1.一种改进的自适应多字典学习的图像超分辨率重建方法,包括下列步骤:
步骤1:根据图像的降质过程确定降采样矩阵D和模糊矩阵B;
步骤2:利用图像自相似性建立金字塔,将金字塔的上层图像和自然图像作为字典学习的样本,用PCA法构建各类的字典并将金字塔的顶层图像作为初始重建图像步骤3:计算稀疏编码非局部结构自相似的权值矩阵A;
步骤4:设置迭代终止误差e,最大迭代次数Max_Iter、控制非局部正则化项贡献量的常数η以及更新参数的条件P;
步骤5:更新图像的当前估计:
步骤6:更新稀疏表示系数:
其中,soft(·,τi,j)为阈值τi,j的软阈值函数;
soft(x,τ)=sgn(x)max(|x|-τ,0)
其中,sgn(x)是符号函数;
步骤7:更新图像的当前估计
步骤8:如果mod(k,P)=0,则更新X的自适应稀疏域,用更新矩阵A;
步骤9:重复(5)~(8),直到迭代满足或k≥Max_Iter迭代终止。
2.根据权利要求1所述改进的自适应多字典学习的图像超分辨率重建方法,其特征在于,步骤2中对自然图像库中的图像进行高通滤波,然后裁成大小的块,选择图像块标准差大于Δ的块,记为选择的样本图像块,为其对应的高通滤波后的高频成分;计算与金字塔上层图像样本聚类得到的的K类质心μk的距离,记为如果则将加入到Ck,否则舍弃该图像块,其中,δ是用来控制图像块与类中心的相似程度的参数;经过上述操作后,样本得到扩充,每类扩充后的样本记为qk为扩充后样本个数。
3.根据权利要求1所述改进的自适应多字典学习的图像超分辨率重建方法,其特征在于,步骤2中采用主成分分析法(principal component analysis,PCA)进行字典学习;设Sk的协方差矩阵为Ωk,对Ωk进行主成分分析,得到一个正交变换矩阵Pk,假设Pk为字典,则稀疏系数选择Pk中r个最重要的特征向量组成公式中的字典Φr=[p1,p2,...,pr],则稀疏系数矩阵
4.根据权利要求1所述改进的自适应多字典学习的图像超分辨率重建方法,其特征在于,步骤2中利用自相似性生成的金字塔的顶层作为初始重建图像将分为的待重建图像块其对应的高频成分为根据公式求得ki以确定表达图像块的字典