专利名称：针对文字图像的稀疏约束自适应nlm超分辨率重建方法
技术领域：
本发明涉及针对文字图像的稀疏约束自适应NLM超分辨率重建方法，尤其针对低分辨率文字图像的自适应h参数NLM(Non-local mean)超分辨率重建方法，在字符文字取证、物联网视频感知、智慧城市领域等方面具有广泛应用前景。
背景技术：
改善图像质量是图像处理领域的重要课题，图像超分辨率作为改善图像质量的一项重要技术已经成为目前研究的热点。高分辨率文字图像是文字图像识别等应用的前提，在文字取证、物联网视频感知、智慧城市领域等方面具有广泛应用前景，如交通路口视频监控是违章、肇事等车辆的车牌、车型检测与识别的一个重要环节。目前，一方面由于成像设备等因素的制约，监控视频图像分辨率较低，此外，天气、光照以及光学系统像差、散焦、抖动等因素常常导致获得的字符序列图像和交通视频中车牌字符图像分辨率低、无法识别； 另一方面由于监控设备在成像过程中CCD存在欠采样、在视频采集和传输环节中，数据压缩编码也会造成信息丢失，使本来已经难以辨认的视频文字图像或车牌字符更加难以检测与识别。但视频序列图像之间存在大量帧间冗余和互补信息，这些帧间互补信息以及单幅图像的自相似冗余信息为超分辨率重建提供了数据基础和技术可行性。基于时间分辨率与空间分辨率在一定条件下相互转化的准则，超分辨重建利用多幅低分辨率的图像序列，由算法处理多帧图像的互补信息，获得一帧高空间分辨率的图像。传统的超分辨率重建算法主要包括频率域方法和空间域方法。现有的NLM超分辨率重建算法没有针对字符图像的重建的研究，并且存在参数选择依赖经验和图像比较子块之间的相似性度量等问题，参数选择不合适导致超分辨重建失败或者产生过平滑。
发明内容
本发明主要是解决现有技术所存在的序列低分辨率图像字符空间分辨率低和可辨识能力差；权值增益调节因子h、搜索窗、比较窗的参数难以选择等的技术问题；提供了一种解决了现有NLM方法超分辨率重建算法中h参数根据经验设定的问题；在权值矩阵计算中提出利用L-1范数距离来度量图像子块的相似度，避免了重建结果的过度平滑；既能取得较高的重建精度，又能有效降低算法时间复杂度；能够达到高精确亚像素匹配；并能在抑制噪声和寄生波纹的同时，有效保持图像的边缘纹理信息的一种针对文字图像的基于NLM方法的超分辨率重建方法。本发明的上述技术问题主要是通过下述技术方案得以解决的一种针对文字图像的稀疏约束自适应NLM超分辨率重建方法，其特征在于，包括以下步骤步骤1，由参数输入模块输入超分辨率重建所需数据及参数，包括低分辨率字符图像观测序列{yj，t = I, 2，3... η、超分辨率尺度因子S、高分辨率网格图像搜索窗尺寸P、低分辨率网格图像比较窗尺寸q ;
步骤2，由初始化模块针对上述输入的参数进行高分辨率网格图像初始化，即对每帧低分辨率字符图像{yj进行s倍最邻近插值，得到其高分辨率初始估计网格图像戌丨；步骤3，由图像边界延拓模块对每帧高分辨率初始估计网格图像戌}进行图像边界延拓，得到延拓后图像{之_,}；步骤4，由权值调节因子模块获取权值调节因子h，即计算步骤3中每帧高分辨率初始估计网格图像戌}的像素平均灰度值差avgAx，由avgAx计算出当前巾贞图像权值矩阵的权值调节因子h;·
步骤5，由逐点超分辨率重建模块进行逐点超分辨率重建，即针对步骤3中的高分辨率初始估计网格图像戌}中每个像素点(k，d，依据(k，D为中心的对应搜索窗，进行z字型遍历逐点进行超分辨率重建计算；步骤6，由迭代更新模块以丨之J代替步骤3中的初始估计戌丨，重复步骤4、5、6进行高分辨率网格图像数据迭代更新，得到η次迭代后的重建结果丨i, };步骤7，由字符图像去模糊模块用自适应TV去模糊算法对步骤6中获取的重建超分辨率重建结果{尤，}进行去模糊，最终得到去模糊的清晰高分辨率字符图像丨。在上述的针对文字图像的稀疏约束自适应NLM超分辨率重建方法，所述的步骤4中包括以下子步骤步骤4.1.由权值矩阵获取子单元进行权值矩阵W的获取，即根据调节因子h基于式一进行权值计算，计算高分辨率初始估计网格图像戌丨中，以像素(k，I)为中心的搜索窗中每个像素(i，j)对应的权值 ^(k，l，i，j，t)， 遍历完高分辨率初始估计图像泛}中所有像素后得到权值矩阵w
权利要求
1.一种针对文字图像的稀疏约束自适应NLM超分辨率重建方法，其特征在于，包括以下步骤 步骤1，由参数输入模块输入超分辨率重建所需数据及参数，包括低分辨率字符图像观测序列{yt}，t = I, 2，3. . . η、超分辨率尺度因子S、高分辨率网格图像搜索窗尺寸P、低分辨率网格图像比较窗尺寸q; 步骤2，由初始化模块针对上述输入的参数进行高分辨率网格图像初始化，即对每帧低分辨率字符图像{yj进行s倍最邻近插值，得到其高分辨率初始估计网格图像忒h 步骤3，由图像边界延拓模块对每帧高分辨率初始估计网格图像( ;)进行图像边界延拓，得到延拓后图像(t—}; 步骤4，由权值调节因子模块获取权值调节因子h，即计算步骤3中每帧高分辨率初始估计网格图像j丨的像素平均灰度值差avgAx，由avgAx计算出当前巾贞图像权值矩阵的权值调节因子h; 步骤5，由逐点超分辨率重建模块进行逐点超分辨率重建，即针对步骤3中的高分辨率初始估计网格图像找丨中每个像素点(k，1)，依据(k，I)为中心的对应搜索窗，进行Z字型遍历逐点进行超分辨率重建计算； 步骤6，由迭代更新模块以(尤代替步骤3中的初始估计戍丨,重复步骤4、5、6进行高分辨率网格图像数据迭代更新，得到η次迭代后的重建结果{之. }; 步骤7，由字符图像去模糊模块用自适应TV去模糊算法对步骤6中获取的重建超分辨率重建结果J进行去模糊，最终得到去模糊的清晰高分辨率字符图像丨;0。
2.根据权利要求1所述的针对文字图像的稀疏约束自适应NLM超分辨率重建方法，其特征在于，所述的步骤4中包括以下子步骤 步骤4.1.由权值矩阵获取子单元进行权值矩阵W的获取，即根据调节因子h基于式一进行权值计算，计算高分辨率初始估计网格图像{ ;丨中，以像素(k，I)为中心的搜索窗中每个像素(i，j)对应的权值 ^(k，1，i，j，t) 遍历完高分辨率初始估计图像汉丨中所有像素后得到权值矩阵w
3.根据权利要求1所述的针对文字图像的稀疏约束自适应NLM超分辨率重建方法，其特征在于，所述步骤I中，超分辨率升尺度因子s的选择取值为2至5，重建图像空间分辨率能达到原图的2到5倍。
4.根据权利要求1所述的针对文字图像的稀疏约束自适应NLM超分辨率重建方法，其特征在于，所述步骤I中，低分辨率字符图像比较窗尺寸q指在低分辨率格字符图像上用来相似性计算的比较窗大小，重建算法中低分辨率网格图像比较窗尺寸对应的高分辨率网格图像比较窗尺寸Q由式二得到，低分辨率字符图像比较窗大小根据图像字符的纹理特征来调整
5.根据权利要求1所述的针对文字图像的稀疏约束自适应NLM超分辨率重建方法，其特征在于，所述的步骤3中，将高分辨率初始估计图像边缘根据镜像延拓算法进行延拓，能够在超分辨率重建中保留图像边缘信息，延拓区域宽度width由式三得到
6.根据权利要求1所述的针对文字图像的稀疏约束自适应NLM超分辨率重建方法，其特征在于，所述步骤4中，因子h的选择与图像纹理特征相关，通过计算图像统计特征中的像素平均灰度值差avg Λ X实现自适应选择h，如下式所示
7.根据权利要求1所述的针对文字图像的稀疏约束自适应NLM超分辨率重建方法，其特征在于，所述的步骤4中，权值计算公式中图像相似性度量方法根据字符图像的细小纹理和空域结构稀疏的特点，采用式六L-1范数图像距离来度量图像子块的相似性，即imgdist为图像子块相似性距离参数
全文摘要
本发明涉及针对文字图像的稀疏约束自适应NLM超分辨率重建方法。是文字图像检测与识别的前提，在智慧城市、物联网视频感知等方面具有广泛应用前景。利用字符图像的统计稀疏性、结构稀疏性自适应的计算权值调节因子h，解决了现有NLM方法超分辨率重建算法中h参数根据经验设定的问题；提出利用L-1范数距离来度量图像子块的相似度，避免了重建的过度平滑；实验分析得出搜索窗参数p和比较窗参数q的最佳值，既能取得较高的重建精度，又能有效降低算法时间复杂度；通过块匹配方法达到高精确亚像素运动估计；超分辨率上采样因子达到2-5倍。通过自适应总变分算法对重建结果去模糊，在抑制噪声和寄生波纹的同时，有效保持了图像的边缘纹理信息。
文档编号G06T5/00GK103020905SQ201210381368
公开日2013年4月3日 申请日期2012年10月9日 优先权日2012年10月9日
发明者孙涛, 张巍, 许田, 唐贤秀, 陈王丽, 林立宇, 秦前清 申请人:武汉大学