CN104123707B - 一种基于局部秩先验的单幅图像超分辨率重建方法 - Google Patents
一种基于局部秩先验的单幅图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN104123707B CN104123707B CN201410386583.6A CN201410386583A CN104123707B CN 104123707 B CN104123707 B CN 104123707B CN 201410386583 A CN201410386583 A CN 201410386583A CN 104123707 B CN104123707 B CN 104123707B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- class
- local order
- local
- 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
Abstract
本发明是一种基于局部秩先验的单幅图像超分辨率重建方法。其核心是通过学习方法得到高分辨率图像的局部秩先验信息,利用这种先验信息,通过能量最小函数,约束待重建高分辨率图像的局部秩。然后将这种能量最小函数转化为局部秩约束的重建模型。考虑到图像的非局部特性,提出一种全局与非局部结合的优化模型。为了得到更好的非局部权值,还提出一种基于局部秩的优化的权值计算方法。本发明所提出的重建模型不仅能够很好的重建具有较多细节的高分辨率图像,而且能够减少重建图像的瑕疵以及锐化图像的边缘。
Description
技术领域
本发明属于计算机图像处理技术领域,涉及一种单幅图像的超分辨率重建方法。
背景技术
在获取视觉图像过程中,有许多因素造成了图像的质量下降。其中影响因素包括:系统的像差、散焦、空气的扰动和噪声的存在。所以在很多数字图像应用中,人们期望得到具有高分辨率的图像。图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。在计算机视觉、卫星遥感、天文学、生物医学成像、民用安防等多个领域都有广泛的应用。提高图像分辨率有两种方式:改善硬件条件和进行图像处理。如果从改善硬件设施方面着手,我们可以做两方面工作:一、改进成像器件的物理特性。但该做法的缺陷在于:增大芯片面积会导致电荷转移速率下降,缩小像元尺寸将会使得单位像元受光量减少、从而加大成像单元受散粒噪声的影响,进而导致成像图像的质量急剧下降。二、增大光学镜头的孔径和焦距,但是在日常的使用中,无论是处于成本价格,或是装置的简易性来考虑,都几乎不会考虑这种方式来改善图像分辨率。相比之下通过数字图像处理技术来提高图像分辨率的超分辨率技术就显得更加经济实用。目前国内外学者针对单幅图像超分辨率重建这一逆问题,提出了许多重建算法,主要可分为三个范畴:基于插值的方法、基于重建的方法和基于学习的方法。基于插值和重建的方法会在图像重建过程中产生振铃、块效应以及图像过度平滑现象,并且在放大倍数较大情况下重构出的图像质量下降较严重。Freeman等提出了在马尔科夫网络下的基于例子学习的方法。而后,Chang等提出了基于邻域嵌入的方法。Yang等对此进行扩展,提出了基于稀疏表示的单幅图像超分辨率重建算法。这种方法首先对训练图像库做块的采样处理,然后用采样得到的图像块训练相应的高分辨率和低分辨率字典,最后用所得到的高低分辨率字典重建高分辨率图像。一些改进的基于稀疏表示的方法也在此之后相继提出。
但是,基于稀疏表示方法的效果对用于字典训练的图像库的要求很高。如果选取的训练图像库不好,则重建的高分辨率图像就会存在瑕疵,而且边缘和细节也不锐化和突出。所以,为了提高基于稀疏表示的单幅图像超分辨率重建算法的性能,需要引入一些新的图像先验知识。
发明内容
本发明的目的是提出一种基于局部秩先验的单幅图像超分辨率重建方法,在图像超分辨率重建过程中,引入局部秩先验,能够有效解决基于稀疏表示的单幅图像超分辨率重建技术存在的缺陷,恢复更多的图像细节信息,减少重建瑕疵以及锐化边缘。
本发明是在基于稀疏表示的单幅图像超分辨率重建方法的基础上,提出一种局部秩先验,通过将这种局部秩先验约束引入到图像重建过程中,有效重建较好质量的高分辨率图像。实现步骤如下:
(1)图像的局部秩变换(LRT)的定义为:对于图像中某个像素,在它的邻域中比它的像素值小的图像像素的个数。根据此原理,利用局部秩变换,将所得到的高低图像训练图像块分为两类:和然后分别求取每个类的类中心,并对每一类分别训练,得到相应的字典;
(2)利用训练得到的字典,求得高分辨率图像的局部秩先验;
(3)提出能量最小化函数,约束高分辨率图像的局部秩;若待重建的低分辨率图像块属于类则提出的能量最小函数为:若待重建的低分辨率图像块属于类则提出的能量最小函数为:
(4)将(3)中能量最小化函数转化为约束优化问题,求得初始高分辨率图像;
(5)对(4)中求得的初始高分辨率图像做全局和改进权值的非局部约束,得到最终的高分辨率图像。在计算图像的非局部权值时,为了使得离目标块不远也不近的块有较好的权值,提出一种优化的基于局部秩的权值计算方法。
本发明通过学习高分辨率图像的局部秩先验知识,建立一种局部秩能量最小函数,并将这种能量最小函数和基于稀疏表示的重建方法相结合,提出一种局部秩约束的重建模型。考虑到图像非局部特征,为了得到更好的非局部权值,提出一种优化的权值计算方法。本发明所提出的重建模型不仅能够很好的重建高分辨率图像,而且能够减少重建图像的瑕疵以及锐化图像的边缘。
附图说明
图1:本发明方法的实现框图;
图2:本发明方法所用到的部分训练图像(来自于BSDS300高分辨图像库);
图3:本发明方法所用到的测试图像:(a)是高分辨率测试图像“window”;(b)是高分辨率测试图像“leaves”;
图4:本发明方法针对局部秩先验相对其他方法对测试图像window所改善的效果图:(a)是低分辨率图像;(b)是传统稀疏表示重建的图像(PSNR=28.08,SSIM=0.8000);(c)只引入正局部秩变换的先验重建图像(PSNR=28.19,SSIM=0.8065);(d)只引入负局部秩变换的先验重建图像(PSNR=28.17,SSIM=0.8037);(e)同时引入正局部秩变换的先验和负局部秩变换的先验重建图像(PSNR=28.27,SSIM=0.8095);(f)高分辨率图像。
图5:本发明方法和其他各种方法对测试图像leaves的重建结果。
具体实施方式
以下结合附图和实施例对本发明做进一步详细说明:
图1为本发明方法的实现框图,该方法主要由以下步骤构成:
步骤1:对训练库高分辨率图像做模糊降采样,生成对应的低分辨率图像,同时对高分辨率图像做局部秩变换,然后,对所有训练库图像做分块处理。
首先,从通用的BSDS300高分辨图像库(全名:The Berkeley Segmentation DataSet 300。来自于:Berkeley University of California。用途:被用于图像分割,识别,分类,以及图像重建的训练库和测试库。链接:http://www.eecs.berkeley.edu/Research/ Projects/CS/vision/grouping/)中随机选取70幅高分辨率图像作为训练图像。利用退化模型(1)生成对应的低分辨率图像:
Y=UBX (1)
式中,X表示高分辨率图像,Y表示对应的低分辨率图像,U表示下采样算子,B表示模糊算子。
其次,对高分辨率训练图像做局部秩变换,生成对应的正局部秩变换图像LRTδ(X)和负局部秩变换图像LRT-δ(X)。
最后,分别对低分辨率图像Y,高分辨率图像X,正局部秩变换图像LRTδ(X)和负局部秩变换图像LRT-δ(X)进行7×7的分块处理,得到相应的图像块: 和
步骤2:对步骤1得到的图像块进行分类
对步骤1中的训练图像块:和按照是否为零,将对应的块和分类。若不为零,则将相应的块分到类若为零,则将相应的块分到类其中n1+n2=n。
步骤3:对步骤2中分好类的图像块进行联合字典训练
对于类,我们用公式(2)求得相应的字典:
式中,是Pδ类的高分辨率字典,Dδ是Pδ类的正LRTδ字典,是Pδ类的负LRT-δ字典,Dl是Pδ类的低分辨率字典,是稀疏表示系数,τ1控制稀疏度,F是指F范数,n1是Pδ类的样本数量。
对于类,用公式(3)求得相应的字典:
式中,Dh是P-δ类的高分辨率字典,D-δP-δ是类的负LRT-δ字典,是P-δ类的低分辨率字典,是稀疏表示系数,τ2控制稀疏度,n2是P-δ类的样本数量。
步骤4:重建低分辨率图像,得到初始的高分辨率图像
对于低分辨率图像Y,首先取7×7的块,然后计算此块与类Pδ和类P-δ的距离,若此图像块属于类P-δ,则根据公式(4)得到高分辨率图像的负局部秩为:
式中,R-δ是重建的高分辨率图像的负局部秩,是对应的稀疏表示系数。
为了使得重建的高分辨率图像块的负局部秩和重建的负局部秩R-δ相接近,提出公式(5)所示的能量最小函数,使得重建的高分辨率图像块的负局部秩和重建的负局部秩R-δ相接近:
式中,是重建的高分辨率图像块。
传统的基于稀疏表示的超分辨率重建,其高分辨率图像块按公式(6)重建:
我们将公式(5)能量最小函数和公式(6)结合,形成基于负局部秩约束的最小优化函数:
式中,γ1控制LRT-δ项。
同理,如果低分辨率图像块属于类Pδ,提出如下的能量最小化函数:
式中,高分辨率图像块的正局部秩为高分辨率图像块的负局部秩为 是Pδ类对应的稀疏表示系数。
将此能量最小函数转化为约束优化问题,得到如下的重建公式:
式中,γ2,γ3分别控制LRTδ和LRT-δ项。
将所有的重建的高分辨率图像块合并,得到初始的高分辨率图像X0。
步骤5:利用全局和非局部约束,得到最终的高分辨率图像
将步骤4得到的高分辨率图像做全局和非局部约束,得到最终的高分辨率图像:
式中,X*是最终重建的高分辨率图像,W是非局部约束的权值矩阵,μ和β是正则化参数,U,B分别是图像的下采样和模糊操作。
在计算图像的非局部约束的权值时,为了使得离目标块不远也不近的块有较好的权值,提出如下的权值计算方法:
式中,N(Xi)目标图像块,N(Xj)是搜索窗中的相似块,h1和h2是均衡参数,Z(i)是归一化算子,其计算按公式(12)进行:
从以上的过程描述可见,发明方法在传统基于稀疏表示的超分辨率重建方法的基础上,引入局部秩先验,能够明显的改善重建效果,克服传统方法对训练字典用的图像库的过度依赖。
实施例:本发明方法的计算机仿真分析
图4为本发明方法所引入的不同的局部秩先验与传统方法(都不采用后处理)的试验效果对比图。(a)是低分辨率图像;(b)是传统稀疏表示重建的图像;(c)是只引入正局部秩变换的先验重建图像;(d)是只引入负局部秩变换的先验重建图像;(e)是同时引入正局部秩变换的先验和负局部秩变换的先验重建图像;(f)是高分辨率图像。我们可以看到本方法的重建效果((c)、(d)、(e))明显的对边缘有锐化的作用,而且图像更清晰。在客观上,所提出的方法对应于(c)图在PSNR上提高0.11dB,在SSIM上提高0.065;对应于(d)图在PSNR上提高0.09dB,在SSIM上提高0.037;对应于(e)图在PSNR上提高0.19dB,在SSIM上提高0.095。
图5为本发明方法与其它超分辨率重建方法的重建效果对比图。(a)是低分辨率图像;(b)是双三次插值的图像;(c)是邻域嵌入方法重建的图像;(d)是传统稀疏表示重建的图像;(e)是Zeyde等的方法重建的图像;(f)是同时引入正局部秩变换的先验和负局部秩变换的先验重建图像;(g)是所提出的方法重建的图像;(h)是原始高分辨率图像。从图中可以看到,利用双三次插值方法的结果对边缘有模糊的作用;邻域嵌入方法产生振铃效应,而且重建的图像不真实,传统的基于稀疏编码的方法重建结果过于平滑,细节信息缺失,图像边缘较模糊;Zeyde等的方法则产生振铃效应,图像也较模糊;本方法不仅能够重建具有较多细节的高分辨率图像,而且边缘也较锐化。
Claims (3)
1.一种基于局部秩先验的单幅图像超分辨率重建方法,该方法包括以下步骤:
步骤1,根据局部秩变换的原理,利用局部秩变换,将所得到的高分辨率训练图像块和低分辨率训练图像块分为两类:和然后分别求取每个类的类中心,并利用稀疏编码对每一类分别训练,得到相应的字典;其中为低分辨率训练图像块,为高分辨率训练图像块,为正局部秩变换图像块,为负局部秩变换图像块,n1,n2分别为Pδ和P-δ类的训练样本数量;
步骤2,利用训练得到的字典,求得高分辨率图像的局部秩先验;
步骤3,提出能量最小化函数,约束高分辨率图像的局部秩;若待重建的低分辨率图像块属于类则提出的能量最小函数为:若待重建的低分辨率图像块属于类则提出的能量最小函数为:其中,R-δ是重建的高分辨率图像的负局部秩,是重建的高分辨率图像块,表示对图像块 进行正局部秩变换,表示对图像块 进行负局部秩变换,E1(),E2(),E3()为能量函数;
步骤4,将步骤3中能量最小化函数转化为约束优化问题,求得初始高分辨率图像;
步骤5,对步骤4中求得的初始高分辨率图像做全局和改进权值的非局部约束,得到最终的高分辨率图像;其中在计算图像的非局部权值时,采用优化的基于局部秩的权值计算方法;
在步骤1中,利用局部秩变换,将所得到的高分辨率训练图像块和低分辨率训练图像块分为两类:和此过程如下:
首先,从通用的BSDS300高分辨图像库中随机选取70幅高分辨率图像作为训练图像,利用退化模型(1)生成对应的低分辨率图像:
Y=UBX (1)
式中,X表示高分辨率图像,Y表示对应的低分辨率图像,U表示下采样算子,B表示模糊算子;
其次,对训练图像做局部秩变换,生成对应的正局部秩变换图像LRTδ(X)和负局部秩变换图像LRT-δ(X);
最后,分别对低分辨率图像Y,高分辨率图像X,正局部秩变换图像LRTδ(X)和负局部秩变换图像LRT-δ(X)进行分块处理,选取7×7块,得到相应的图像块: 和对这些训练图像块按照是否为零,将对应的块和分类;若不为零,则将相应的块分到类若为零,则将相应的块分到类其中n1+n2=n,n为总的训练样本数量;
所述步骤5中的非局部约束的权值计算过程如下:
在计算图像的非局部约束的权值时,采用优化权值计算方法:
式中,N(Xi)为目标图像块,N(Xj)是搜索窗中的相似块,h1和h2是均衡参数,Z(i)是归一化算子,按公式(8)计算:
2.根据权利要求1所述的基于局部秩先验的单幅图像超分辨率重建方法,其特征在于所述步骤2中高分辨率图像的局部秩先验的学习过程如下:
对于低分辨率图像Y,根据所述的7×7块,选取与其大小相同的7×7块图像块,然后计算此图像块与类Pδ和类P-δ的距离,若此图像块属于类P-δ,则根据公式(2)得到高分辨率图像块的负局部秩为:
式中,D-δ是类P-δ的负LRT-δ字典,是类P-δ对应的稀疏表示系数;
如果低分辨率图像块属于类Pδ,则根据公式(3)和(4)得到高分辨率图像块的正局部秩和负局部秩分别为:
和
式中,Rδ是重建的高分辨率图像的正局部秩,Dδ是类Pδ的正LRT-δ字典,是类Pδ的负LRT-δ字典,是类Pδ对应的稀疏表示系数。
3.根据权利要求2所述的基于局部秩先验的单幅图像超分辨率重建方法,其特征在于所述步骤4中将能量最小化函数转化为约束优化问题,求得初始高分辨率图像,过程如下:
在重建高分辨率图像块的过程中,若待重建的图像块属于类P-δ,形成约束优化函数:
式中,是类P-δ的高分辨率字典,γ1控制LRT-δ项;
若待重建图像块属于类Pδ,形成约束优化函数:
式中,是类Pδ的高分辨率字典,γ2,γ3分别控制LRTδ和LRT-δ项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410386583.6A CN104123707B (zh) | 2014-08-07 | 2014-08-07 | 一种基于局部秩先验的单幅图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410386583.6A CN104123707B (zh) | 2014-08-07 | 2014-08-07 | 一种基于局部秩先验的单幅图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104123707A CN104123707A (zh) | 2014-10-29 |
CN104123707B true CN104123707B (zh) | 2017-05-10 |
Family
ID=51769106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410386583.6A Active CN104123707B (zh) | 2014-08-07 | 2014-08-07 | 一种基于局部秩先验的单幅图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104123707B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894478B (zh) * | 2016-06-17 | 2018-08-31 | 重庆大学 | 基于统计局部秩特征的图像去噪方法 |
CN111179245B (zh) * | 2019-12-27 | 2023-04-21 | 成都中科创达软件有限公司 | 图像质量检测方法、装置、电子设备和存储介质 |
CN111583107A (zh) * | 2020-04-03 | 2020-08-25 | 长沙理工大学 | 一种基于注意力机制的图像超分辨率重建方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156875A (zh) * | 2011-03-25 | 2011-08-17 | 西安电子科技大学 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
CN102800076A (zh) * | 2012-07-16 | 2012-11-28 | 西安电子科技大学 | 基于双字典学习的图像超分辨重建方法 |
CN103279933A (zh) * | 2013-06-07 | 2013-09-04 | 重庆大学 | 一种基于双层模型的单幅图像超分辨率重建方法 |
-
2014
- 2014-08-07 CN CN201410386583.6A patent/CN104123707B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156875A (zh) * | 2011-03-25 | 2011-08-17 | 西安电子科技大学 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
CN102800076A (zh) * | 2012-07-16 | 2012-11-28 | 西安电子科技大学 | 基于双字典学习的图像超分辨重建方法 |
CN103279933A (zh) * | 2013-06-07 | 2013-09-04 | 重庆大学 | 一种基于双层模型的单幅图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
Multitask dictionary learning and sparse representation based single-image super-resolution reconstruction;Shuyuan Yang等;《Neurocomputing》;20110616;第74卷(第17期);第3193-3201页 * |
用双层重建法实现单幅图像的超分辨率重建;龚卫国等;《光学精密工程》;20140331;第22卷(第3期);第721-730页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104123707A (zh) | 2014-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Image restoration: From sparse and low-rank priors to deep priors [lecture notes] | |
Cho et al. | Weakly-and self-supervised learning for content-aware deep image retargeting | |
CN110969124B (zh) | 基于轻量级多分支网络的二维人体姿态估计方法及系统 | |
CN109389557B (zh) | 一种基于图像先验的细胞图像超分辨方法及装置 | |
CN110570377A (zh) | 一种基于组归一化的快速图像风格迁移方法 | |
CN110232653A (zh) | 快速轻型超分辨率重建密集残差网络 | |
JP2016540307A (ja) | 高解像度出力画像を確定するための方法およびデバイス | |
CN115953494B (zh) | 基于低剂量和超分辨率的多任务高质量ct图像重建方法 | |
CN116309648A (zh) | 一种基于多注意力融合的医学图像分割模型构建方法 | |
CN111080591A (zh) | 基于编码解码结构结合残差模块的医学图像分割方法 | |
Yang et al. | Image super-resolution based on deep neural network of multiple attention mechanism | |
CN115565056A (zh) | 基于条件生成对抗网络的水下图像增强方法及系统 | |
CN104123707B (zh) | 一种基于局部秩先验的单幅图像超分辨率重建方法 | |
Guo et al. | Remote sensing image super-resolution using cascade generative adversarial nets | |
Liang et al. | Improvement of residual attention network for image classification | |
Chen et al. | Image denoising via deep network based on edge enhancement | |
Luo et al. | Bi-GANs-ST for perceptual image super-resolution | |
Chen et al. | MICU: Image super-resolution via multi-level information compensation and U-net | |
CN113066025B (zh) | 一种基于增量学习与特征、注意力传递的图像去雾方法 | |
Liu et al. | Facial image inpainting using multi-level generative network | |
CN111563843B (zh) | 一种图像超分辨重构方法、系统及相关装置 | |
CN108492250A (zh) | 基于高质量边缘信息引导的深度图像超分辨重建的方法 | |
CN116703725A (zh) | 感知多重特征的双分支网络实现针对真实世界文本图像的超分辨率的方法 | |
CN115797179A (zh) | 一种街景中文文本图像超分辨率重建方法 | |
Wang et al. | Image quality enhancement using hybrid attention networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210518 Address after: 200333 room 5081, 5th floor, No.5 Lane 600, Yunling West Road, Putuo District, Shanghai Patentee after: Shanghai Lisha Technology Co.,Ltd. Address before: 400030 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee before: Chongqing University |