基于稀疏表示的圖像超分辨率重建算法的研究

楚亞南 劉廣文

摘 要：本文在基于稀疏表示的圖像超分辨率重構算法的研究基礎上提出一種改進的算法。該算法的思想是在原有的稀疏表示圖像超分辨率重建的基礎上采用圖像結構-紋理分解模型對輸入的低分辨率圖像進行重建。在重建過程中，紋理部分采用稀疏表示與字典訓練相結合重建，而結構部分采用小波變換的方法重建。

關鍵詞：稀疏表示；超分辨率重建；字典訓練；結構紋理分解

DOI：10.16640/j.cnki.37-1222/t.2018.09.117

1 引言

圖像超分辨率重建技術作為圖像領域的一個重要組成部分，近年來成為數字圖像處理領域的一個研究熱點。在經過幾十年的研究之后，圖像超分辨率重建技術得到了更多的重視并取得了較大的發展，成功的將該技術廣泛的應用在了生活的各個領域，如醫學成像系統，衛星成像系統，天網視頻監控系統等，因此圖像超分辨率重建技術有著重要的研究意義及價值。

Yang等人提出了基于稀疏表示的圖像超分辨率重建算法。后來Zeyde等人在稀疏重建算法過程中提出了K-SVD算法以提高字典訓練的速度，并且在稀疏求解過程中采用正交匹配追蹤算法（OMP）來簡化了稀疏求解過程。并且重建效果較Yang的方法有了在主觀上和客觀上都有了一定的提高。因此本文在原有的稀疏表示圖像重建的基礎上提出一種改進算法，主要在圖像分解和字典訓練方法上做了一部分改進。

2 基于稀疏表示的圖像超分辨率重建

信號的稀疏表示模型一般形式如下：

其中表示待處理的原始信號，其中（）表示字典，也就是原子集，表示信號的稀疏表示系數。是的范數，也可以說是稀疏系數的稀疏度。

3 基于圖像分解模型的圖像超分辨率重建的算法

3.1 圖像的改進的VO分解模型

VO模型的原理是基于偏微分方程的，計算過程不僅簡單更重要的是速度也優于其他模型。 矢量圖像VO模型的能量泛函數如下所示：

3.2 圖像結構紋理的重建

本文實現超分辨率重建主要包括兩個部分：字典訓練和圖像超分辨率重建，主要算法步驟如下所示：

第一步：提取樣本，將樣本分為結構部分和紋理部分[2]，并利用K-SVD的方法訓練得到紋理部分的高低分辨率字典。

第二步：輸入紋理字典，低分辨率觀測圖像Y，并將輸入的圖像用改進后的VO模型進行結構紋理分解，。

第三步：對輸入低分辨率圖像的結構部分進行雙三次差值，再利用改進的小波變換模型進行重建得到結構部分的高分辨率圖像

第四步：從的左上角依次取圖像塊y，并保留m個像素寬的重疊區域。再根據OMP算法求解對應的稀疏表示系數的估計值，然后利用稀疏表示的原理求解出紋理部分的高分辨率圖像。

第五步：將得到的紋理部分的高分辨率圖像和低分辨率圖像的雙三次插值圖像進行疊加得到初始的紋理部分的重建估計。則重建的高分辨率圖像。

第六步：對得到的高分辨率圖像進行全局優化。得到最終的高分辨率圖像。

4 實驗結果與分析

圖（a）為原始低分辨率barbara圖像，圖（b）為Yang方法重建的超分辨率圖像，圖（c）為Zeyer方法重建的超分辨率圖像，圖（d）為本文算法重建出的圖像。由主觀視覺效果來說本文算法比其他方法來說在細節信息上重建效果更加明顯。

超分辨率重構圖像的 PSNR以及對應的時間對比如下表所示：

5 結論

經實驗仿真后，相比Yang等人的經典的超分辨率重建，本文重建后的圖像在主觀視覺效果上的細節邊緣信息得到了更好的重建效果，而在信噪比（PSNR）上也有較明顯的提高。本文也存在一些不足之處，訓練字典的自適應性以及稀疏編碼的速度等問題。

參考文獻：

[1]Yang Jianchao，et al.Image Super-Resolution Via Sparse Representation[J].IEEE Transaction on Image Processing，2010，19（11）：2861-2873.

[2]徐川.基于稀疏表示的圖像超分辨率重建技術研究[D].浙江：浙江師范大學，2013.

作者簡介：楚亞南（1992-），女，山東嘉祥人，碩士研究生在讀，研究方向：光電成像及信息處理。