【技術實現步驟摘要】
本專利技術涉及一種圖像超分辨率重建方法，特別涉及一種基于壓縮感知的圖像超分辨率重建方法。
技術介紹
1、如今，在智能手機上的攝像系統像素越來越高，這即是集成傳感和計算的高度發展所導致的結果。此外，從無人機、工廠機器人和物聯網設備，再到自動駕駛汽車，集成傳感和計算的應用范圍已經擴展到相當大的領域。因此，借助上述的例子可以放心的假設，傳感和計算集成的真正潛力還能夠被發掘出來。
2、為了提高圖像的精度，程序往往要求收集更多的數據，并且要求系統能夠支持復雜的計算。但是，在資源受限的傳感設備中，例如微處理器、可穿戴設備、物聯網設備等，往往無法應對現代機器學習中對傳感數據的采樣和計算負擔。配備多核cpu和gpu以及相對較大儲存空間的智能設備，例如智能手機，可以在一定程度上運行某些深度學習模型，然而也僅能夠支持在偶爾使用的前提下使用精心優化后的模型。即使不考慮使用中的計算負擔，傳感器采樣也需要移動設備付出巨大的能量。在移動設備中，電池是移動計算中的寶貴資源，并且電池技術的發展嚴重落后于處理和組件的改進，隨著在計算系統方面的進一步突破，這方面的問題目前來說還無法解決。
3、綜上所述，在硬件沒有新一代的突破的前提下，為了支持高級的應用程序，需要依靠減少采樣和計算的負擔，而這種情況通過傳統方案是無法解決的。根據奈奎斯特采樣定律，只有當傳感器的采樣率是這種信號中最高頻率的兩倍時，才能可靠地還原出信號。然而，在現實中的信號的變化往往很快，需要足夠分辨率的圖像中才可識別物品，無線雷達需要數百萬次的采集才可檢測到微小的運動等等。但是
4、但是，運用壓縮傳感降低采樣率的方法同樣也有其局限，壓縮傳感的應用還具有挑戰性。首先，并非所有的降低速率采樣都是相等的。壓縮率與輸入的特性相互作用，從而影響從有限樣本中成功重構信號的能力。此外，早期的實踐中，壓縮傳感的采樣方式側重于隨機采樣，但是，經過最近的研究表明，經過設計的采樣策略更具有實踐性。其次，從理論上講，從稀疏分量中重建信號需要解決非零信號的np問題。在目前的實踐中，問題的是通過迭代的方式解決的，但是迭代的方式所需要的計算較大。因此，為了實現在較少采樣的情況下實現信號的高分辨率重建，合理地構建一個合適的網絡結構，是對于壓縮感知運用的迫切需要。
5、一張圖像的分辨率水平低，一方面指其表示目標的像素個數少，另一方面指其缺少高頻分量的信息(即模糊或噪聲)。插值放大能解決圖像尺寸的問題；圖像去模糊和圖像去噪能解決圖像模糊和含噪聲問題；圖像配準能解決多幀圖像的信息融合問題。而圖像超分辨率重建技術能夠較好地解決上述所有問題，綜合提高圖像質量。在1964年和1968年，圖像超分辨率重建的概念就已經被提出了，不過在當時未能得到大眾的認可，直到1984年，一種在頻域中基于圖像序列的方法被提出，圖像重建才取得了關鍵性的突破，之后，大量的學者開始對該項技術進行深入地研究。從不同的角度來看，圖像超分辨率重建技術可以劃分為多種類型，按研究方法包括基于插值法、基于重建法和基于學習法。
6、對于超分辨率重建，基于傳統的方法得到的圖像速度快，但重建的圖像較為模糊，基于重建的圖像超分辨率方法改進了重建的圖像質量，但需要多幀存在亞像素位移的低分辨率圖像以及精確的圖像配準方法，穩定性較差。基于學習的圖像超分辨率重建方法，該類方法通過機器學習算法，從大量的訓練樣本中學習低分辨率圖像和高分辨率圖像之間的對應關系，得到了較好的質量和重建速度，相比于傳統方法已有長足的提升。
7、不同于傳統的nyquist采樣定理，壓縮感知技術cs采樣速率不再依賴于信號的帶寬，而是基于信號中有效信息的結構和內容特征。經過十多年的不斷發展與拓展，壓縮感知理論衍生出了諸多新興分支。壓縮感知信號的重建可以簡化為通過凸優化求解在確定的方程組下條件下的l1范數。在過去的四十年里，神經網絡已被用于解決各種優化問題，并開發了不同的神經網絡模型來解決凸優化問題。在壓縮感知文獻中，信號重建的深度學習解決方案可分為遵循傳統迭代重建算法設定的一般原理的解決方案和直接利用深度學習建模能力的解決方案。在圖像重建領域，壓縮感知已經體現出它獨特的優異性。對于高速率的測量過程，采用壓縮感知的深度學習相關算法體現出良好的速度和還原效果。因此，利用壓縮感知的理論研究去進行超分辨率重建，在重建時間上和重建結果的質量上相比于傳統算法有更好的效果。
8、在如今，隨著工業、軍事、娛樂等生產生活的發展，高分辨率圖像應用價值越來越大。利用圖像重構技術，能夠在一定的硬件基礎上不通過增加硬件數量提高圖像的分辨率，價值前景潛力巨大。
技術實現思路
1、本專利技術的目的是為了解決現有的硬件的更新速度達不到信號精度的要求，且在不提高硬件成本的前提下，如何重建出清晰度更高的圖像的問題，而提出一種基于壓縮感知的圖像超分辨率重建方法。
2、上述目的通過以下的技術方案實現：
3、一種基于壓縮感知的圖像超分辨率重建方法，所述方法通過以下步驟實現：
4、步驟一、設計字典學習的過程，得到在圖像還原中需要的高頻分量參數；包括構建訓練數據集以及進行字典訓練；其中，利用對圖像進行降質和比例縮小計算得到對應的低分辨率圖，以進行訓練數據集的過程；利用k-svd算法構建過完備字典對，進行對字典的訓練；
5、步驟二、進行圖像重建，包括：首先得到還原的低頻分量，之后得出高分辨率的圖像。
6、進一步地，步驟一所述的利用k-svd算法構建過完備字典對，進行對字典的訓練的過程，具體是：
7、步驟一一、通過給定的原始樣本y訓練學習，構建稀疏表示樣本的冗余字典d和稀疏矩陣x；其中，原始樣本y的每一列表示一個樣本，字典d中儲存了y的特征，稀疏矩陣x通過d的線性組合來表示y，如下式所示：
8、ym×n＝dm×s·xs×n
9、當s遠小于m與n時，d和y的維度會遠小于原來的y；k-svd算法是一種常用的字典學習方法，它借鑒了k-means聚類和svd算法的思想，通過奇異值分解(singular?valuedecomposition，svd)來構造用于稀疏表示的字典，在d與x都未知的條件下，求解下式所示的最優化問題，即：
10、
11、其中，y＝[y1，...，yn]為輸入的樣本矩陣，其每一列代表一個輸入的樣本，x＝[x1，...，xm]為稀疏表示矩陣，xi為yi對應的稀疏表示系數，表示矩陣y-dx的frobenius范數的平方，t為約束稀疏表示系數稀疏程度的參數；如果直接限制||xi||0＝1，則上式為k-means聚類，通過一個兩步迭代的過程逐列更新字典d及對應列的稀疏本文檔來自技高網...
【技術保護點】
1.一種基于壓縮感知的圖像超分辨率重建方法，其特征在于：所述方法通過以下步驟實現：
2.根據權利要求1所述的一種基于壓縮感知的圖像超分辨率重建方法，其特征在于：步驟一所述的利用K-SVD算法構建過完備字典對，進行對字典的訓練的過程，具體是：
3.根據權利要求2所述的一種基于壓縮感知的圖像超分辨率重建方法，其特征在于：步驟二所述的進行圖像重建的過程，具體為：
【技術特征摘要】
1.一種基于壓縮感知的圖像超分辨率重建方法，其特征在于：所述方法通過以下步驟實現：
2.根據權利要求1所述的一種基于壓縮感知的圖像超分辨率重建方法，其特征在于：步驟一所述的利用k-...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。