欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018104786967
申请人: 浙江师范大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于非局部均值的图像超分辨率方法,其特征在于:包括离线的训练过程和在线的图像超分辨率放大的过程,其离线的训练过程包括如下步骤,A1)将输入的训练的高分辨率图像IH作模糊和下采样处理得到低分辨率图像IL,即,其中,S为图像需要放大的倍数,↓S是下采样S倍的算子,B是模拟的模糊算子,其元素 σ2为方差参数,i=-L,...,0,...,L,j=-L,...,0,...,L,即,i和j为从-L到L之间的整数,L为算子的范围,A2)将IL经过双三次插值后得到大小与IH相同的图像Ibic,然后采用迭代反向投影的方法,即如下式的方法,对图像Ibic进行加强得到图像Iback,Xt+1=Xt+τ{(Y-(X*B)↓S)↑S}

其中,t为迭代次数,初始时X0=Ibic,经过Nt次迭代后, τ为步长参数,S为图像需要放大的倍数,↓S是下采样S倍的算子,↑S是上采样S倍的算子,A3)对Iback进行分块,使用如下

L=(1,0,-2,0,1)                                   (2)GT=[1,0,-1[T                                    (3)LT=(1,0,-2,0,1)T                                  (4)四个滤波器模板进行滤波处理,提取特征后再采用主成分分析(principle component analysis,PCA)方法降维后得到低分辨率特征块,其中,每个低分辨率特征块插入到当前低分辨率特征块的集合 中,而高分辨率特征块则由IH与Iback作差获取高频信息后再分块得到,每个高分辨率特征块插入到当前高分辨率特征块的集合 中,A4)返回以上步骤A1中,处理下一幅训练图像,直到处理完所有的训练图像为止,才进行以下的步骤。

A5)用K-均值(K-means)分类方法对 进行分类,共得到K个类,每个类的矩阵 (k=

1,...,K)由此类中的低分辨率特征块构成,每个低分辨率块按照从上到下,从左到右的扫描顺序构成其中的一个列,以及这个类所对应的矩阵 由此类中所对应的高分辨率特征块构成,每个对应的高分辨率块按照从上到下,从左到右的扫描顺序构成其中的一个列。最后根据每一类的 和 求出该类对应的映射矩阵Fk,其中Fk由式计算得到,其中I是单位矩阵,λ是平衡因子,T为矩阵转置符号,在得到并存储每个类的投影矩阵后,就完成了离线的训练过程;

所提出的方法的在线超分辨率放大过程包括以下步骤,

B1)对于输入的低分辨率图像IINPUT,首先将其进行双三次插值操作得到图像IMIDLLE,再利用非局部均值化处理,对图像IMIDLLE进行效果增强得到图像INLM,B2)然后,再对图像INLM进行与离线训练阶段A3步骤中同样的分块、提取特征、PCA降维操作得到低分辨率特征集 对每一个低分辨率块的特征,在训练好的K个中心点中,根据以下式计算每一个类的中心点和当前块的接近程度wk(1≤k≤K),其中dk为当前块与类中心点的欧氏距离,h为控制指数衰减速度的常数,B3)然后确定与当前块最接近的Nc个中心点gn(1≤n≤Nc,1≤cn≤K),其中Nc的值为满足下式的wn的个数,μ为比例常数,max(wk)·μ<wn(1≤n≤K)

B4)然后,再通过下式加权平均投影的低分辨率块,便可得到对应的高分辨率特征块,其中,表示低分辨率的特征块, 矩阵 为离线训练阶段产生的第cn类的投影矩阵,

B5)最后将所有的高分辨率块 拼接为图像 其中块与块之间的重叠区域作取平均值处理,再将以上得到的图像 与图像INLM作和得到最终的高分辨率输出图像IFINAL。

2.如权利要求1所述的一种基于非局部均值的图像超分辨率方法,其特征在于,其B1处理步骤的非均值化处理包括以下处理过程,利用非局部均值化处理图像IMIDLLE,利用下式进行效果增强得到图像INLMt+1 t TX =X+τ{(Y-(X*B)↓S)↑S-γ(I-U) (I-U)X}其中t为迭代次数,τ为梯度下降的步长,γ为平衡因子,初始时X0=IMIDDLE,经过Nt次迭代后 I是单位矩阵,U的定义如下:P(xi)为和第i个像素点的所有相似像素点的下标集合,wij为第i个像素点和第j个像素点之间的权重,其定义如下:其中 是一个归一化常量,其值为

h为控制指数衰减速度的一个常量,D(i,j)是以像素点i为中心的图像块和以像素点j为中心的图像特征块之间的差异度,其表达式如下:其中, β为平衡因子,其中矩

阵P是通过以上(1-4)式提取的图像块的一阶二阶梯度信息提取特征后再采用主成分分析(principle component analysis,PCA)方法降维后得到的低分辨率特征块所对应的矩阵,表示矩阵Z的二范数值的平方值,从上式中可以看出,在计算距离时,以(xi,yj)为中心的图像块的大小为(2r+1)×(2r+1)。