分辨率图像的高分辨率图像片作为K 个初始类簇中心；采用所述K均值聚类算法对所述初始目标高分辨率图像进行聚类分析， 从而获得K个初始类簇；对每个所述初始类簇训练对应的子字典；将每个所述高分辨率图 像片所归属的所述初始类簇对应的子字典作为所述超完备字典。
[0053] 结合第二方面的第三种可能的实现方式，在第五种可能的实现方式中，所述计算 模块具体用于：
[0054] 所述目标高分辨率图像X和所述低分辨率图像y满足图像观测模型：y = DHx+v ; 其中，退化矩阵D表示下采样算子，退化矩阵Η表示模糊算子；
[0055] 根据所述图像观测模型，利用卷积算法获得所述目标高分辨率图像X的参考梯度 直方图;其中
t其中，hy是对所述低分辨率 图像利用双三次插值得到的上采样图像的梯度直方图；hx是随机变量X的概率密度函数的 离散形式，比是独立同分布随机变量g的概率密度函数的离散形式，P是常数，R(hx)是梯 度直方图正则项，叕是卷积操作符；
[0056] 通过求解优化问题《-;；.|/1^卜以|，8.1:.111? = 1^来更新变换函数？。
[0057] 结合第二方面的第三种可能的实现方式，在第六种可能的实现方式中，所述计算 模块具体用于：
[0058]
确定，其中， 妒〉表示第t次迭代的目标高分辨率图像估计值，表示第t+1/2次迭代的目标高分辨 率图像估计值，S为常数，表示妒)的梯度图；
[0059]
,其中，@表示第t+1/2次迭代的高分辨率 图像片Xl的稀疏系数，< 表示第t次迭代的高分辨率图像片Xl所归属的初始类簇对应的 子字典，民表示从初始目标高分辨率图像Ip在位置i处获取高分辨率图像片Xl的矩阵；
[0060] 根据关于优化问题的循环迭代求解的稀疏编码系数修正公式
确定第t+ι次 迭代的高分辨率图像片Xi的稀疏系数5其中，
其中，τ表 示用于调节衰减速度的控制参数，W表示归一化因子，<表示高分辨率图像片Xl的相似图 像片组，Sv。表示软阈值函数，c表示正则化参数；
[0061]
确定纟其中， 表示第t+Ι次迭代的目标高分辨率图像，Φα+1)表示V-对应的超完备字典。
[0062] 结合第二方面的第三种至第六种任一可能的实现方式，在第七种可能的实现方式 中，所述获取模块还用于获得收敛解为最终目标高分辨率图像XH。
[0063] 本发明提供的超分辨率图像重建方法和装置，包括：步骤S1，对输入的低分辨率 图像y进行N次下采样，生成图像片库B ;步骤S2,对所述低分辨率图像y的任一给定图像 片Xl，采用近似最近邻算法在所述图像片库B中获取相似图像片I ;步骤S3,聚集重叠与所 述相似图像片％对应的图像区域rii，并根据与所述图像区域rii对应的权重系数，获得第 一高分辨率图像Γ i ;步骤S4,对所述第一高分辨率图像Γ i采用背投影算法，获得第二 高分辨率图像L，并将所述第二高分辨率图像L加入所述图像片库B。通过基于背投影算 法的多级放大技术来估计初始目标高分辨率图像，并综合利用数据保真度、稀疏非局部正 则化和梯度直方图正则化先验进行数学建模，通过最优化问题求解来获取最终的目标高分 辨率图像，从而能够有效恢复低分辨率图像的边缘和纹理信息，提高重建图像的质量。
【附图说明】
[0064] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发 明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以 根据这些附图获得其他的附图。
[0065] 图1为本发明超分辨率图像重建方法实施例一的流程图；
[0066] 图2为本发明超分辨率图像重建方法实施例二的流程图；
[0067] 图3为本发明超分辨率图像重建装置实施例的结构示意图。
【具体实施方式】
[0068] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0069] 图1为本发明超分辨率图像重建方法实施例一的流程图。如图1所示，本实施例 提供的高分辨率图像重建方法可适用于获取高分辨率图像或者视频的场景，具体可以由高 分辨率图像重建装置执行，其中，高分辨率图像重建装置例如可以是计算机等智能终端；本 实施例提供的方法具体可以包括：
[0070] 步骤S1，对输入的低分辨率图像y进行N次下采样，生成图像片库B。
[0071] 本实施例中，在图像金字塔中，假设最终目标高分辨率图像xH和低分辨率图像y 之间的关系满足关系式：y= (xH*G)丨s，其中，*是卷积符号，G是高斯核函数，丨s是尺度 因子为s的下采样操作符。在每级放大中，选取足够小的尺度因子，从而可以从图像金字塔 中搜索到更多用于高分辨率重建的相似图像片，即，对于一幅输入的低分辨率图像y进行N 次下采样，生成一序列下采样的低分辨率图像来构建图像片库B。
[0072] 步骤S2,对所述低分辨率图像y的任一给定图像片Xl，采用近似最近邻算法在所 述图像片库B中获取相似图像片％。
[0073] 本步骤中，若假设低分辨率图像I。是对一幅未知的高分辨率图像Ip(p = 1，L，P) 的下采样结果，对于任一放大倍数z，则总的放大级数为：
[0074] P = round (log (z) /log (zs)),
[0075] 其中，1是每级放大步骤中的尺度因子。因此，可以利用尺度间图像片的相似性来 重建高分辨率图像I p，也就是说，本步骤中，对于低分辨率图像y的任一给定图像片Xl，利用 近似最近邻算法在图像片库B中获取相似图像片％。
[0076] 步骤S3,聚集重叠与所述相似图像片％对应的图像区域1^，并根据与所述图像区 域rii对应的权重系数，获得第一高分辨率图像Γ i。
[0077] 假设％表示Xl的相似图像片，Γ i和I分别表示在给定图像，即低分辨率图像y 和高分辨率图像中对应的较大图像区域，尽管图像片4和Xl是非常相似，但它们不完全 相同，这种关系也适用于图像区域Γ i和rii。因此，通过聚集重叠的图像区域rii及其权重 exp(-| |Xl-Q」Γ/。2)来获得第一高分辨率图像Γ i;其中，。是相似度测量的控制参数。
[0078] 步骤S4,对所述第一高分辨率图像Γ i采用背投影算法，获得第二高分辨率图像 Ii，并将所述第二高分辨率图像L加入所述图像片库B。
[0079] 由于初始重建的高分辨率图像，即第一高分辨率图像Γ i可能存在未覆盖的区 域，因此，采用背投影算法来提高图像分辨率，然后，把改进重建的第二高分辨率图像I:加 入图像片库B。
[0080] 在实际应用中，在对第一高分辨率图像Γ i采用背投影算法，获得第二高分辨率 图像I:之后，还可以包括：将所述第二高分辨率图像I:作为新的低分辨率图像y，重复执行 步骤S2~步骤S4,获得第三高分辨率图像Γ p;将所述第三高分辨率图像Γ p放大？级 后，采用双三次插值对所述第三高分辨率图像Γ p进行下采样，获得放大倍数为z的初始 目标高分辨率图像Ip。
[0081] 本实施例的技术方案，通过对输入的低分辨率图像y进行N次下采样，生成图像片 库B ;对所述低分辨率图像y的任一给定图像片Xl，采用近似最近邻算法在所述图像片库B 中获取相似图像片Q1;聚集重叠与所述相似图像片％对应的图像区域，并根据与所述图 像区域1^对应的权重系数，获得第一高分辨率图像Γ 1;对所述第一高分辨率图像Γ i 采用背投影算法，获得第二高分辨率图像L，并将所述第二高分辨率图像L加入所述图像 片库B。通过基于背投影算法的多级放大技术来估计初始目标高分辨率图像，从而能够有效 恢复低分辨率图像的边缘和纹理信息，提高重建图像的质量。
[0082] 图2为本发明超分辨率图像重建方法实施例二的流程图。如图2所示，在上述实 施例的基础上，本实施例提供的方法还包括：
[0083] 步骤S5,对所述初始目标高分辨率图像Ip和所述低分辨率图像y采用交替最小化 算法计算数学模型a y ;
[0084] 其中，所述数学模型ct y为：
[0085]
[0086] s. t. hF = hr,
[0087] 其中，退化矩阵D表示下采样算子，退化矩阵Η表示模糊算子，λ和μ表示正则 化参数，ct i是所述给定图像片Xl的编码系数，α为a i的集合，β i是a i在稀疏编码域的 非局部均值，V表示梯度操作符，F是变换函数，匕是目标高分辨率图像X的参考直方图，hF 是变换的梯度图像的直方图。
[0088] 具体的，所述步骤S5具体包括：
[0089] S51，采用K均值聚类算法获取超完备字典。
[0090] 本步骤中，根据尺寸大小随机选