基于SM特征字典分類的圖像超分辨率

端木春江 汪宇 聶煥煥

摘要 文章提出用SM （SharpnessMeasure）特征提取方法和基于學習的新方法來重構圖像。首先，提取圖像的亮度分量部分，對圖像進行分塊處理，然后對不同的塊進行分類處理，本文使用二分類的方法將圖像的所有塊分為兩類。接著通過不同的類做提取特征處理，訓練階段是聯合訓練的方法得到更優的字典。最后階段，對于輸入的一個圖像，先做分塊處理，再根據不同的塊計算SM值，分到不同的類中，根據相應的字典重構得到所需的圖像，傳統的插值方法是Bicubic雙三次插值方法，本文使用Lanzcos 2方法插值得到低分辨率圖像，實驗證明，提出的方法提高了圖像的質量。

【關鍵詞】SM特征 聯合訓練 超分辨率 稀疏表示

1 引言（Introduction）

超分辨率圖像重建是指用一幅或多幅低分辨率圖像通過算法轉化成高分辨率圖像的技術。目前該技術已經廣泛的應用于醫學影像、視頻監控、遙感圖像、高清電視等領域。

超分辨率圖像方法主要分為基于插值，基于重建和基于重建的方法。基于插值的方法主要只有雙線性插值法和雙三次插值法。基于重建的方法有迭代反投影法、凸集投影法POCS（projection on to convex set）和最大后驗概率估計法MAP（maximum a posteriori）等。基于學習的超分辨率方法包括領域嵌入方法NE（Neighbor Embedding）等。最近，Yang和zeyde等[6-9]利用線性規劃求解低分辨率圖像塊的稀疏表示，并將此表示系數與高分辨率字典進行線性組合得到高分辨率圖像塊。

在基于稀疏表示的圖像超分辨率后來的研究發現，在訓練階段，訓練樣本數量越大，所得到的效果往往要好，可是這并不是絕對的。只有與特征相關的樣本才會產生這樣的效果，而大量與特征無關的樣本可能在訓練階段產生干擾，影響實驗結果，并且在訓練時時間較長。傳統的基于稀疏表示學習的超分辨率中，只有一對高低分辨率字典對D_h和D1，在訓練階段，本章通過SM（Sharpness Measure）特征方法將訓練圖像分類，分別得到相應的字典對，最后重構出較好的結果。

2 傳統的稀疏表示超分辨率方法

使用對圖像的塊進行分類，然后根據不同的類做訓練得到字典對，能夠克服單個字典對的局限性，如表l所示。

在訓練字典過程中，參數T的設置為不確定，本章使用根據經驗，閾值T為30，在這個閾值下，得到的效果最好。

重構階段中，對于輸入的低分辨率圖像LR，與訓練情況類似，分塊之后計算塊的SM值來判斷這個塊是屬于哪個類。具體操作流程如圖1所示。

4 實驗結果與分析

本文的實驗中，低分辨率圖像被重建放大三倍，本章選取訓練的圖像塊數量為第三、四章的一半，KSVD的迭代次數設置為40，字典的原子數均設置為50000。重疊矩陣為[3，3]，重疊像素為1。選用Windows 8操作系統，Matlab2013b軟件、8GB內存，2.9GHz處理器作為實驗平臺。實驗效果圖如圖2。

通過圖2所示：

（a）為原始圖像。

（b）為用雙三次插值得到的圖像。

（c）為Zeyde的方法。

（d）為本章算法所展示出的圖像。

本文使用PSNR峰值信噪比（Peak Singal-to-Noise Ratio，PSNR）PSNR評價原始圖像與重建后的圖像之間差異的指標。

上式中，x為原始圖像，x為重構出的圖像。PSNR以分貝（dB）為單位，它的值越大。

根據表2的結果所示，本方法的效果在PSNR上比zeyde的方法提高了約0.15dB左右。在以后的工作中，將重點研究一方面用更好的分類方法將訓練的樣本集分開，以提高搜索空間的相關性。另一方面，著手降低訓練字典的時間，以便以后能夠實時使用。

5 結論

基于SM的理論思想，本文提出了一種新的重構高分辨率圖像的方法。此方法使用了字典分類的方式，利用SM提取出的特征對低分辨率圖像進行分類處理，并相應的對高分辨率圖像按照位置匹配的方式做相同的分類處理，注意在分類之后會將每個塊的元素排列成一個個的列，兩次分類時的列的原子個數應該一致，否則會造成無法訓練的情況。在以后的研究中，應考慮對于不同的塊的分類，不同樣本特征，使用一些優化算法自動的找到閾值。

參考文獻

[1]S. Farsiu，M. Robinson， and M.Elad，“Fast and robust multiframe superresolution，”IEEE Trans. ImageProces s.，vol. 13， no. 10， pp. 1327-1344.Oct.2004.

[2]趙小強 ，賈云霞 .基于稀疏表示的正則化

[3] S. C. Park，M. K. Park， andM. G. Kang， "Super-resolutionimage reconstruction： A technicaloverview，" IEEE Signal Process，vol.20，no. 3， pp. 21-25，May 2003.

[4] W. T. Freeman， T. R. Jones and E.C. Paztor， "Example-Based Super-Resolution" ，IEEE Comput.Graph. Appl.V0122， No. 2， pp. 56-65， Ma r. /Apr. 2002.

[5] H. Chang， D. Y. Yeung， and Y. M. Xiong，"Super-resolution throughneighbor embedding， " in Proc. IEEE Int. Conf. Comput. Vis. Pat ternRecog.， 2004， 275-282.

[6] J. C. Yang， J. Wright， T. Huang， andY.Ma， "Image super-resolution assparse representation of raw imagepatches，" in Proc.IEEE Conf.Comput.Vis.Pattern Recog.，2008，1-8.

[7] J. C. Yang， J. Wright， T. S. Huang， andY.Ma， "Image super-resolution viasparse representation，" IEEE Trans.Image Process， vol. 19， no. 11， pp. 2861-2873，Nov. 2010.

[8] M. Aharon， M. Elad， A. Brucks tein，and Y. Katz， "K-SVD： An algorithmfor designing of overcompletedictionaries for sparserepresentation， " IEEE Trans. SignalProces s. ， vol. 54， no. 11， pp. 4 311-4322，Nov. 2006.

[9] R. Zeyde， M. Elad， and M. Protter， "Onsingle image scale-up using sparse-representations，" Lecture Notes Comput.，v01.6920，pp.711-730，2012.

[10] J. Kumar， F. Chen and D. Doermann，"Sharpness estimation for documentand scene images， " Proc. 21stInternational Conferenceon Pattern Recognition（ICPR）， 2012， pp. 3292-3295.