基于流形正则稀疏支撑回归的单帧图像超分辨率重建方法

(19)中民国家知识 (21)(22)(71)申请人大地址430072省市武昌区珞珈山武(72)发明人韩特殊普通合

(10)申请公布号CN(43)人G06T5/00权利要求书2权利要求书2页说明书7页附图1A辨率图像块字典进行稀疏编码并得到支撑集像块空间到高分辨率图像块空间的映射关系ACN

权利要求 1/2下步骤：W步骤4对于输入低分辨率图像中每个低分辨率3所得相似矩阵W束重建低分辨率图像块支撑集与对应高分辨率图像块支撑集之间的映射矩阵P；步骤5对于输入低分辨率图像中每个低分辨率4所得映射矩阵P重建根据权利要求1征在于：记步骤1所得高分辨率图像块训练集为对应低分辨率图像块训练集为其中，yi代表高分辨率图像块训练集中第i个高分辨率图xi代表个数和低分辨率图像块训练集中低分辨率图像块的总个数都是N，，其中，λ1是编码误差和稀疏性之间的平衡参θ为长度N的编码系数返回关于变量θ的函数在得到最小值时θ的取值，，，，其中表示稀疏编码系数是稀疏编码系数中非零元素的索引的集合与

权利要求

2/2，建立高分辨率图像块支撑集的相似矩阵W根据如下，，W·i为相似矩阵W的第i列向量，Wii是相似矩阵W对角线上的元素返回关于变量W·i的函数在得到最小值时W·i的取值λ2是yi编码误差和W·i稀疏性的平衡参数；5中，对任一低分辨率图像xt对应的高分辨率图像块通过下式计算得到yt＝基于流形正则稀疏支撑回归的单帧图像超分辨率重建方[0002]随着计算机网络和摄影手持移动设备的发展，图像和越来越多的应用于我们[0003]辨率技术和基于单帧图像学习的超分辨率这两大类。在本发明中，我们关注于基于单帧图像学习的超分辨率技术。它与基于多帧低分辨率图像的超分辨率技术相比，拥有更广泛的实用性和灵活性。Chang1（H.Chang,D.Yeung,andY.Xiong.Super-resolutionthroughneighborembedding[A].InProc.IEEECVPR04[C].Washington,2004.275–282.中提出了一种基于流形假设的局部线性嵌入技术，他们认为高低分辨率图像块所构成的流形空间具有相似局部几何结构，高分辨率图像块可以由训练集中KYang2（J.Yang,J.Wright,T.Huang,andY.Ma,“Imagesuper-resolutionassparserepresentationofrawimagepatchesinProc.IEEEput.Vis.PatternRecognit.(CVPR),pp.1-8,2008.（JYang,J.Wright,T.Huang,andY.Ma“Imagesuper-resolutionviasparserepresentaton,IEEETrans.ImageProcess,vol.19,no.11,pp.2861–2873,2010.Tang4（Y.Tang,P.Yan,Y.Yuan,andX.Li,“Single-imagesuper-resolutionvialocallearninInt.J.Mach.Learn.&Cyber.,vol.2,pp.15–23,2011.（LLR的K[0004]本发明目的是提供一种基于流形正则稀疏支撑回归的单帧图像超分辨率重建方高分辨率图像块支撑集和低分辨率图像块支撑集；W 4W约束重建低分辨率图像块支撑集与对应高分辨率图像块支撑集之间的映射矩阵P； 5P重建输入对应的高分辨率图像块求得输入低分辨率图像中所有低分辨率图像块对应的[0011]而且记步骤1所得高分辨率图像块训练集为对应低分辨率图像块训 [0014]其中，λ1是编码误差和稀疏性之间的平衡参数，θN的编码系数，θθ[0015]S ，，[0017]其中表示稀疏编码系数是稀疏编码系数中非零元素的索引的集YS＝{yi|iS}XS＝{xi|iS}，，[0018]3YS中任一高分辨率图像块yi看作构成邻接矩G的一个顶连接任意两个顶点yi和yj的边的权值为wij，i的取值为1,2,...,K，j[0019]建立高分辨率图像块支撑集的相似矩阵W根据如下， ，回关于变量W·i的函数在得到最小值时W·i的取值λ2是yi编码误差和W·i稀疏性的平衡参数； yt＝ 明技术方案进一步详细说明。参见图1，本发明实施例具体流程依次包含以下步骤为：[0037]实施例记输入的高分辨率图像块训练集为低分辨率图像块训练集为xt像是高分辨率样本图像通过平滑并下采样三倍的结果。共采用5000个高低分辨率图像块对，N为5000。 平衡参数，θ即为长N的编码系数

返回关于变量θ的函数在得时θ的取值在本实施例中参数λ1设为0.1[0042]S ，，[0044]其中表示稀疏编码系数是稀疏编码系数中非零元素的索引的集块集（X可以分别被表示为高分辨率图像块支撑集YS＝，，[0046]3.1YS中任一高分辨率图像块yi看作构成邻接矩G的一个顶连接任意两个顶点yi和yj的边的权值为wij，i的取值为1,2,...,K，j[0047]W，[0049]W·i为WiWii是W对角线上的元素返回关于变量W·i，函数在得到最小值时W·i的取值YS为高分辨率图像块支撑集λ2是yi编码误差和W·i撑集的几何结构来用于高分辨率图像块的流形重建； [0052]上式中，α为正则化在本实施0.3P为需要学D×d化为： 其中

为P在Hilbert空间的诱导范数。在支撑集内以上可F W来约束重建低分辨率图像块支撑集XS与对应高分辨率图像块支撑集YS之间的映射矩阵P， [0060中，α和β中0.3和10。这两个参数可以用来平衡上式三项对目标函数OMSSR的贡献。目标函数OMSSR的第一导并置零得到： [0064]在实施例中，输入低分辨率图像XtM个相互交叠的低分辨率图像块，对任一低分辨率图像块xt相对应的高分辨率图像块都可以通过如下式子计算得到： yt＝ Xt。获得的高分辨率图像可以作为预测结果输出，重建完成。 为了验证本发明的有效性测试了五个被广泛运用的图像它们分别是“barbara“foreman“house“zebra如双三次插值法邻域嵌（文献1稀疏编（文献3）和基于回归的局部学（文献4）等（PSNR 为了得到低分辨率图像的高频信息提取四个方（2个垂直方向2个水平方向）的梯度作为其特征表示在本实施例中高分辨率图像块像素大小均为9×9低分辨率图像块像素大小为3×3。从文献3的训练图像中随机选取5000对图像块作为本实施例的样本图像对来作为邻域嵌入和局部学习回归的训练集。邻域嵌入法的近邻数取10稀疏编码方法中的系数参