专利名称：基于稀疏表示理论的超分辨率图像获取方法
技术领域：
本发明属于计算机视觉技术领域，涉及稀疏表示理论、压缩感知理论及单张图像实现图像超分辨率方法，具体讲涉及基于稀疏表示理论的超分辨率图像获取方法。
背景技术：
长期以来，通过低分辨图像恢复到高分辨率图像已在关键技术上取得了重要突破，已经趋于成熟并在电子图像、互联网视频、数字电视等多个领域获得广泛应用。然而，传统的方法做超分辨率图像需要多张输入图像，或者通过单张图像恢复得到的高分辨率图像，分辨率也有待提高。基于稀疏表示理论的图像超分辨率方法则可达到更高的分辨率，并且只需要ー张输入图像。相关研究在近年来开始成为研究热点。基于稀疏表示理论的图像超分辨率技术在高清图像、高清度电视、视频图像高分辨率、遥感、医学和安全监控等领域有着广泛应用。国际上多所著名大学与研究机构如伊利诺伊大学，牛津大学，香港理工大学，萨里大学，微软研究院人工智能与机器人研究所等都在该领域有着深度的研究。现阶段，基于稀疏理论的超分辨率技术由于非常依赖于构造的过完备字典而难以获得用户满意的超分辨率效果。其中，要得到细节更为丰富的字典，ー种方法是采用更多的训练图像，但这样会使字典的构造时间耗费巨大；另ー种方法是选择某个相关图像类作为构造字典的训练图像。伊利诺伊大学(Jianchao Yang, John Wright, Yi Ma, Thomas Huang,Wilburn B. Image Super-Resolution as Sparse Representation of Raw Image Patches.Proceedings of IEEE Conference on Computer Vision and Pattern Recognition，Washington, DC，USA, 2008. 23-28.)通过该方法实现了单张图像基于稀疏理论的超分辨率放大。但是该方法得到的结果图像质量有待提高，该过程所需时间也有待缩短。
发明内容
本发明g在解决克服现有技术的不足，提供一种节省时间等消耗，能得到高质量图象的图像超分辨率获取方法，本发明采取的技术方案是，基于稀疏表示理论的超分辨率图像获取方法，包括以下步骤I)对于输入图像，通过SIFT特征点提取和匹配的方法从图像库中选取特征点匹配最多的图像构造训练集；2)对训练集中的图像和其下采样得到的低分辨率图像分别采样取一定数量的补丁，并对其稀疏编码构造训练字典Dh和采样训练字典D1 ；3)将训练得到的采样训练字典D1作为稀疏化中的过完备字典，对输入的低分辨率图像进行稀疏表示；4)依据压缩感知理论中图像恢复的理论，利用训练字典Dh和步骤3)中得到的稀疏解恢复得到高分辨率图像。
SIFT特征点提取与特征点匹配的方法具体包括以下步骤11)通过SIFT算法计算提取输入的低分辨率图像的特征点；
12)对图像库里的每一幅图像，分别计算提取其SIFT特征点；13)用SIFT特征点匹配算法，将步骤11)中低分辨率图像的特征点和步骤12)中每一幅图像的特征点进行匹配，选取其中特征点匹配最多的几幅图像，以此构造训练图像集。对训练图像采样，并稀疏编码，构造训练字典Dh和采样训练字典D1,具体方法包括以下步骤21)对训练集中的图像进行采样一定数量的补丁，得到补丁集Xh= Ix1,
Xg， Xn};22)对训练集中的图像下采样得到对应的低分辨率图像，对其采样一定数量的补丁，得到另ー补丁集 Y1= Iy1,12, ... yj ；23)分别对补丁集Xh和另ー补丁集Y1稀疏编码，构造字典训练字典Dh和采样训练字典D1，方法为
权利要求
1.ー种基于稀疏表示理论的超分辨率图像获取方法，其特征是，包括以下步骤 1)对于输入图像，通过SIFT特征点提取和匹配的方法从图像库中选取特征点匹配最多的图像构造训练集； 2)对训练集中的图像和其下采样得到的低分辨率图像分别采样取一定数量的补丁，并对其稀疏编码构造训练字典Dh和采样训练字典D1 ； 3)将训练得到的采样训练字典D1作为稀疏化中的过完备字典，对输入的低分辨率图像进行稀疏表示； 4)依据压缩感知理论中图像恢复的理论，利用训练字典Dh和步骤3)中得到的稀疏解恢复得到高分辨率图像。
2.如权利要求I所述方法，其特征是，SIFT特征点提取与特征点匹配的方法具体包括以下步骤 11)通过SIFT算法计算提取输入的低分辨率图像的特征点； 12)对图像库里的每一幅图像，分别计算提取其SIFT特征点； 13)用SIFT特征点匹配算法，将步骤11)中低分辨率图像的特征点和步骤12)中每ー幅图像的特征点进行匹配，选取其中特征点匹配最多的几幅图像，以此构造训练图像集。
3.如权利要求I所述方法，其特征是，对训练图像采样，并稀疏编码，构造训练字典Dh和采样训练字典D1，具体方法包括以下步骤21)对训练集中的图像进行采样一定数量的补丁，得到补丁集Xh={Xl, X2,... xn}； 22)对训练集中的图像下采样得到对应的低分辨率图像，对其采样一定数量的补丁，得到另ー补丁集 Y1 = (Y1, y2,... yn}； 23)分别对补丁集Xh和另ー补丁集Y1稀疏编码，构造字典训练字典Dh和采样训练字典D1，方法为
4.如权利要求I所述方法，其特征是，对输入的低分辨率图像y通过以下方法进行稀疏表不最终得到稀疏解a min (I a H1 s.t. || FD1CC-Fy |ほく s 其中，F为特征提取算子，用来提提供ー个a与y的接近程度的约束，s.t.表示使得——；满足...，e为ー个极小的參数，表示可允许的差值范围。
5.如权利要求I所述方法，其特征是，对步骤4)中得到的稀疏解a，用以下方法恢复得到高分辨图像x = Dha。
全文摘要
本发明属于计算机视觉技术领域。提供一种节省时间等消耗，能得到高质量图象的图像超分辨率获取方法，本发明采取的技术方案是，基于稀疏理论的超分辨率方法，通过选择与输入图像SIFT特征点匹配最多的图像作为构建过完备字典的训练图像集，训练得到细节更为丰富的字典，依据稀疏表示理论将低分辨率图像进行稀疏表示，依据压缩感知理论从稀疏表示的低分辨率图像恢复得到更高分辨率的图像。本发明主要应用于高分辨率的图像的获取。
文档编号G06T5/50GK102629373SQ20121004587
公开日2012年8月8日 申请日期2012年2月27日 优先权日2012年2月27日
发明者朱彦铭, 李坤, 江健民 申请人:天津大学