CN103236041A - 一种基于Contourlet变换的图像超分辨率重建方法 - Google Patents
一种基于Contourlet变换的图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN103236041A CN103236041A CN2013101485683A CN201310148568A CN103236041A CN 103236041 A CN103236041 A CN 103236041A CN 2013101485683 A CN2013101485683 A CN 2013101485683A CN 201310148568 A CN201310148568 A CN 201310148568A CN 103236041 A CN103236041 A CN 103236041A
- Authority
- CN
- China
- Prior art keywords
- image
- contourlet
- conversion
- yardstick
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于contourlet变换的图像超分辨率重建方法,利用初始的高分辨率估计图像和contourlet变换,获取图像在频域的多尺度多方向特征,以解决在已知一幅低分辨率图像的情况下,实现高频信息的有效估计,获得边缘更加清晰的超分辨率图像。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于Contourlet变换的图像超分辨率重建方法
背景技术
图像的超分辨率重建对后续特征的提取和分析是非常有用的。超分辨率重建方法将低分辨率的图像重建为高分辨率的图像,在重建过程中,增强了高频分量,即超分辨率重建获得了图像的细节信息。Contourlet变换是方向性的多尺度图像表示,可以有效获取图像的多方向特征,可以检测图像的奇异点。Contourlet变换包括两个步骤:LP(Laplacian pyramid)和DFB(directionalfilter banks)。LP步骤将图像迭代分解为高通和低通的子带频段,DFB将分解得到的高频子带分解为多方向的频带。和小波变换相比,Contourlet变换具有相似的多尺度结构,并且在每一个尺度下有多个方向的表示。
图像超分辨率重建方法包括插值方法、基于学习的方法和统计方法。插值方法是一种普遍的超分辨率重建方法,但是该方法并没有利用图像的几何信息,图像的边缘细节信息难以重现。基于学习的方法需要更多的图像以得到高低分辨率图像的对应关系,而这些依赖于图像训练库。基于统计的方法需要图像的统计特性分布,而且对不同的图像需要建立不同的统计模型。
发明内容
为避免现有技术的不足,本发明提出了一种基于contourlet变换的图像超分辨率重建方法,以解决在已知一幅低分辨率图像的情况下,利用初始的高分辨率估计图像和contourlet变换,获取图像在频域的多尺度多方向特征,实现高频信息的有效估计,获得边缘更加清晰的超分辨率图像。
本发明的目的通过以下技术方案来实现。
一种基于Contourlet变换的图像超分辨率重建方法,该方法包括如下步骤:
1)对已知的低分辨率图像xL通过进行三尺度[2,2,3]的contourlet变换,获得变换后的系数s:s3、s2、s1;对已知的低分辨率图像xL通过进行三尺度[2,2,4]contourlet变换,获得变换后的系数t:t3、t2、t1。假设理想高分辨率图像xH的四尺度[2,2,3,4]contourlet变换系数是u:u4、u3、u2、u1。因为s1和u1统计分布相似,所以可以利用s1估计s0。
4)将估计出xL的未知尺度高频信息s0和xL的原有的尺度信息[s3,s2,s1,s0]相结合,即将s0作为s的高频信息,形成[s3,s2,s1,s0]。对[s3,s2,s1,s0]进行Contourlet反变换,获得重建的高分辨率图像。
本发明的优点在于:
1.只需要一幅低分辨率图像即可实现超分辨率重建,不需要训练库。
2.算法复杂度低,不需要多次迭代运算。
3.能够有效超分辨率重建图像,图像的边缘更加清晰。
附图说明
图1Contourlet变换分解流图;
图2Contourlet频带分解示意图;
图3(a)Contourlet域统计直方图中xL的t1尺度系数;
图3(b)Contourlet域统计直方图中xH的u1尺度系数;
具体实施方式
在图像的成像阶段,不可避免的受到噪声、模糊等因素的影响,因此所得到的图像是降质的图像,其数学模型如式(1)所示:
xL=f*xH+n (1)
xH表示原有的高分辨率图像,f是系统模糊,n是噪声。xL是经过系统模糊和噪声污染后的低分辨率图像。*表示卷积过程。xL可以通过Contourlet变换Ψ表示为更稀疏的系数s:
xL=Ψs (2)
结合附图1-2,一种基于Contourlet变换的图像超分辨率重建方法包括如下步骤。
步骤一,对已知的低分辨率图像xL进行Contourlet变换
假设低分辨率图像xL的大小是256*256,对其进行Contourlet变换,获得变换Contourlet域的系数s。Contourlet变换分为三个尺度[2,2,3],将s记作s3,s2,s1,每个尺度的方向数分别是22,22,23,即在s1尺度中,包含了8个不同方向的频带。xL是低分辨率图像,为了获得其高分辨率图像,需要估计其高频信息,然而,只有一幅低分辨率图像,很难得到其高分辨率图像。再对xL进行3尺度Contourlet变换[2,3,4],每个尺度的方向分别是:22,22,24。其Contourlet变换系数t记作t3,t2,t1,其中t1的方向数是24=16。t1的统计特性如图3(a)所示,如果对理想的512*512高分辨率图像xH进行四个尺度[2,2,3,4]的coutourlet变换,系数分别记作u4,u3,u2,u1。u1的统计特性如图3(b)所示。图3(a)和图3(b)具有相似的统计特性,接近高斯分布,即t1和u1具有相似的统计特性,但是t1的大小是32*128,u1的大小是64*256。因此,可以用xL的t1频带系数的统计特性估计其高频频带系数s0,s0的方向数为16。
通过对低分辨率图像xL插值方法,获得初始的高分辨率估计图像 包含了xL所不包含的高频信息,即图像细节信息。但是该高频信息受到噪声等因素的影响,并不是高分辨率图像真实的高频信息,只是其一个估计,通过该高频细节信息,最终需要获得高分辨率图像的高频信息s0。对进行Contourlet变换,分解为四个尺度[2,2,3,4]的频带,coutourlet变换后的系数是β,记作β4,β3,β2,β1,比xL的s多一个尺度,每个尺度的方向分别是:22,22,23,24。β1的统计特性如图3(c)所示,其大小是64*256,可以看出,该统计特性已经不再服从类似图3(a)和(b)的分布,因此需要对β1进行处理,以获得和图3(b)相似的统计特性。
xL的多尺度频带t1和理想高分辨率图像xH的高频频带u1均服从近似高斯分布,所以可以用t1的统计特性来指导s0的估计。多尺度频带β1并不服从高斯分布,但是通过t1的统计特性可以来指导β1中系数的估计,以此来获得s0的估计。的contourlet变换高频带系数体现了xL中缺失的高频信息,利用在β1下的高频分量和统计直方图,估计出xL缺失的高频信息s0,其方向数目是24。该估计方法并不局限于统计分布方法,还可以采用其他方法实现。
步骤四,将估计的xL的未知尺度高频信息s0和xL的原有的尺度信息s3,s2,s1相结合,即将s0作为s的高频信息,形成[s3,s2,s1,s0],其中s3,s2,s1,s0的各尺度幅度系数关系可以通过s,t,u,β的各级尺度关系来确定。然后对[s3,s2,s1,s0]进行Contourlet反变换,获得重建的高分辨率图像。
应当理解,以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (1)
1.一种基于Contourlet变换的图像超分辨率重建方法,其特征在于,该方法包括如下步骤:
1)对已知的低分辨率图像xL通过进行三尺度[2,2,3]的contourlet变换,获得变换后的系数s:s3、s2、s1;对已知的低分辨率图像xL通过进行三尺度[2,2,4]contourlet变换,获得变换后的系数t:t3、t2、t1;
3)利用xL的多尺度频带t1和xH多尺度统计分布的相似关系,其中xH表示理想的超分辨率图像,估计出的多尺度频带的统计分布关系,估计出xL的未知尺度s0高频信息,最终形成[2234]尺度;
4)将估计出xL的未知尺度高频信息s0和xL的原有的尺度信息[s3,s2,s1,s0]相结合,即将s0作为s的高频信息,形成[s3,s2,s1,s0],对[s3,s2,s1,s0]进行Contourlet反变换,获得重建的高分辨率图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310148568.3A CN103236041B (zh) | 2013-04-25 | 2013-04-25 | 一种基于Contourlet变换的图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310148568.3A CN103236041B (zh) | 2013-04-25 | 2013-04-25 | 一种基于Contourlet变换的图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103236041A true CN103236041A (zh) | 2013-08-07 |
CN103236041B CN103236041B (zh) | 2015-11-18 |
Family
ID=48884080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310148568.3A Active CN103236041B (zh) | 2013-04-25 | 2013-04-25 | 一种基于Contourlet变换的图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103236041B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008539A (zh) * | 2014-05-29 | 2014-08-27 | 西安理工大学 | 基于多尺度几何分析的图像超分辨率重建方法 |
CN105139361A (zh) * | 2015-09-18 | 2015-12-09 | 清华大学深圳研究生院 | 一种基于非线性优化的fpm算法的图像超分辨率重建方法 |
CN104123705B (zh) * | 2014-07-22 | 2016-08-24 | 北华大学 | 一种超分辨率重建图像质量Contourlet域评价方法 |
CN109214989A (zh) * | 2018-09-04 | 2019-01-15 | 四川大学 | 基于多方向特征预测先验的单幅图像超分辨率重建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216889A (zh) * | 2008-01-14 | 2008-07-09 | 浙江大学 | 一种融合全局特征与局部细节信息的人脸图像超分辨率方法 |
US20100119176A1 (en) * | 2008-11-13 | 2010-05-13 | Hideyuki Ichihashi | Image processing apparatus, image processing method, and program |
CN101866479A (zh) * | 2010-05-07 | 2010-10-20 | 浙江大学 | 基于非下采样Contourlet变换的边缘自适应图像放大方法 |
CN102298768A (zh) * | 2010-06-24 | 2011-12-28 | 江南大学 | 基于稀疏样本的高分辨率图像重建方法 |
CN102722865A (zh) * | 2012-05-22 | 2012-10-10 | 北京工业大学 | 一种超分辨率稀疏重建方法 |
-
2013
- 2013-04-25 CN CN201310148568.3A patent/CN103236041B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216889A (zh) * | 2008-01-14 | 2008-07-09 | 浙江大学 | 一种融合全局特征与局部细节信息的人脸图像超分辨率方法 |
US20100119176A1 (en) * | 2008-11-13 | 2010-05-13 | Hideyuki Ichihashi | Image processing apparatus, image processing method, and program |
CN101866479A (zh) * | 2010-05-07 | 2010-10-20 | 浙江大学 | 基于非下采样Contourlet变换的边缘自适应图像放大方法 |
CN102298768A (zh) * | 2010-06-24 | 2011-12-28 | 江南大学 | 基于稀疏样本的高分辨率图像重建方法 |
CN102722865A (zh) * | 2012-05-22 | 2012-10-10 | 北京工业大学 | 一种超分辨率稀疏重建方法 |
Non-Patent Citations (4)
Title |
---|
I. AMRO ET AL: "BAYESIAN SUPER-RESOLUTION PANSHARPENING USING CONTOURLETS", 《2010 IEEE 17TH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》, 29 September 2010 (2010-09-29) * |
MINH N. DO ET AL: "The Contourlet Transform: An Efficient Directional Multiresolution Image Representation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 14, no. 12, 31 December 2005 (2005-12-31) * |
李黎明: "一种新的超分辨率图像重建算法", 《海军工程大学学报》, vol. 21, no. 1, 28 February 2009 (2009-02-28) * |
陶洪久: "基于小波变换和插值的超分辨率图像处理算法", 《武汉理工大学学报》, vol. 24, no. 8, 31 August 2002 (2002-08-31) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008539A (zh) * | 2014-05-29 | 2014-08-27 | 西安理工大学 | 基于多尺度几何分析的图像超分辨率重建方法 |
CN104008539B (zh) * | 2014-05-29 | 2017-02-15 | 西安理工大学 | 基于多尺度几何分析的图像超分辨率重建方法 |
CN104123705B (zh) * | 2014-07-22 | 2016-08-24 | 北华大学 | 一种超分辨率重建图像质量Contourlet域评价方法 |
CN105139361A (zh) * | 2015-09-18 | 2015-12-09 | 清华大学深圳研究生院 | 一种基于非线性优化的fpm算法的图像超分辨率重建方法 |
CN105139361B (zh) * | 2015-09-18 | 2017-12-19 | 清华大学深圳研究生院 | 一种基于非线性优化的fpm算法的图像超分辨率重建方法 |
CN109214989A (zh) * | 2018-09-04 | 2019-01-15 | 四川大学 | 基于多方向特征预测先验的单幅图像超分辨率重建方法 |
CN109214989B (zh) * | 2018-09-04 | 2019-08-13 | 四川大学 | 基于多方向特征预测先验的单幅图像超分辨率重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103236041B (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008539B (zh) | 基于多尺度几何分析的图像超分辨率重建方法 | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
CN101930598B (zh) | 基于shearlet域非局部均值的自然图像去噪方法 | |
CN102024266B (zh) | 基于图像结构模型的压缩感知图像重构方法 | |
CN105205788A (zh) | 一种针对高通量基因测序图像的去噪方法 | |
CN103236041A (zh) | 一种基于Contourlet变换的图像超分辨率重建方法 | |
CN104200436A (zh) | 基于双树复小波变换的多光谱图像重构方法 | |
CN103077507B (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
CN106296583B (zh) | 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 | |
CN104732504A (zh) | 基于压缩感知和wbct变换的图像融合方法 | |
CN104463822A (zh) | 基于多尺度全局滤波的多聚焦图像融合方法及其装置 | |
CN104299201A (zh) | 基于遗传稀疏优化和贝叶斯估计模型的图像重构方法 | |
CN101950413B (zh) | 基于非下采样Contourlet域MRF模型的SAR图像降斑方法 | |
CN105447894A (zh) | 基于拟牛顿公式的压缩感知重建算法 | |
CN107146206A (zh) | 基于四维块匹配滤波的高光谱遥感图像去噪方法 | |
CN104156923B (zh) | 一种基于稀疏表示的多光谱遥感图像去云方法 | |
Xian-chuan et al. | Remote sensing image fusion based on integer wavelet transformation and ordered nonnegative independent component analysis | |
Liu et al. | SAR image super-resolution based on TV-regularization using gradient profile prior | |
Dhekale et al. | Satellite image (multispectral) enhancement techniques in wavelet domain: an overview | |
CN108346167B (zh) | 一种基于正交字典下同时稀疏编码的mri图像重构方法 | |
Zhang et al. | Multi-channel satellite cloud image fusion in the tetrolet transform domain | |
Rostami et al. | Hyperspectral image super-resolution via learning an undercomplete dictionary and intra-algorithmic postprocessing | |
CN103489207B (zh) | 一种渐进式正则化自适应匹配追踪方法 | |
Ning | Compressed sensing image processing based on stagewise orthogonal matching pursuit | |
CN105574832A (zh) | 基于迭代方向滤波器组可逆深度卷积网络结构 |
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 |