lower、Parrot、Girl、Bike作為實驗數(shù)據(jù)，采用軟件MATLAB 2012b作為仿真工具，計算機配置為IntelCorei5/2.4G/4G。
[0086] 實驗內(nèi)容
[0087] 分別利用Bicubic插值方法、Yang(TIP2010)方法和本發(fā)明的方法，對各類輸入測 試圖像進行重構(gòu)：
[0088] 首先，對Flower圖像進行重構(gòu)，結(jié)果如圖5所示，其中圖5 (a)為輸入低分辨率圖 像、圖5(b)為Bicubic插值方法的重構(gòu)結(jié)果、圖5(c)為Yang(TIP2010)方法的重構(gòu)結(jié)果、 圖5(d)為本發(fā)明的重構(gòu)結(jié)果；
[0089] 其次，對Parrot圖像進行重構(gòu)，結(jié)果如圖6所示，其中圖6 (a)為輸入低分辨率圖 像、圖6(b)為Bicubic插值方法的重構(gòu)結(jié)果、圖6(c)為Yang(TIP2010)方法的重構(gòu)結(jié)果、 圖6(d)為本發(fā)明的重構(gòu)結(jié)果；
[0090]再次，對Girl圖像進行重構(gòu)，結(jié)果如圖7所示，其中圖7(a)為輸入低分辨率圖像、 圖7(b)為Bicubic插值方法的重構(gòu)結(jié)果、圖7(c)為Yang(TIP2010)方法的重構(gòu)結(jié)果、圖 7(d)為本發(fā)明的重構(gòu)結(jié)果。
[0091] 最后，對Bike圖像進行重構(gòu)，結(jié)果如圖8所示，其中圖8 (a)為輸入低分辨率圖像、 圖8(b)為Bicubic插值方法的重構(gòu)結(jié)果、圖8(c)為Yang(TIP2010)方法的重構(gòu)結(jié)果、圖 8(d)為本發(fā)明的重構(gòu)結(jié)果；
[0092] 實驗結(jié)果分析
[0093] 從圖5、圖6、圖7、圖8中的對比圖像可以看出，本發(fā)明在重構(gòu)圖像的視覺效果上要 優(yōu)于其它方法，沒有鋸齒效應，圖像的紋理細節(jié)信息都保持的比較好，并且對于各種類型的 輸入測試圖像如Flower、Parrot、Girl、Bike，都可以得到很好的重構(gòu)效果。
[0094] 表1.三種方法重構(gòu)圖像數(shù)值評價指標對比
[0095]
[0096] 由于人的主觀因素的影響，視覺效果并不能精確的說明重構(gòu)效果的好壞，用量化 的指標能夠更準確的反映重構(gòu)效果，重構(gòu)圖像數(shù)值評價指標參見表1。從表1可見，對于四 幅輸入的低分辨率圖像，Bicubic插值方法的結(jié)果最差，Yang(TIP2010)方法的結(jié)果有些提 升。本發(fā)明相對于Bicubic插值方法、Yang(TIP2010)方法，在峰值信噪比、結(jié)構(gòu)相似度和 平均結(jié)構(gòu)相似度方面有很大的提高，說明本發(fā)明的效果優(yōu)于其他的方法。
[0097] 實施例7
[0098] 基于表征學習與鄰域約束嵌入的圖像超分辨重構(gòu)方法同實施例1-5,仿真條件同 實施例6。
[0099] 實驗內(nèi)容
[0100] 分別利用Bicubic插值方法、Chang的方法、Yang(TIP2010)方法和本發(fā)明的方法 對測試圖像Butterfly進行重構(gòu)，得到如圖9所示結(jié)果。其中圖9 (a)為輸入低分辨率圖 像、圖9 (b)為Bicubic插值方法的重構(gòu)結(jié)果、圖9 (c)為Chang方法的重構(gòu)結(jié)果、圖9 (d)為 Yang(TIP2010)方法的重構(gòu)結(jié)果、圖9(e)為本發(fā)明的重構(gòu)結(jié)果、圖9(f)為原始的高分辨率 測試圖像。
[0101] 實驗結(jié)果分析
[0102] 從圖9中的對比圖像可以看出，無論是和Bicubic插值方法、基于鄰域嵌入的 Chang的方法比較，還是和基于稀疏表示的Yang(TIP2010)的方法進行比較，本發(fā)明圖像邊 緣保持的比較完整，細節(jié)信息更加明顯，沒有鋸齒效應，在視覺效果都要優(yōu)于上述方法。
[0103] 綜上，本發(fā)明公開的一種基于表征學習與鄰域約束嵌入的圖像超分辨重構(gòu)方法， 主要解決現(xiàn)有方法在特征提取的不準確以及固定鄰域大小的限制的問題。其主要步驟為： 首先對一組訓練樣例圖像對進行預處理，構(gòu)造一對低分辨圖像塊與高分辨圖像塊字典；接 著輸入低分辨率測試圖像，對輸入的低分辨率測試圖像進行分塊并提取特征；然后計算特 征間的歐氏距離，尋找輸入圖像塊的K個近鄰；構(gòu)造一個自適應約束函數(shù)，通過鄰域約束得 到自適應的k個近鄰，并利用局部線性嵌入的方法得到最終的高分辨率圖像，完成圖像超 分辨率重構(gòu)。本發(fā)明采用深度稀疏自編碼網(wǎng)絡(luò)學習特征，近鄰選取的比較準確，并自適應的 選擇鄰域大小，能夠有效提高重構(gòu)圖像質(zhì)量并改善細節(jié)信息，適用于各種自然圖像的超分 辨率重構(gòu)。
【主權(quán)項】
1. 一種基于表征學習與鄰域約束嵌入的圖像超分辨重構(gòu)方法，其特征在于，包括有如 下步驟： 步驟1 :輸入訓練樣例圖像對，用低分辨率訓練樣例圖像學習構(gòu)造一個規(guī)模為N的低分 辨率圖像塊字典并用高分辨率訓練樣例圖像學習構(gòu)造一個規(guī)模為N的與低分 辨率圖像塊字典X4. = {X/}&相對應的高分辨率圖像塊字典74 = {兄?; 步驟2 :輸入待超分辨率重構(gòu)的低分辨率測試圖像Υ，按重疊的方式分塊并用深度稀疏 自編碼網(wǎng)絡(luò)提取特征，得到測試圖像的低分辨率圖像塊特征集足= 步驟3 :預選特征塊近鄰，計算測試圖像塊的特征與訓練字典的歐氏距離，在低分辨率 圖像塊字典尤=中找到特征塊￥的K個近鄰NJ作為預選范圍，:Mi是X;在 低分辨率圖像塊字典&中的初始鄰域； 步驟4 :通過自適應鄰域約束得到測試圖像塊新的鄰域M)，包含自適應的k個近鄰 IeN:}，其中k彡K, k為變量； 步驟5 :通過局部線性嵌入方法計算重構(gòu)權(quán)重Wl ]，當重構(gòu)權(quán)重誤差最小時傳遞重構(gòu)權(quán)重W1,，對訓練的高分辨率圖像塊線性組合得到 高分辨率圖像輸出小塊丨'從而得到高分辨率圖像塊集3： ={_y,，其中 =1 ； 步驟6 :將高分辨率圖像塊集中的所有高分辨率圖像輸出小塊父按順序放到 待重構(gòu)的高分辨率圖像的對應位置上，得到最終的高分辨率圖像礦。2. 根據(jù)權(quán)利要求1所述的基于表征學習與鄰域約束嵌入的圖像超分辨重構(gòu)方法，其特 征在于，其中步驟1所述的對訓練樣例圖像對進行訓練，包括有如下步驟： la) 輸入訓練圖像對，分別對高、低分辨率圖像進行分塊，得到低分辨率圖像塊集 夂?義I1和與之對應的高分辨率圖像塊集ζ ； lb) 對于低分辨率訓練圖像塊集Xsp，通過深度稀疏自編碼網(wǎng)絡(luò)進行訓練得到級聯(lián)特 征，即低分辨率圖像塊字典尤匕，其中W 相應的高分辨率圖像塊字 典為3. 根據(jù)權(quán)利要求1所述的基于表征學習與鄰域約束嵌入的圖像超分辨重構(gòu)方法，其特 征在于，其中步驟2所述的對輸入測試圖像分塊并提取特征，包括有如下步驟： 2a)輸入一幅低分辨率測試圖像Y，對該圖像按重疊的方式分塊，得到低分辨率圖像塊 2b)對于輸入的低分辨率測試圖像塊集Xtp，通過深度稀疏自編碼網(wǎng)絡(luò)進行訓練得到級 聯(lián)特征A = WKLx1，即低分辨率圖像塊特征集，其中χ) = [xf?]。4. 根據(jù)權(quán)利要求1所述的基于表征學習與鄰域約束嵌入的圖像超分辨重構(gòu)方法，其中 步驟3所述的預選特征塊近鄰，其特征在于，包括有如下步驟： 3a)對于一個輸入的低分辨率圖像特征塊X卜計算特征塊蛉與低分辨率圖像塊字典 氧?的歐式距離； 3b)選取前K個有著最小距離的小塊作為 < 的預選特征近鄰{xf e KJ，是X:;:在 低分辨率圖像塊字典&中的初始鄰域。5. 根據(jù)權(quán)利要求1所述的基于表征學習與鄰域約束嵌入的圖像超分辨重構(gòu)方法，其中 步驟4所述的自適應鄰域約束，其特征在于，包括有如下步驟： 4a)對于每一個輸入的低分辨率測試圖像塊X〉，有8個測試鄰接塊成分分析降維得到測試鄰接塊矩陣和訓練鄰接塊矩陣; 個訓練的低分辨率圖像塊4，也有8個訓練鄰接 ： 分別對測試鄰接塊和訓練鄰接塊Xf8進行主 4b)構(gòu)造自適應鄰域約束函數(shù)_其中{xUg 占 =?IK Jl1，計算得到自適應的k個近鄰e N:}，Μ;是X;:;在低分辨率圖像塊字典Xs 中的最終鄰域，k彡K，k為變量。
【專利摘要】本發(fā)明公開了一種基于表征學習與鄰域約束嵌入的圖像超分辨重構(gòu)方法，解決了特征提取的不準確及固定的鄰域大小的問題。主要步驟為：對一組訓練樣例圖像對進行預處理，構(gòu)造一對低分辨圖像塊與高分辨圖像塊字典；輸入低分辨率測試圖像，對輸入的低分辨率測試圖像進行分塊并提取特征；計算特征間的歐氏距離，尋找輸入圖像塊的K個近鄰；構(gòu)造一個自適應約束函數(shù)，通過鄰域約束得到自適應的k個近鄰，并利用局部線性嵌入的方法得到最終的高分辨率圖像，完成圖像超分辨率重構(gòu)。本發(fā)明采用深度稀疏自編碼網(wǎng)絡(luò)學習特征，近鄰選取的比較準確，并自適應的選擇鄰域大小，有效提高了重構(gòu)圖像質(zhì)量并改善細節(jié)信息，適用于各種自然圖像的超分辨率重構(gòu)。
【IPC分類】G06T3/40, G06T5/50
【公開號】CN105069767
【申請?zhí)枴緾N201510418930
【發(fā)明人】楊淑媛, 焦李成, 張繼仁, 劉紅英, 熊濤, 馬晶晶, 緱水平, 劉芳, 侯彪, 劉正康, 崔順
【申請人】西安電子科技大學
【公開日】2015年11月18日
【申請日】2015年7月16日