本發(fā)明屬于數(shù)字圖像處理領(lǐng)域，是一種基于光流法和稀疏鄰域嵌入的單圖像超分辨率重建算法。
背景技術(shù)：
：隨著信息化時代的發(fā)展，人們對數(shù)字圖像的分辨率的要求越來越高。傳統(tǒng)的通過提高成像元件質(zhì)量來提高分辨率的方法受到工藝水平和成本價格等因素限制而無法持續(xù)滿足人們的需要。因此以信息處理方式獲得高分辨率的圖像超分辨率算法逐漸成為現(xiàn)代圖像處理領(lǐng)域的一個重要課題。一般的，圖像的退化模型可以表示為：Y＝DHX+n(1)其中，D是降采樣矩陣，H是模糊矩陣，n為噪聲項(xiàng)。目前的超分辨率技術(shù)大致可以分為三種類型，分別是基于插值的方法、基于重建的方法以及基于學(xué)習(xí)的方法。插值算法主要包括三個步驟：運(yùn)動估計(jì)、非均勻插值、去模糊。其優(yōu)點(diǎn)在于計(jì)算簡單，易于實(shí)現(xiàn)，可用于實(shí)時性場合。但它的缺點(diǎn)主要在于恢復(fù)時忽略插值過程引入的誤差，由此無法實(shí)現(xiàn)整個復(fù)原性能的最優(yōu)化。基于重建的方法的主要特點(diǎn)在于在約束退化模型的保真項(xiàng)的基礎(chǔ)上加入一些正則項(xiàng)來約束高分辨率圖像X的解空間，從而克服超分辨率問題的病態(tài)性。x^=argxmin||y-DHx||22+γJ(x)---(2)]]>基于學(xué)習(xí)的圖像超分辨率方法是最近超分辨率研究的重點(diǎn)和熱點(diǎn)。與基于重建的超分辨率方法不同，這類方法使用的先驗(yàn)知識并不是人為定義的，而是通過對大量的高分辨率訓(xùn)練圖像的學(xué)習(xí)而得到。以輸入圖像為依據(jù)，通過事先學(xué)習(xí)獲取的先驗(yàn)知識對輸入圖像中缺失的高頻信息進(jìn)行搜索匹配補(bǔ)充。目前這一類方法中有代表性的是：Freeman等人通過使用置信傳播算法提高鄰域一致性約束提出的MRF模型(多重參考模型)方法，Chang等人受來自流形學(xué)習(xí)的LLE算法(局部線性嵌入算法)的啟發(fā)而發(fā)展起的鄰域嵌入方法，Yang等人的稀疏表示算法，等等。這些算法的性能各不相同，但都毫無例外地全部將字典圖像塊視為一個固定不變的向量，字典圖像塊并不能在重建過程中動態(tài)地調(diào)整自身幾何結(jié)構(gòu)特征以適應(yīng)低分辨率輸入圖像，由此在匹配精度上無法做到更大的提高。且當(dāng)前大多數(shù)算法均不能實(shí)現(xiàn)自適應(yīng)地對鄰域匹配有貢獻(xiàn)的鄰近圖像塊，無法做到匹配誤差的最小化。另外目前的算法在處理圖像的低頻段信息時過于簡單，大多僅僅是減掉自身均值即完成去低頻過程，這種方式并不能充分消除來自原圖像中低頻基本內(nèi)容的干擾。技術(shù)實(shí)現(xiàn)要素：針對上述問題，本發(fā)明提出了一種解決辦法，可在算法重建的過程中在線更新調(diào)整鄰域圖像塊的幾何結(jié)構(gòu)以適應(yīng)輸入圖像，并且在鄰域匹配時可以發(fā)現(xiàn)對最小化匹配誤差起作用的潛在鄰近圖像塊，識別并排除鄰域內(nèi)的異常圖像塊。為了實(shí)現(xiàn)上述目的，本發(fā)明提供的一種基于光流法和稀疏鄰域嵌入的單圖像超分辨率重建算法，具體包括以下步驟：S1：首先進(jìn)行離線字典(數(shù)據(jù)庫)訓(xùn)練學(xué)習(xí)，對訓(xùn)練圖像集中的高分辨率圖像和對應(yīng)的低分辨率圖像進(jìn)行特征學(xué)習(xí)，并對學(xué)習(xí)結(jié)果進(jìn)行PCA降維和和K均值聚類處理以形成字典；S2：將低分辨率輸入圖像從RGB顏色空間轉(zhuǎn)換到Y(jié)CbCr顏色空間，進(jìn)行雙三次線性插值以形成初始高分辨率圖像mIm，然后提取初始高分辨率圖像mIm的亮度分量mIm_Y和色度分量mIm_CbCr；S3：計(jì)算亮度分量mIm_Y的梯度特征，對其提取圖像塊后進(jìn)行與步驟S1中相同的PCA降維處理；從亮度分量mIm_Y中提取圖像塊之后計(jì)算方向梯度直方圖特征，根據(jù)當(dāng)前輸入圖像塊的方向梯度直方圖特征，從字典中選擇合適的聚類子集；S4：從步驟S3選擇出的聚類子集中，使用輸入圖像塊的梯度特征，按照稀疏鄰域嵌入方式迭代選擇若干個鄰域，在選擇鄰域低分辨率圖像塊的同時確定其對應(yīng)的權(quán)值w；S5：利用光流法計(jì)算步驟S4中選擇出的鄰域的低分辨率圖像塊與低分辨率輸入圖像塊之間的光流場速度矢量，并根據(jù)光流場速度矢量值迭代調(diào)整鄰域圖像塊的幾何結(jié)構(gòu)特征；S6：將步驟S5調(diào)整后的每個圖像塊的梯度特征對應(yīng)的處理后的鄰域高分辨率圖像塊加權(quán)組合后作為最終匹配結(jié)果；S7：將最終匹配結(jié)果復(fù)制到亮度分量mIm_Y的對應(yīng)位置，得到高分辨率重建圖像的亮度分量；S8：將步驟S2得到的色度分量mIm_CbCr作為重建圖像的色度分量，將步驟S7得到的亮度分量mIm_Y作為重建圖像的亮度分量，將重建圖像由YCbCr顏色空間轉(zhuǎn)換到RGB顏色空間，即完成單圖像超分辨率重建過程。進(jìn)一步地，步驟S1具體包括：S11：將訓(xùn)練集圖像從RGB顏色空間轉(zhuǎn)換到Y(jié)CbCr顏色空間，并將其亮度分量作為高分辨率圖像，對高分辨率圖像進(jìn)行降采樣和雙三次線性插值升采樣處理后形成對應(yīng)的低分辨率圖像；S12：從低分辨率圖像中提取圖像塊后計(jì)算HOG特征(方向梯度直方圖特征)；S13：使用梯度算子計(jì)算低分辨率圖像的梯度特征，從梯度特征中提取圖像塊后使用PCA算法將所有梯度特征圖像塊進(jìn)行降維處理，以去除其中的冗余信息和圖像噪聲；S14：從步驟S11中高分辨率圖像和低分辨率圖像中分別提取高分辨率圖像塊和低分辨率圖像塊，將其與步驟S12的HOG特征圖像塊和S13中的梯度特征圖像塊一起組成字典中的學(xué)習(xí)樣本；S15：使用K均值方法將步驟S14的處理結(jié)果按照HOG特征進(jìn)行聚類，將學(xué)習(xí)樣本分成若干個聚類子集；S16：保存步驟S15聚類處理的結(jié)果作為重建時的字典。進(jìn)一步地，步驟S4具體包括：S41：根據(jù)算法設(shè)置的鄰域最大個數(shù)K確定稀疏鄰域嵌入過程中的稀疏度λ；S42：在選擇K個鄰域圖像塊的迭代過程中，計(jì)算輸入梯度特征圖像塊與字典學(xué)習(xí)樣本中梯度特征圖像塊之間的歐氏距離，記錄對應(yīng)歐式距離最小的字典樣本的索引，同時根據(jù)稀疏度λ更新權(quán)值以賦予當(dāng)前選擇出的鄰域圖像塊；之后根據(jù)稀疏度和當(dāng)前鄰域更新輸入梯度特征圖像塊以用于下一次迭代；S43：對步驟S42中得到的所有鄰域圖像塊對應(yīng)的權(quán)值進(jìn)行降序排序和歸一化；S44：識別步驟S43中權(quán)值序列中的異常值，將其賦值為0，以將對應(yīng)的鄰域內(nèi)異常樣本排除在重建過程之外；S45：根據(jù)步驟S44處理后的有效權(quán)值的索引，從字典中提取出對應(yīng)的高樣本分辨率圖像塊和低分辨率圖像塊。進(jìn)一步地，步驟S5具體包括：S51：在每一次迭代中，將步驟S4中得到的每個鄰域低分辨率圖像塊作為光流法模型中的前一幀圖像，將低分辨率輸入圖像塊作為后一幀圖像，計(jì)算兩幀圖像的光流場速度矢量(u,v)，根據(jù)光流場速度矢量(u,v)對鄰域低分辨率圖像塊和高分辨率圖像塊同步進(jìn)行運(yùn)動估計(jì)，調(diào)整其幾何特征結(jié)構(gòu)；S52：計(jì)算調(diào)整后的鄰域低分辨率圖像塊與低分辨率輸入圖像塊之間的歐式距離，若歐氏距離為當(dāng)前迭代過程中的最小值，則暫存此次迭代的鄰域高分辨率圖像塊；S53：若沒有達(dá)到設(shè)置的迭代次數(shù)，則轉(zhuǎn)到步驟S51進(jìn)行下一次迭代；反之則結(jié)束迭代，輸出暫存的鄰域高分辨圖像塊。進(jìn)一步地，步驟S51具體包括：S511：標(biāo)準(zhǔn)化鄰域低分辨率圖像塊、鄰域高分辨率圖像塊和低分辨率輸入圖像塊；S512：根據(jù)圖像超分辨率重建的一個基本約束：重建后的高分辨率圖像經(jīng)相同降采樣過程后應(yīng)與輸入低分辨率圖像保持一致，將這一基本約束與一個基于圖像平滑假設(shè)的先驗(yàn)項(xiàng)結(jié)合后，可形成一個能量函數(shù):其中：Pd=DHBh-Pl-βα]]>Px＝DHdiag(Bhx)Py＝DHdiag(Bhy)其中，D為降采樣矩陣，H為模糊矩陣，Bh為鄰域高分辨率圖像塊，Bhx和Bhy分別為鄰域高分辨率圖像塊沿x方向和沿y方向的梯度，Pl為未標(biāo)準(zhǔn)化的低分辨率輸入圖像塊，α,β分別是Pl的標(biāo)準(zhǔn)差和平均值，Pd為鄰域低分辨率圖像塊與輸入圖像塊之間的差值，Px,Py分別為鄰域低分辨率圖像塊沿x方向和沿y方向的梯度，為先驗(yàn)項(xiàng)，是一個運(yùn)動先驗(yàn)，以調(diào)整圖像灰度變化；▽和▽2分別表示梯度操作符和拉普拉斯操作符，μ、λ和η分別是控制各先驗(yàn)成分貢獻(xiàn)的調(diào)整常數(shù)；S513：最小化能量函數(shù)E(u,v)是一個l2范數(shù)問題，設(shè)定l2范數(shù)問題迭代系數(shù)w＝1.2,w1＝1之后，使用迭代法計(jì)算光流場速度矢量(u,v)的解的迭代形式為：un+1(1-w1)×un+w1×(w×(-pxpd-pxpy×vn)×un-w×px2×un-w×η×▿2uvn+1=(1-w1)×vn+w1×(w×(-pypd-pxpy×un)+vn-w×py2×vn-w×μ×▿2v.]]>本發(fā)明所公布的一種基于光流法和稀疏鄰域嵌入的單圖像超分辨率重建算法，通過在重建過程中使用光流法計(jì)算出的光流場速度矢量動態(tài)調(diào)整匹配字典圖像塊的幾何特征結(jié)構(gòu)，充分發(fā)揮了有限樣本數(shù)量字典的圖像幾何特征表現(xiàn)能力，提高了字典學(xué)習(xí)的有效性和泛化能力；使用稀疏鄰域嵌入方式自適應(yīng)地發(fā)現(xiàn)對鄰域匹配有貢獻(xiàn)的鄰近圖像塊，有助于最小化匹配誤差，且能有效發(fā)現(xiàn)并排除鄰域內(nèi)的異常字典圖像塊。在重建之初和字典學(xué)習(xí)訓(xùn)練期間進(jìn)行的圖像頻段分割，可以使有效區(qū)分一幅圖像的低頻基本內(nèi)容和高頻幾何結(jié)構(gòu)，在充分?jǐn)[脫低頻內(nèi)容干擾的前提下進(jìn)行更有效，匹配更準(zhǔn)確的超分辨率重建。附圖說明通過參考附圖會更加清楚地理解本發(fā)明的特征和優(yōu)點(diǎn)，附圖是示意性的而不應(yīng)理解為對本發(fā)明進(jìn)行任何限制，在附圖中：圖1示出了本發(fā)明實(shí)施例中的一種基于光流法和稀疏鄰域嵌入的單圖像超分辨率重建算法的步驟流程圖；圖2示出了本發(fā)明的圖像重建過程的總體框架圖；圖3～圖6分別示出了本發(fā)明其他算法在相同條件下處理圖像的主觀效果；圖3(a)-(e)為各種算法對girl圖像的重建效果；圖4(a)-(e)各種算法對Butterfly圖像的重建效果；圖5(a)-(e)各種算法對lena圖像的重建效果；圖6(a)-(e)各種算法對Parrots圖像的重建效果。具體實(shí)施方式下面將結(jié)合附圖對本發(fā)明的實(shí)施例進(jìn)行詳細(xì)描述。如圖1所示，本發(fā)明提供了一種基于光流法和稀疏鄰域嵌入的單圖像超分辨率重建算法，包括以下具體步驟：S1：通過離線方式的字典訓(xùn)練學(xué)習(xí)，對預(yù)備的訓(xùn)練圖像集中的高分辨率圖像和對應(yīng)的低分辨率圖像進(jìn)行高分辨率圖像和低分辨率圖像對應(yīng)特征的學(xué)習(xí)，并使用PCA降維算法和k-means聚類方法進(jìn)一步處理學(xué)習(xí)過程采集到地?cái)?shù)據(jù)，以形成字典。圖2是字典學(xué)習(xí)訓(xùn)練過程的總體框架圖。其中：S11：將訓(xùn)練集圖像從RGB顏色空間轉(zhuǎn)換到Y(jié)CbCr顏色空間，并將其亮度分量作為高分辨率圖像，對高分辨率圖像進(jìn)行降采樣和雙三次線性插值升采樣處理后形成對應(yīng)的低分辨率圖像；S12：從低分辨率圖像中提取圖像塊后計(jì)算方向梯度直方圖特征；S13：使用梯度算子計(jì)算低分辨率圖像的梯度特征，從梯度特征中提取圖像塊后使用PCA算法將所有梯度特征圖像塊進(jìn)行降維處理，以去除其中的冗余信息和圖像噪聲；S14：從步驟S11中得到高分辨率圖像和低分辨率圖像中分別提取高分辨率圖像塊和低分辨率圖像塊，并從低分辨率圖像對應(yīng)位置提取HOG特征圖像塊，將其與步驟S12中的方向梯度直方特征圖像塊和步驟S13中的梯度特征圖像塊一起組成字典中的學(xué)習(xí)樣本；S15：使用k均值聚類方法將步驟S14的處理結(jié)果按照HOG特征進(jìn)行聚類，將學(xué)習(xí)樣本分成若干個聚類子集；S16：保存步驟S15聚類處理的結(jié)果作為重建時的字典。S2：將低分辨率輸入圖像從RGB顏色空間轉(zhuǎn)換到Y(jié)CbCr顏色空間，進(jìn)行雙三次線性插值以形成初始高分辨率圖像mIm，然后提取初始高分辨率圖像mIm的亮度分量mIm_Y和色度分量mIm_CbCr。S3：計(jì)算亮度分量mIm_Y的梯度特征。從梯度特征中提取圖像塊后，對其進(jìn)行與步驟S1相同的PCA算法降維處理。從亮度分量mIm_Y中提取圖像塊后計(jì)算HOG特征。根據(jù)當(dāng)前輸入圖像塊的HOG特征，從字典中選擇合適的聚類子集。S4：從步驟S3選擇出的聚類子集中，使用輸入圖像塊的梯度特征，按照鄰域嵌入方式迭代選擇若干個鄰域，在選擇鄰域低分辨率圖像塊的同時確定其對應(yīng)的權(quán)值w。其中：S41：根據(jù)算法設(shè)置的鄰域最大個數(shù)K確定稀疏鄰域嵌入過程中的稀疏度λ；S42：在選擇K個鄰域圖像塊的迭代過程中，計(jì)算輸入梯度特征圖像塊與字典學(xué)習(xí)樣本中梯度特征圖像塊之間的歐氏距離，記錄對應(yīng)歐式距離最小的字典樣本的索引，同時根據(jù)稀疏度λ更新權(quán)值以賦予當(dāng)前選擇出的鄰域；之后根據(jù)稀疏度和當(dāng)前鄰域更新輸入梯度特征圖像塊以用于下一次迭代；S43：對步驟S42中得到的所有鄰域?qū)?yīng)的權(quán)值進(jìn)行降序排序和歸一化；S44：識別步驟S43中權(quán)值序列中的異常值，將其賦值為0，以將對應(yīng)的鄰域內(nèi)異常樣本排除在重建過程之外；S45：根據(jù)S44步驟處理后的有效權(quán)值的索引，從字典中提取出對應(yīng)的高分辨率圖像塊和低分辨率圖像塊樣本。S5：利用光流法計(jì)算步驟S4中選擇出的低分辨鄰域圖像塊與低分辨率輸入圖像塊之間的光流場速度矢量，并根據(jù)光流場速度矢量值迭代調(diào)整鄰域圖像塊的幾何結(jié)構(gòu)特征。其中：S51：在每次迭代中，將步驟S4中得到的每個鄰域圖像塊作為光流法模型中的前一幀圖像，將低分辨率輸入圖像塊作為后一幀圖像，計(jì)算兩幀圖像的光流場速度矢量(u,v)，根據(jù)光流場速度矢量(u,v)對鄰域低分辨率圖像塊和鄰域高分辨率圖像塊同步進(jìn)行運(yùn)動估計(jì)，調(diào)整其幾何特征結(jié)構(gòu)；S511：標(biāo)準(zhǔn)化鄰域低分辨率圖像塊、鄰域高分辨率圖像塊以及低分辨率輸入圖像塊；S512：計(jì)算Pd＝低分辨率鄰域圖像塊─輸入圖像塊，計(jì)算低分辨率鄰域圖像塊沿x方向和沿y方向的梯度Px,Py。根據(jù)圖像超分辨率重建的一個基本約束：重建后的高分辨率圖像經(jīng)相同降采樣過程后應(yīng)與輸入低分辨率圖像保持一致。將這一基本約束與一個基于圖像平滑假設(shè)的先驗(yàn)項(xiàng)結(jié)合后，可形成一個能量函數(shù):其中：Pd=DHBh-Pl-βα]]>Px＝DHdiag(Bhx)Py＝DHdiag(Bhy)其中，D為降采樣矩陣，H為模糊矩陣，Bh為高分辨率鄰域圖像塊，Bhx和Bhy分別為高分辨率鄰域圖像塊沿x方向和沿y方向的梯度，Pl為未標(biāo)準(zhǔn)化的低分辨率輸入圖像塊，α,β分別是Pl的標(biāo)準(zhǔn)差和平均值，Pd為低分辨率鄰域圖像塊與輸入圖像塊之間的差值，Px,Py分別為鄰域低分辨率圖像塊沿x方向和沿y方向的梯度，為先驗(yàn)項(xiàng)，是一個運(yùn)動先驗(yàn)，以調(diào)整圖像灰度變化；▽和▽2分別表示梯度操作符和拉普拉斯操作符，μ、λ和η是控制各先驗(yàn)成分貢獻(xiàn)的調(diào)整常數(shù)；S513：最小化能量函數(shù)E(u,v)是一個l2范數(shù)問題，設(shè)定l2范數(shù)計(jì)算系數(shù)w＝1.2,w1＝1之后，使用迭代法計(jì)算光流場速度矢量(u,v)的解的迭代形式為：un+1=(1-w1)×un+w1×(w×(-pxpd-pxpy×vn)+un-w×px2×un-w×η×▿2u]]>vn+1=(1-w1)×vn+w1×(w×(-pypd-pxpy×un)+vn-w×py2×vn-w×η×▿2v]]>S52：計(jì)算調(diào)整后的低分辨率鄰域圖像塊與低分辨率輸入圖像塊之間的歐式距離，若歐氏距離為當(dāng)前迭代過程中的最小值，則暫存此次迭代的高分辨率鄰域圖像塊；S53：若沒有達(dá)到設(shè)置的迭代次數(shù)，則轉(zhuǎn)到S51進(jìn)行下一次迭代，反之則結(jié)束迭代，輸出暫存的鄰域高分辨圖像塊。S6：將步驟S5中每個輸入圖像塊對應(yīng)的處理后的高分辨鄰域圖像塊加權(quán)組合后作為最終匹配結(jié)果。S7：將步驟S6中的最終匹配結(jié)果復(fù)制到亮度分量mIm_Y的對應(yīng)位置，得到高分辨率重建圖像的亮度分量mIm_Y。S8：將步驟S2得到的色度分量mIm_CbCr作為重建圖像的色度分量，將步驟S7得到的亮度分量mIm_Y作為重建圖像的亮度分量，將重建結(jié)果由YCbCr顏色空間轉(zhuǎn)換到RGB顏色空間，即完成單圖像超分辨率重建過程。圖2是上述圖像重建過程的總體框架圖。為驗(yàn)證本發(fā)明的性能，以下給出了本發(fā)明在不同訓(xùn)練圖像集的情況下的性能表現(xiàn)和在相同條件下與其他算法性能相比較的結(jié)果。為客觀評價本發(fā)明算法的有效性，實(shí)驗(yàn)選取了6個具有代表性的超分辨率算法作為比較對象，分別是Bicubic(基于插值的超分辨率重建算法)、NE(鄰域嵌入算法)、ScSr(基于稀疏表示的超分辨率重建算法)、SPNE(稀疏鄰域嵌入圖像重建算法)、DPSR(基于可變patch的單圖像超分辨率重建算法)，并從客觀性能參數(shù)和主觀質(zhì)量兩個方面來比較不同算法的重建特點(diǎn)。本次實(shí)驗(yàn)的客觀性能參數(shù)選擇PSNR、SSIM和FSIM三個方面的性能指標(biāo)，放大倍數(shù)為3倍。表1是不同算法重建圖像的性能對比結(jié)果。其中每個圖像名所對應(yīng)的三行分別是PSNR、SSIM和FSIM值。表1不同算法的性能指標(biāo)對比表從表中可以看出，本文提出的算法能夠獲得比Bicubic算法、NE算法、ScSr算法、SPNE算法和DPSR算法更好的實(shí)驗(yàn)性能結(jié)果。而且從算法模型復(fù)雜性而言，本文所提出的算法的模型更加簡單明了，易于實(shí)現(xiàn)。因?yàn)榭陀^性能參數(shù)是從數(shù)學(xué)計(jì)算的角度評價一幅圖像的整體重建性能的，但有時這種評價方法可能與人觀察一幅圖像時的主觀感受之間存在差異。為此，本章列舉了幾幅實(shí)驗(yàn)過程中的圖像視覺效果，以從人眼的角度主觀評價一幅圖像的重建效果質(zhì)量。實(shí)驗(yàn)中本文算法的比較對象是ScSr算法、SPNE算法和DPSR算法。實(shí)驗(yàn)時三種算法采用了相同的訓(xùn)練集，放大倍數(shù)均為3倍。圖3(a)、圖4(a)、圖5(a)和圖6的(a)分別為原高分辨率圖像，圖3(b)～(e)、圖4(b)～(e)、圖5(b)～(e)、和圖6(b)～(e)分別是ScSr、SPNE、DPSR和本發(fā)明算法的超分辨率重建結(jié)果。如圖3～圖6中的(c)圖所示，SPNE算法產(chǎn)生了更自然的邊沿，但卻難以避免模糊和塊效應(yīng)，例如在圖6(c)中鸚鵡的眼睛處，這是因?yàn)樽值涫枪潭ǖ模荒苡邢薜刂С州斎雸D像塊。相同的模糊現(xiàn)象在圖4(c)中蝴蝶翅膀的紋理之間也可以更明顯地觀察到。SPNE算法由于摒棄了嚴(yán)格固定的鄰域個數(shù)的限制，能有效減小重建誤差，而且采用了一種改進(jìn)后的迭代反向投影方法，能夠獲取迭代期間的最佳結(jié)果，因此重建效果要更好。與圖4(b)中ScSr的Butterfly重建效果相比，SPNE算法在保證蝴蝶翅膀紋理更自然方面做的更好，塊效應(yīng)也得到很好的抑制。但卻可能造成一些圖像細(xì)節(jié)內(nèi)容的丟失，例如圖3(c)中頭發(fā)縫隙中漏出的小疙瘩，與原圖像相比，重建圖像的這一細(xì)節(jié)幾乎觀察不到。相同的缺陷也發(fā)生在DPSR算法的重建圖像上，因?yàn)镈PSR算法的最終變形結(jié)果取最后一次迭代數(shù)據(jù)，由此可能錯過變形期間可能出現(xiàn)的最佳變形結(jié)果，造成重建效果上的損失，造成性能上的降低。例如在圖5(d)的重建圖像中l(wèi)ena的帽子上的紋理距離原高分辨率圖像仍有一段差距。本發(fā)明中的鄰域嵌入選擇字典匹配圖像塊的方式，在選擇與輸入圖像塊最匹配的字典樣本時可擴(kuò)大鄰域個數(shù)到一個相對較大的范圍，避免欠擬合或過擬合現(xiàn)象。在基于光流法的調(diào)整選擇出的高分辨率圖像塊的幾何結(jié)構(gòu)時可充分挖掘字典圖像塊的表現(xiàn)能力，以擺脫字典圖像塊幾何結(jié)構(gòu)固定的限制，提高匹配圖像塊與輸入圖像塊在幾何結(jié)構(gòu)上的相似度，更進(jìn)一步提高了重建性能。另外本發(fā)明在后處理時使用了一種對圖像結(jié)構(gòu)破壞更小的非局部均值濾波算法，因此在重建后的去模糊環(huán)節(jié)也更勝一籌，這一優(yōu)點(diǎn)可從圖6(e)中鸚鵡眼睛周圍的條紋之間的可分辨程度上體會到。而且，相比之下本發(fā)明在圖像保真程度上做的也很好，這可以從圖3(a)-(e)中g(shù)irl的臉上的斑點(diǎn)看出。其他算法重建結(jié)果上這些斑點(diǎn)已經(jīng)被模糊而無法明顯察覺，失掉了這些圖形細(xì)節(jié)內(nèi)容。本發(fā)明所公布的一種基于光流法和稀疏鄰域嵌入的單圖像超分辨率重建算法，使用鄰域嵌入時能夠在查找鄰域的同時確定其對應(yīng)權(quán)值，提高了鄰域嵌入的效率；通過將光流法模型應(yīng)用于單圖像超分辨率問題，在重建中動態(tài)調(diào)整匹配字典圖像塊的幾何特征結(jié)構(gòu)，提高了字典圖像塊的泛化能力。這一系列措施提升了重建匹配的準(zhǔn)確性，使重建圖像更加自然真實(shí)。以上實(shí)施方式僅用于說明本發(fā)明，并非對本發(fā)明的限制，有關(guān)
技術(shù)領(lǐng)域：
的普通技術(shù)人員在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種的改進(jìn)和變型，因此所有等同的技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護(hù)范圍應(yīng)由權(quán)利要求限定。當(dāng)前第1頁1 2 3