坐标下移四个像素。步骤9) 若H,-2111(卑为低分辨率图像的高度），则跳到步骤3)提取下一个样例^元组；否则对 当前训练图像的样例=元组的提取过程进行完毕，共存储了I=i个样例=元组。
[0063] 该样，对训练库中的每一个高分辨率图像经过此离线的处理方法，就得到了可用 于超分辨率处理的很多样例=元组，并且该些样例=元组都存储在数据库中。
[0064] (7)本发明的在线处理过程
[0065] 本发明对待放大的低分辨率图像进行超分辨率放大的在线过程如下所述。
[0066] 输入；待放大的低分辨率的图像，和已经训练和保存好的由样例S元组所组成的 数据库。
[0067]输出；放大的高分辨率的图像。
[006引步骤l)x尸l，y尸1，该里，是低分辨率的块在低分辨率的待放大图像中 的第一个块的左上角的坐标。令Xh= 1，ys= 1，（Xh，yH)为高分辨率的块在高分辨率图像 中第一个块的左上角的坐标。
[006引步骤。令m= 2,提取待放大的低分辨的图像中从坐标记，7^)开始到（X片m+1，y片m+1)间的图像块IV对图像块Px进行卡通和纹理分解，得到低分辨率的卡通图像块 P,。^。对图像块运用Sobel算子提取其中的边缘像素，并根据W上（4)中所述的方法对 边缘像素和非边缘像素赋权值。（2m+l)X(2m+l)为低分辨率块的大小。本发明中选择的块 的大小为5X5。
[0070]步骤扣根据提取到的图像块IVP,。讯各像素的权值，按W上（4)中所述的方法， 对训练数据库中的第1个样例^元组（町扣），口。^1)，口'《^1))，按式（9)计算其匹配差值 SAD任比，Pl(i)，PcLa))，1《i《I，其中I为数据库中存储的样例S元组的个数。然后，选择 匹配差值最小的K个样例S元组，和其中的低分辨率块町也）和低分辨率的卡通块IV也）， 其中ki为第k个匹配准则最小的样例对在训练库中的索引值（index)。接下来，运用W上 似中所述的方法得到插值之后的块为C-GO,然后，根据SAD(Pxu町也），Pc^ki))的值和 式（10)来确定重构块P'。^。
[00川步骤4)从坐标（Xh，yH)开始到（XH+4m+2,yH+4m+。间的图像块设置为重构块P'若在此区域中已有之前设置的块，则重叠区域的像素值由此区域中所有的设置块的 像素值的平均值来确定。（4m+2)X(4m+2)为高分辨率预测差值块的大小。本发明中选择的 高分辨率块的大小为10X10。
[0072]步骤5)令义^二x^3，在低分辨率图像的左上角的横坐标右移S个像素单位，^提 取出下一个低分辨率块。Xh=Xh+6,样例在高分辨率图像的左上角的横坐标右移六个像素 单位。
[007引步骤6)若X店Wf-2m(Wf为低分辨率图像的宽度），则跳到步骤。处理下一个 块。步骤7)令义^二1，y^= 7片3，样例在低分辨率图像的左上角的纵坐标下移^个像素。 令Xh= 1，ys=Yh+S，样例在高分辨率图像的左上角的纵坐标下移六个像素。步骤8)若y声Hf-2m化为低分辨率图像的高度），则跳到步骤。处理下一个块；否则对所有的图像 块的处理完毕，得到由各重构块P'。若且成的高分辨率的图像。
[0074] 综上所述，本发明的创新点在于；1)在离线的样本库建立中，利用图像卡通和纹 理分解技术进行分解，W更好地提取图像中的光滑区域和物体边界处的信息。2)采用改进 的PDE方法产生预测的高分辨率图像，接着对下采样的低分辨率图像、下采样的卡通图像、 高分辨率的预测图像分块训练成由样例=元组形成的样本库，W克服传统方法中的低分辨 率的样例块缺图像细节的问题。3)在所提出的方法的在线匹配捜索过程中，不仅利用待放 大图像中的低分辨率块，还利用低分辨率的卡通块来在训练库中寻优，W克服传统方法中 的一对多的问题。4)在匹配捜索样本块的过程中对重要的图像边缘点信息提高其权重，提 出新的匹配准则，继续提高图像匹配的准确度。
[00巧]本发明运用包括在线处理过程和离线处理过程。其中，离线处理过程可W在离线 的情况下一次完成形成训练数据库。在线的处理过程是针对待放大的图像进行超分辨率放 大处理，W利用训练好的数据库和新的匹配准则，得到高质量的高分辨率的图像。
[0076] W下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，W 充分地反映本发明的目的、特征和效果。
【附图说明】
[0077] 图1是本发明所提出的利用图像分解的超分辨率方法的示意流程图；
[0078] 图2是本发明对普通自然图像的超分辨率方法的实验结果图，此图把本方法的结 果和已有的最新的效果好的方法的结果进行了对比，并把本发明中的2个方法进行了对 比。图2中从左到右的每列依次为；图2(a)为基于样例学习的原有算法的实验结果图，图 2(b)为在本发明中仅利用基于图像分解的方法的实验结果图，图2(c)为利用了本发明的 所有创新的工具之后产生的实验结果图，图2(d)为原始的高分辨率图像。
[0079] 图3是本发明利用化le大学人脸库中的一部分图像用于训练的人脸图像原始 图；
[0080] 图4是本发明对人脸图像进行放大的实验结果图，图4中从左到右的每一列的图 像依次为：图4(a)是下采样后的低分辨率图像，图4(b)是原来的基于样例学习的方法对图 4(a)中的图像进行处理后的结果图，图4(c)为在本发明中仅利用基于图像分解的方法的 实验结果图，图4(d)为利用了本发明的所有创新的工具之后对图4(a)中的图像进行处理 后的结果图，图4(e)为原始的高分辨率图像。
【具体实施方式】
[0081] 下面结合附图对本发明的实施例作详细说明；本实施例在W本发明技术方案前提 下进行实施，W下给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于 下述的实施例。
[0082] 首先，先收集好大量的高分辨率的图像。高分辨率图像可W由网上的一些免费的 图像数据库中获得，如本发明利用的Yale大学的人脸数据库等。然后对收集到的每幅高分 辨率的图像进行如下处理；
[008引输入；很多高分辨率的训练图像。
[0084] 输出；由提取的样例S元组化(i)，Pe班），P'hcQ))所组成的数据库。
[0085] 步骤1)先对原始的训练的高分辨率的图像进行下采样得到低分辨率的图像。 然后对每一幅高分辨率的图像利用此文章（ModelingTextureswithTotalVariation MinimizationandOscillatingPatternsinImageProcessing"，Journalof scientificcomputing,vol. 19,issue1-2,卵.553-572,Dec. 2003)中所述的图像的卡通 和纹理分解技术进行分解，同时对分解得到的卡通部分进行下采样，再对低分辨率的卡通 图像进行如下所述的基于偏微分方程的插值W得到高分辨率的预测图像。首先，基于偏微 分方程的插值方法中的初始图像为下采样的低分辨率的卡通图像，即，Cl(i，j) =C(i，j)， 然后定义如下偏导数的离散化计算方法，有
[0086]
[0087] 利用该些偏导数可计算出第k次迭代应采取的修正量，即
[0088]
[0089] 利用该个修正量，可W得到第k次迭代产生的结果，给第k+1次迭代产生初始值， 有
[0090] CW(i，_]?)=ck(i，_]?) +0. 25*QkQ，_j)
[0091] 然后，重复此迭代过程，直到cKC-，C-4)《WXHX1. 3,cKC-，C-4)为块C-和块 之间的欧氏距离，其中，W为块的长度，H为块的宽度。接下来，计算原始图像和预测图像之 间的差值，得到预测差值图像。该样，可^为提取样例^元组做准备。步骤2^^=1，7^ = 1，该里，（Xu 是低分辨率样例在低分辨率的图像中采集的第一个块的左上角的坐标。i =1。
[009引步骤扣令111= 2,提取下采样的低分辨的图像中从坐标开始到（X片m+1，y片m+1)间的图像块町a)存储到数据库中。提取下采样的卡通图像中从坐标记，yj开 始到记+2m+l，y片m+1)间的图像块P。班）存储到数据库中。（2m+l)X(2m+l)为低分辨率 块的大小。本发明中选择的块的大小为5X5。
[009引步骤4)令Xh= 1，yH= 1，（XH，ys)为高分辨率的样例在高分辨率图像中采集的第 一个块的左上角的坐标。
[0094] 步骤W提取高分辨率的预测差值图像中从坐标（Xh，ys)开始到（XH+4m+2，yH+4m+2)间的图像块P'hea)，存储到数据库中。（4m+2)X(4m+2)为高分辨率预测差值 块的大小。本发明中选择的预测差值块的大小为10X10。该样，就存储了一个如上（3)中 所述的样例S元组化(i)，Pc^i)，P'HE(i))，其中町(i)和Pci(i)在W上步骤3)中存储， P'HE(i)在本步骤中存储。i=i+l。