一种基于分类自学习的超分辨率图像获取方法及系统的制作方法
【技术领域】
[0001] 本发明涉及数字图像处理领域，尤其涉及一种基于分类自学习的超分辨率图像获 取方法及系统。
【背景技术】
[0002] 随着电视机显示技术的不断优化，一般家庭中普遍使用的电视机屏幕不断增大， 人们对电视图像像素的要求越来越高。低分辨率的图像在大屏幕电视上的表现效果较差， 已越来越难以满足人们的观看需求。超分辨率的图像可以通过特殊的图像处理传感器获 得，但是超分辨率的图像传感器对工艺和成本的要求都较高，所以应用图像处理算法获得 超分辨率图像。
[0003]目前图像超分辨率重建技术主要分为两种模式，1 :根据同一场景的一组低分辨率 图像序列，统计出图像间的移位关系，通过使用不同图像提供的不同细节，估计出一张高分 辨率的图像。2 :根据单一的低分辨率图像输入，计算输出的超分辨率图像。
[0004] 在第一种方法中，首先需要对低分辨率图像序列进行准确的运动估计，从而对图 像进行配准，之后再根据这一系列低分辨率图像应用正则化、最大后验概率等方法重建出 超分辨率的图像结果。在这个过程中，运动估计和图像配准很难实现精准的配准，而误匹配 会对后续的超分辨率图像的重建带来较大影响。
[0005] 而第二种方法，对单一的低分辨率图像进行处理，可以避开运动估计和图像配准 的过程，但由于单一的低分辨率图像来源只能提供有限的图像信息，所以常用的插值放大 算法获得的超分辨率图像效果较差，得到的超分辨率重建结果往往会出现锯齿或模糊的现 象。基于自学习的单帧图像超分辨率重建算法，能够对单帧图像进行超分辨率重建处理，而 且会获得较为清晰的结果图像，但在实际处理过程中，对文字、同心圆等边缘锐利的图像容 易产生边缘震荡。
[0006] 因此，现有技术有待改进和提尚。
【发明内容】
[0007] 鉴于现有技术的不足，本发明目的在于提供一种基于分类自学习的超分辨率图像 获取方法及系统，旨在解决现有技术中对图像配准时无法低分辨率图进行精准的配准，利 用单一的低分辨率图像进行图像重建时，图像边缘容易产生边缘震荡，重建后的超分辨率 图像质量差的缺陷。
[0008] 本发明的技术方案如下：
[0009] -种基于分类自学习的超分辨率图像获取方法，其中，方法包括：
[0010] A、预先设置一个平滑度判决窗口及平滑度判决门限并存储；
[0011] B、利用平滑度判决窗口对低分辨率图像进行平滑性判定；
[0012] C、对低分辨率图像进行两次采样后获取低分辨率图像的对应的只包含高频信息 的尚频图像；
[0013] D、根据低分辨率图像的平滑性判定结果，分别采用不同的匹配方法，并对匹配后 的图像进行高频增强，生成超分辨率图像。
[0014] 所述基于分类自学习的超分辨率图像获取方法，其中，所述步骤A具体包括：
[0015] AU预先选择一个预定大小的窗口范围作为平滑度判决窗口，应用窗口内像素值 标准差作为平滑度计算标准并存储；
[0016] A2、预先设置一个平滑度判决门限并存储。
[0017] 所述基于分类自学习的超分辨率图像获取方法，其中，所述步骤B具体还包括：
[0018] B1、对低分辨率图像按预定大小的窗口范围计算窗口内像素值的标准差，并判断 标准差是否低于预先设置的平滑度判决门限；
[0019] B2、若标准差低于预先设置的平滑度判决门限，则判定是平滑区域；
[0020] B3、若标准差不低于预先设置的平滑度判决门限，则判定是锐利区域。
[0021 ] 所述基于分类自学习的超分辨率图像获取方法，其中，所述步骤C具体包括：
[0022] CU对输入的需要处理的低分辨率图像进行下采样处理，得到第一采样图像；
[0023] C2、对第一采样图像进行上采样处理，获取第二采样图像；
[0024] C3、将低分辨率图像减去第二采样图像得到只包含高频信息的高频图像。
[0025] 所述基于分类自学习的超分辨率图像获取方法，其中，所述步骤D具体包括：
[0026] D1、对低分辨率图像进行上采样处理，得到第三采样图像；
[0027] D2、对于低分辨率图像中判定为锐利区域，将第三采样图像与低分辨率图像进行 匹配；
[0028] D3、对于低分辨率图像中判定为平滑区域，将第三采样图像与第二采样图像进行 匹配；
[0029] D4、利用高频图像对匹配后的图像进行增强，生成超分辨率图像。
[0030] -种基于分类自学习的超分辨率图像获取系统，其中，系统包括：
[0031] 预先设置与存储模块，用于预先设置一个平滑度判决窗口及平滑度判决门限并存 储；
[0032] 平滑性判定模块，用于利用平滑度判决窗口对低分辨率图像进行平滑性判定；
[0033] 采样模块，用于对低分辨率图像进行两次采样后获取低分辨率图像的对应的只包 含尚频?目息的尚频图像；
[0034] 匹配与图像生成模块，用于根据低分辨率图像的平滑性判定结果，分别采用不同 的匹配方法，并对匹配后的图像进行高频增强，生成超分辨率图像。
[0035] 所述基于分类自学习的超分辨率图像获取系统，其中，所述预先设置与存储模块 具体包括：
[0036] 第一预先设置与存储单元，用于预先选择一个预定大小的窗口范围作为平滑度判 决窗口，应用窗口内像素值标准差作为平滑度计算标准并存储；
[0037] 第二预先设置单元，用于预先设置一个平滑度判决门限并存储。
[0038] 所述基于分类自学习的超分辨率图像获取系统，其中，所述平滑性判定模块具体 包括：
[0039] 计算单元，用于对低分辨率图像按预定大小的窗口范围计算窗口内像素值的标准 差，并判断标准差是否低于预先设置的平滑度判决门限；
[0040] 第一判定单元，用于若标准差低于预先设置的平滑度判决门限，则判定是平滑区 域；
[0041] 第二判定单元，用于若标准差不低于预先设置的平滑度判决门限，则判定是锐利 区域。
[0042] 所述基于分类自学习的超分辨率图像获取系统，其中，所述采样模块具体包括：
[0043] 第一采样单元，用于对输入的需要处理的低分辨率图像进行下采样处理，得到第 一采样图像；
[0044] 第二采样单元，用于对第一采样图像进行上采样处理，获取第二采样图像；
[0045] 图像处理单元，用于将低分辨率图像减去第二采样图像得到只包含高频信息的高 频图像。
[0046] 所述基于分类自学习的超分辨率图像获取系统，其中，所述采样模块具体包括：
[0047] 第三采样单元，对低分辨率图像进行上采样处理，得到第三采样图像；
[0048] 第一图像匹配单元，用于对于低分辨率图像中判定为锐利区域，将第三采样图像 与低分辨率图像进行匹配；
[0049] 第二图像匹配单元，用于对于低分辨率图像中判定为平滑区域，将第三采样图像 与第二采样图像进行匹配；
[0050] 图像增强单元，用于利用高频图像对匹配后的图像进行增强，生成超分辨率图像。
[0051] 有益效果：本发明对分辨率低的图像首先进行了平滑部分和锐利部分的判定，判 定后针对不同部分分别采用不同的图像采样及匹配方法，并利用图像中的高频信息进行图 像增强。本发明在提高图像分辨率的同时，减少了图像噪声和边缘震荡，提高了低分辨率图 像的清晰度，获得边缘平滑的超分辨率图像。
【附图说明】
[0052] 图1为本本发明的一种基于分类自学习的超分辨率图像获取方法的较佳实施例 的流程图。
[0053] 图2为本发明的一种基于分类自学习的超分辨率图像获取方法的具体应用实施 例的平滑度判定示意图。
[0054] 图3为本发明的一种基于分类自学习的超分辨率图像获取方法的具体应用实施 例的图像采样示意图。
[0055] 图4为本发明的一种基于分类自学习的超分辨率图像获取方法的具体应用实施 例的超分辨率图像重建示意图。
[0056] 图5为本发明的一种基于分类自学习的超分辨率图像获取系统的较佳实施例的 功能原理框图。
【具体实施方式】
[0057] 为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说 明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0058] 本发明提供了一种基于分类自学习的超分辨率图像获取方法的较佳实施例的流 程图，如图1所示，所述方法包括：
[0059] 步