构造金字塔自学习的超分辨率重构方法
【专利摘要】本发明涉及一种构造金字塔自学习的超分辨率重构方法，包括以下步骤：将得到的原始图像序列进行配准，配准精度达到1像元以内；原始图像序列进行降采样，得到降采样图像序列；建立降采样图像与相邻帧图像的关系，将降采样图像像元与原始图像像元相对应，建立学习关系；求取ωk即为高分辨率图像与低分辨率图像间的关系；利用ωk根据原始图像序列求得高分辨率图像序列。本发明的构造金字塔自学习的超分辨率重构方法，通过降采样成像获得更低分辨率的图像序列，构造向下金字塔，这样等效已知重构结果，学习重构规律，再将金字塔向上延伸，得到更高分辨率的图像。本发明的构造金字塔自学习的超分辨率重构方法能够自学习得出高分辨率图像，具有较强的适应性。
【专利说明】构造金字塔自学习的超分辨率重构方法
【技术领域】
[0001] 本发明属于计算机视觉、图像处理领域，特别涉及一种构造金字塔自学习的超分 辨率重构方法。
【背景技术】
[0002] 超分辨图像（Super Resolution, SR)重构是由多张连续退化（Low Resolution, LR)图像重新构建高分辨率（High Resolution, HR)图像的一种图像重构技术。 形成LR图像的原因是由于采样硬件条件的限制，加上各种退化因素（比如运动变形、光学 模糊、随机噪声）的影响，原始采集图像与理想的图像目标的存在差异。由于动基座（如 航空、航天、移动监控）光电测量领域中，光电测量设备的尺寸和重量都有严格的限制，如 何在不改变现有硬件条件的情况下，提升获取更高图像分辨率的能力具有重要意义，如何 利用现有分辨率序列图像信息重构出更高分辨率的图像具有重要的理论研究意义和广泛 的实际应用价值。
[0003] 传统的超分辨率算法在没有高分辨率图像时，需要对其模型进行先验假设，然后 通过多幅低分辨率图像进行重构，这种先验假设可以通过估计或学习的方法来获得，但估 计的结果往往与事实不符，而学习的方法通用性和实时性不强。
【发明内容】
[0004] 本发明要解决现有技术中的技术问题，提供一种能够自学习得出高分辨率图像并 具有较强的适应性的，构造金字塔自学习的超分辨率重构方法。
[0005] 为了解决上述技术问题，本发明的技术方案具体如下：
[0006] -种构造金字塔自学习的超分辨率重构方法，包括以下步骤：
[0007] 步骤1 :将得到的原始图像序列进行配准，配准精度达到1像元以内；
[0008] 步骤2 :原始图像序列进行降采样，得到降采样图像序列；
[0009] 步骤3 :建立降采样图像与相邻帧图像的关系，将降采样图像像元与原始图像像 元相对应,建立学习关系，由线性表达式进行表示：
[0010]
【权利要求】
1. 一种构造金字塔自学习的超分辨率重构方法，其特征在于，包括以下步骤： 步骤1 :将得到的原始图像序列进行配准，配准精度达到1像元以内； 步骤2 :原始图像序列进行降采样，得到降采样图像序列； 步骤3 :建立降采样图像与相邻帧图像的关系，将降采样图像像元与原始图像像元相 对应，建立学习关系，由线性表达式进行表示：
其中，低分辨率图像像素值为高分辨率图像位置对应的邻域像元，为加权 系数； 步骤4 :求取
on即为高分辨率图像与低分辨率图像间的关系，使得： 步骤5 :利用《，根据原始图像序列求得高分辨率图像序列。
2. 根据权利要求1所述的构造金字塔自学习的超分辨率重构方法，其特征在于，在步 骤5中，在将图像块合并成一幅图像过程中，相匹配块采用平均融合方法。
3. 根据权利要求1所述的构造金字塔自学习的超分辨率重构方法，其特征在于，步骤5 中，在得到最优估计后，先去模糊，然后结合全局重构约束，优化迭代得到结果：
【文档编号】G06T5/50GK104050652SQ201410315074
【公开日】2014年9月17日 申请日期:2014年7月2日 优先权日:2014年7月2日
【发明者】张叶, 杨寻 申请人:中国科学院长春光学精密机械与物理研究所