1，21，.，令口 = [Zdz2,...，zjeRmX1，结 合对应的高分辨率图像块集合{y」yieRn,i= 1，2,. . .，1}，令Y= [yi，y2,. ..，yjeRnX1， 其中n=s2m，进而构成了规模为1的高、低分辨率图像块对集合{(y;，zjly#Rn,ZieRm,i 1，2，···，1}0
[0029] 2.基于K-means聚类和主成分分析的字典集训练。
[0030] (1)对低分辨率图像块集合对应的图像集矩阵Z= [Zl，z2, . . .，zj按列进行中心 化和归一化得到Z' =[Zl'，z' 2，...，z/ ]，然后对Z'进行K-means聚类，将集合Z' 分解为皿111个不相交的子集{2'」」=1，2，...，1111111}，1111111￡1? +，其中"；是包含所有 属于第j类的低分辨率图像块集合的矩阵，每一列代表一个图像块。记录并存储聚类中心 Clusters= [C"C2, · · ·，C_]eRmX_，其中CjeRm，j= 1，2, · · ·，num〇
[0031] (2)对高分辨率图像块集合对应的图像集矩阵Y= [yi，y2，...，yi]按列进行中 心化和归一化得到r=[y/，y2'，...，y/ ]，对应于Z'分解后得到的num个不相 交的子集，将f直接分解为{Y/|j=l，2，...，num}，其中Y/是包含所有属于第j 类的高分辨率图像块集合的矩阵，每一列代表一个图像块，其中的列向量与{Z',|j= 1，2,. . .，num}中的列向量--对应。对Yj'，j= 1，2,. . .，num依次进行主成分分析： 丫}:/ =",Σ,丨/;/,./ = 1,2,_册所，得至丨」每一类数据对应的特征向量集合1]]，即该类另丨」的稀 疏表示字典，记为Dj=Uj= 1，2,. . .，num。记录并存储稀疏表示字典D={Dj|j= 1，2,. . .，num} 〇
[0032] 3.基于交叉迭代优化的自适应滤波器训练。
[0033] 输入：K-means聚类得到的低分辨率图像块集合{Z' |j= 1，2, . . .，num}和高 分辨率图像块集合{Y/ |j= 1，2,. . .，num}，稀疏表示字典D={Dj|j= 1，2,. . .，num}， 初始化稀疏表示系数矩阵A。，初始化高、低分辨率图像块映射矩阵Ρ。^RnXm，正则化参数λ1;λ2εR+，迭代次数TeR+，重构误差ε= 1X105。
[0034] 步骤一：初始化映射矩阵和稀疏表示矩阵，P_j=Ρ。，A_j=Α。，j= 1，2,. . .，num。
[0035] 步骤二：固定P,，采用分组最小角回归法求解优化问题
[0036] 步骤三：固定A,，采用.ball上的欧几里得投影法求解优化问题
[0037]步骤四：重复步骤二和步骤三，直到重构误差小于设定的阈值ε，或者达到迭代 次数Τ。
[0038] 步骤五：对j= 1，2, ...，num依次执行步骤二、三、四。
[0039] 输出：得到优化求解后的高、低分辨率图像块映射关系矩阵集合{Pi，P2, . . .，P_}， 应于第j类的高、低分辨率图像映射关系矩阵。
[0040] 4.在线低分辨率图像的高分辨率重建。
[0041] (1)将输入的低分辨图像z分割成大小为.
的子图像块，然后对所有的子 图像块进行中心化和归一化操作，得到子图像块集合。
[0042] (2)根据聚类中心Clusters= [Q,C2, ...，C_]，通过最近邻法判断每个子图像块 所属的类别，并从{Pi，P2, ...，P_}中选择对应该类别的高、低分辨率图像块映射关系矩阵， 依次进行高分辨率图像块的重建。
[0043] (3)对存在重叠部分的图像块像素值进行加权平均，得到最终的高分辨率重建图 像y，放大倍数为s。
【主权项】
1. 一种基于稀疏表示和自适应滤波的图像超分辨率重建方法，其特征在于步骤如下： 步骤1、构造高、低分辨率图像块对集合：选取方差为σ，大小为kXk的高斯核，对 训练图像集中的每一幅图像进行高斯卷积、按照采样因子1/s进行最近邻下采样，然后 对得到的低分辨率图像进行分割，并且根据图像的大小wXh随机选取数量为pUwx/;]，ke化1,0.引，其中「怎xwxA]是kXwXh的向上取整部分、大小为的子图像块， 总共构成1个大小为^/：；；χ^/；；；的子图像块集合，为低分辨率图像块集合{zilizeri，= 1，2,1...，，}令Z= [zi，Z2,...，zjeRmxi，结合对应的高分辨率图像块集合{γιΙγιΕR"，i =1，2,. . .，1}，令Υ=切，y2,. ..，yjERnxi，其中η=s2m，进而构成了规模为1的高、低 分辨率图像块对集合{(Yi，Zi)IyieRη,ZieRm，i= 1，2,. . .，1};所述训练图像集包含150 幅空间分辨率均高于1024X720的图像； 步骤2、基于K-means聚类和主成分分析的字典集训练： 对低分辨率图像块集合对应的图像集矩阵Z= [Zi，Z2,. . .，zj按列进行中屯、化和归 一化得到Z' =[z'i，z'2，...，z'1]，然后对Z'进行K-means聚类，将集合Z'分解为 num个不相交的子集{Z'j|j=l,2, ...,num},numeR+，其中Z'J是包含所有属于第j类 的低分辨率图像块集合的矩阵，每一列代表一个图像块；记录并存储聚类中屯、Clusters= 的，C2,...，CnJeRmx瞧，其中CjeRm，j=1，2,...，num; 对高分辨率图像块集合对应的图像集矩阵Y= [yi，y,，...，yj按列进行中屯、化和归 一化得到Y' =[y'i，y' 2，...，y' 1]，对应于Z'分解后得到的num个不相交的子集， 将￥'直接分解为阳'，|^' = 1，2，...，皿111}，其中￥',是包含所有属于第^'类的高分辨率 图像块集合的矩阵，每一列代表一个图像块，其中的列向量与{Z'，|j=l，2，...，num}中 的列向量--对应；对Y'J,j= 1，2,. . .，num依次进行主成分分析：j= 1，2,...，num，得到每一类数据对应的特征向量集合U,，即该类别的稀疏表示字典，记为D, =Uj,j= 1, 2,. . . ,num;记录并存储稀疏表不字典D=(Djj= 1, 2,. . . ,num}; 步骤3、基于交叉迭代优化的自适应滤波器训练： 输入：K-means聚类得到的低分辨率图像块集合{Z'JIj= 1, 2,num}和高分 辨率图像块集合阳'jIj= 1，2,. . .，num}，稀疏表示字典D=化Ij= 1，2,. . .，num}， 初始化稀疏表示系数矩阵A。，初始化高、低分辨率图像块映射矩阵P"eR"xm，正则化参数 入1，R+，迭代次数Te护，重构误差ε= 1X10 5; 步骤4、在线低分辨率图像的高分辨率重建： 步骤a:将输入的低分辨图像Ζ分割成大小为的子图像块，然后对所有的子图 像块进行中屯、化和归一化操作，得到子图像块集合步骤b:根据聚类中屯、Clusters= [Cl,〔2,. . .，CnJ，通过最近邻法判断每个子图像块zL.G巧"1，i= 1，2,...，1 所属的类别je(1，2,...，num}，并从巧1，P2,...，P"J中选择对 应该类别的高、低分辨率图像块映射关系矩阵P，，根据乂或&，计算得到重建后的高分 辨率图像块乂= 1，2，...，1 ; 步骤C:对存在重叠部分的图像块像素值进行加权平均，得到最终的高分辨率重建图 像y，放大倍数为S。2. 根据权利要求1所述基于稀疏表示和自适应滤波的图像超分辨率重建方法，其特征 在于：所述σ为0.1~2。3. 根据权利要求1所述基于稀疏表示和自适应滤波的图像超分辨率重建方法，其特征 在于：所述kXk为3Χ3、5Χ5或7X7。4. 根据权利要求1或2所述基于稀疏表示和自适应滤波的图像超分辨率重建方法，其 特征在于：所述σ为1。
【专利摘要】本发明涉及一种基于稀疏表示和自适应滤波的图像超分辨率重建方法，首先利用图像内容的结构信息，对大量图像进行充分的聚类，保证每一类图像集合中包含了强一致性的图像结构信息，在此基础上进行的逐类别主成分分析获得了各个类别的稀疏表示字典，自适应性强。采用分组最小角回归法和l1-ball上的欧几里得投影法通过交叉迭代优化的方式求解出每一类别的高、低分辨率图像块映射关系矩阵。最后直接利用训练学得的映射关系矩阵对低分辨率图像进场处理，快速重建出清晰度较高的高分辨率图像。
【IPC分类】G06T5/00, G06T3/40, G06T5/50
【公开号】CN105405098
【申请号】CN201510724276
【发明人】李映, 胡杰, 刘韬
【申请人】西北工业大学
【公开日】2016年3月16日
【申请日】2015年10月29日