始高分辨率重构图像,然后以迭代的方式不断更新高分辨率重构图像。设当前高分辨率重构图像为对当前高分辨率重构图像块在中搜索与其相似的图像块由于在整幅图像中搜索具有较高的运算复杂度,因此实际中只取附近的较大区域进行搜索,即选取以为中心的T×T大小的区域并只考虑中心像素位于这个区域中的图像块。由于在自然图像中,同尺度相似图像块通常出现在临近范围内,因此这种限制搜索范围的方法是行之有效的。设与之间的差异为取L个与最为接近的图像块l=1,…,L,将作为xi的相似图像块。设χi和分别为xi和的中心像素灰度值,令 其中 则应该接近χi,也就是说应该较小。令ωi表示l=1,...,L所组成的向量,χi表示l=1,...,L所组成的向量,将作为一项约束项加入到式(2.5)所示的超分辨率模型中,则有:
将式(2.6)用矩阵形式表示则有:
其中,I表示单位矩阵,B表示权值矩阵,满足
式(2.7)即为基于多尺度结构自相似性与压缩感知的单幅图像超分辨率方法的数学模型,将式(2.7)中的第一项和第三项进行合并,可以得到如下的简化表示形式:
其中
以下是本发明的具体处理步骤:
步骤2:根据图像的降质过程确定降采样矩阵D和模糊矩阵H;
步骤3:构建图像金字塔,并将其作为K-SVD方法的训练样本建立字典Ψ;
步骤4:按照Nonlocal方法在当前高分辨率重构图像中搜索具有相同尺度的相似图像块并确定权值矩阵B;
步骤5:更新高分辨率重构图像的估计值 其中,U=(DH)TDH,V=η2(I-B)T(I-B);
步骤6:更新稀疏表示系数i=1,2,...,p,其中Ri为抽取矩阵,p为图像块的个数,soft(x,τ)=sign(x)max(|x|-τ,0)为含有阈值τ的软阈值函数,sign(x)表示符号函数;
步骤7:更新高分辨率重构图像的估计值
Claims (2)
1.基于多尺度结构自相似与压缩感知的单图像超分辨率方法,包括如下步骤:
步骤2:根据图像的降质过程确定降采样矩阵D和模糊矩阵H;
步骤3:构建图像金字塔,并将其作为K-SVD方法的训练样本建立字典Ψ;
步骤4:按照Nonlocal方法在当前高分辨率重构图像中搜索具有相同尺度的相似图像块并确定权值矩阵B;
步骤5:更新高分辨率重构图像的估计值 其中,U=(DH)TDH,V=η2(I-B)T(I-B);
2.根据权利要求1所述基于多尺度结构自相似与压缩感知的单图像超分辨率方法,其特征在于,所述步骤3中,图像金字塔的构建过程是将低分辨率图像进行降采样以及插值处理从而获得一系列具有不同分辨率的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210519587.8A CN103020909B (zh) | 2012-12-06 | 2012-12-06 | 基于多尺度结构自相似与压缩感知的单图像超分辨率方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210519587.8A CN103020909B (zh) | 2012-12-06 | 2012-12-06 | 基于多尺度结构自相似与压缩感知的单图像超分辨率方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020909A true CN103020909A (zh) | 2013-04-03 |
CN103020909B CN103020909B (zh) | 2015-02-18 |
Family
ID=47969478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210519587.8A Active CN103020909B (zh) | 2012-12-06 | 2012-12-06 | 基于多尺度结构自相似与压缩感知的单图像超分辨率方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020909B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103356238A (zh) * | 2013-04-11 | 2013-10-23 | 汕头大学 | 一种高分辨率超声成像方法 |
CN103632359A (zh) * | 2013-12-13 | 2014-03-12 | 清华大学深圳研究生院 | 一种视频超分辨率处理方法 |
CN103839242A (zh) * | 2014-01-15 | 2014-06-04 | 中国科学院电子学研究所 | 一种基于高维索引的图像快速超分辨率增强方法 |
CN104200449A (zh) * | 2014-08-25 | 2014-12-10 | 清华大学深圳研究生院 | 一种基于压缩感知的fpm算法 |
CN105427253A (zh) * | 2015-11-06 | 2016-03-23 | 北京航空航天大学 | 基于非局部回归和总差分的多视点rgb-d图像超分辨率方法 |
CN105550988A (zh) * | 2015-12-07 | 2016-05-04 | 天津大学 | 基于改进邻域嵌入和结构自相似性的超分辨率重建算法 |
CN106408550A (zh) * | 2016-09-22 | 2017-02-15 | 天津工业大学 | 一种改进的自适应多字典学习的图像超分辨率重建方法 |
CN106780399A (zh) * | 2017-01-10 | 2017-05-31 | 南开大学 | 基于多尺度组稀疏的压缩感知图像重构方法 |
CN107155096A (zh) * | 2017-04-19 | 2017-09-12 | 清华大学 | 一种基于半误差反向投影的超分辨率重建方法及装置 |
CN108062743A (zh) * | 2017-08-25 | 2018-05-22 | 成都信息工程大学 | 一种含噪图像超分辨率方法 |
US20180164253A1 (en) * | 2016-12-08 | 2018-06-14 | Hubei University Of Technology | Method for compressing and reconstructing data |
CN110014656A (zh) * | 2018-12-13 | 2019-07-16 | 闽南理工学院 | 一种3d打印个性化鞋、打印控制系统及打印控制方法 |
CN113962897A (zh) * | 2021-11-02 | 2022-01-21 | 中国空间技术研究院 | 基于序列遥感影像的调制传递函数补偿方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794440A (zh) * | 2010-03-12 | 2010-08-04 | 东南大学 | 图像序列的加权自适应超分辨率重建方法 |
CN102163329A (zh) * | 2011-03-15 | 2011-08-24 | 河海大学常州校区 | 基于尺度类推的单幅红外图像的超分辨率重建方法 |
WO2011141196A1 (en) * | 2010-05-11 | 2011-11-17 | Zoran (France) | Two-dimensional super resolution scaling |
CN102542549A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
CN102750677A (zh) * | 2012-06-12 | 2012-10-24 | 清华大学 | 基于同尺度结构自相似与压缩感知的单图像超分辨率方法 |
-
2012
- 2012-12-06 CN CN201210519587.8A patent/CN103020909B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794440A (zh) * | 2010-03-12 | 2010-08-04 | 东南大学 | 图像序列的加权自适应超分辨率重建方法 |
WO2011141196A1 (en) * | 2010-05-11 | 2011-11-17 | Zoran (France) | Two-dimensional super resolution scaling |
CN102163329A (zh) * | 2011-03-15 | 2011-08-24 | 河海大学常州校区 | 基于尺度类推的单幅红外图像的超分辨率重建方法 |
CN102542549A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
CN102750677A (zh) * | 2012-06-12 | 2012-10-24 | 清华大学 | 基于同尺度结构自相似与压缩感知的单图像超分辨率方法 |
Non-Patent Citations (2)
Title |
---|
DANIEL GLASNER等: "Super-resolution from a single image", 《COMPUTER VISION, 2009 IEEE 12TH INTERNATIONAL CONFERENCE ON》 * |
潘宗序等: "基于压缩感知与结构自相似性的遥感图像超分辨率方法", 《信号处理》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103356238B (zh) * | 2013-04-11 | 2015-02-11 | 汕头大学 | 一种高分辨率超声成像方法 |
CN103356238A (zh) * | 2013-04-11 | 2013-10-23 | 汕头大学 | 一种高分辨率超声成像方法 |
CN103632359A (zh) * | 2013-12-13 | 2014-03-12 | 清华大学深圳研究生院 | 一种视频超分辨率处理方法 |
CN103632359B (zh) * | 2013-12-13 | 2016-03-30 | 清华大学深圳研究生院 | 一种视频超分辨率处理方法 |
CN103839242A (zh) * | 2014-01-15 | 2014-06-04 | 中国科学院电子学研究所 | 一种基于高维索引的图像快速超分辨率增强方法 |
CN104200449A (zh) * | 2014-08-25 | 2014-12-10 | 清华大学深圳研究生院 | 一种基于压缩感知的fpm算法 |
CN105427253B (zh) * | 2015-11-06 | 2019-03-29 | 北京航空航天大学 | 基于非局部回归和总差分的多视点rgb-d图像超分辨率方法 |
CN105427253A (zh) * | 2015-11-06 | 2016-03-23 | 北京航空航天大学 | 基于非局部回归和总差分的多视点rgb-d图像超分辨率方法 |
CN105550988A (zh) * | 2015-12-07 | 2016-05-04 | 天津大学 | 基于改进邻域嵌入和结构自相似性的超分辨率重建算法 |
CN106408550A (zh) * | 2016-09-22 | 2017-02-15 | 天津工业大学 | 一种改进的自适应多字典学习的图像超分辨率重建方法 |
US20180164253A1 (en) * | 2016-12-08 | 2018-06-14 | Hubei University Of Technology | Method for compressing and reconstructing data |
US10962504B2 (en) * | 2016-12-08 | 2021-03-30 | Hubei University Of Technology | Method for compressing and reconstructing data |
CN106780399A (zh) * | 2017-01-10 | 2017-05-31 | 南开大学 | 基于多尺度组稀疏的压缩感知图像重构方法 |
CN107155096A (zh) * | 2017-04-19 | 2017-09-12 | 清华大学 | 一种基于半误差反向投影的超分辨率重建方法及装置 |
CN108062743A (zh) * | 2017-08-25 | 2018-05-22 | 成都信息工程大学 | 一种含噪图像超分辨率方法 |
CN108062743B (zh) * | 2017-08-25 | 2020-07-21 | 成都信息工程大学 | 一种含噪图像超分辨率方法 |
CN110014656A (zh) * | 2018-12-13 | 2019-07-16 | 闽南理工学院 | 一种3d打印个性化鞋、打印控制系统及打印控制方法 |
CN113962897A (zh) * | 2021-11-02 | 2022-01-21 | 中国空间技术研究院 | 基于序列遥感影像的调制传递函数补偿方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103020909B (zh) | 2015-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020909B (zh) | 基于多尺度结构自相似与压缩感知的单图像超分辨率方法 | |
CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
CN111462013B (zh) | 一种基于结构化残差学习的单图去雨方法 | |
CN106952228A (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN105550988A (zh) | 基于改进邻域嵌入和结构自相似性的超分辨率重建算法 | |
CN106204449A (zh) | 一种基于对称深度网络的单幅图像超分辨率重建方法 | |
CN113343789A (zh) | 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN106663316A (zh) | 一种基于块稀疏压缩感知的红外图像重构方法及其系统 | |
CN105844590A (zh) | 基于稀疏表示的图像超分辨率重建方法及系统 | |
CN105590304B (zh) | 超分辨率图像重建方法和装置 | |
CN109214989A (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 | |
CN106920214A (zh) | 空间目标图像超分辨率重建方法 | |
CN103473797B (zh) | 基于压缩感知采样数据修正的空域可缩小图像重构方法 | |
CN103473744B (zh) | 基于变权重式压缩感知采样的空域可缩小图像重构方法 | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
CN104252704A (zh) | 基于总广义变分的红外图像多传感器超分辨率重建方法 | |
Cao et al. | New architecture of deep recursive convolution networks for super-resolution | |
CN105139339A (zh) | 基于多级滤波和样本匹配的偏振图像超分辨率重建方法 | |
CN104739410A (zh) | 一种磁共振图像的迭代重建方法 | |
CN104657962A (zh) | 基于级联线性回归的图像超分辨重建方法 | |
CN104574456A (zh) | 一种基于图正则化稀疏编码的磁共振超欠采样k数据成像方法 | |
CN104899835A (zh) | 基于盲模糊估计与锚定空间映射的图像超分辨处理方法 | |
CN104200439B (zh) | 基于自适应滤波和正则约束的图像超分辨方法 | |
CN113269818A (zh) | 一种基于深度学习的地震数据纹理特征重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |