一种基于卡通纹理分解的图像超分辨率重建方法
专利汇可以提供一种基于卡通纹理分解的图像超分辨率重建方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于卡通纹理分解的图像超 分辨率 重建方法，包括离线训练过程和在线测试过程，离线训练过程包括高低分辨率纹理字典对的训练和离线纹理 锚点 映射，在线测试过程，将低分辨率输入图像进行卡通和纹理分解；基于改进的全变分正则化方法重建出低分辨率卡通图像对应的高分辨率卡通图像；通过改进的基于外部训练样本纹理锚点映射矩阵的超分辨率方法重建出低分辨率纹理图像对应的高分辨率纹理图像；将重建出的卡通图像与纹理图像进行相加从而输出想要得到的高分辨率图像；同时具有这两种 算法 的优点，既具有较好的去噪能 力 和较强的边缘保持能力，又具有良好的适应性和鲁棒性。，下面是一种基于卡通纹理分解的图像超分辨率重建方法专利的具体信息内容。
1.一种基于卡通纹理分解的图像超分辨率重建方法，其特征在于包括以下步骤：
S1：离线训练过程包括两个训练过程：第一个训练过程通过K-奇异值分解算法训练出高低分辨率纹理字典对；第二个训练过程通过离线纹理锚点映射，找出样本对应的最近锚点，还要找出锚点对应的最近样本，认为每一对字典原子为一个锚点，代表一种纹理类型；
S2：将低分辨率输入图像进行卡通纹理分解；
S3：基于改进的全变分正则化方法重建出低分辨率卡通图像对应的高分辨率卡通图像；
S4：通过改进的基于外部训练样本纹理锚点映射矩阵的超分辨率方法重建出低分辨率纹理图像对应的高分辨率纹理图像；
S5：将重建出的卡通图像与纹理图像进行相加输出要得到的高分辨率图像；
其中，所述步骤S3输入低分辨率卡通测试图像Uc，对图像Uc进行η次迭代，得到高分辨率卡通图像，具体迭代步骤如下：
步骤(1)通过双立方插值将低分辨率卡通图像Uc进行放大，并将放大后的图像表示为然后将放大后的图像 下采样得到图像 并对低分辨率卡通图像Uc和下采样得到图像 做减法，得到图像
步骤(2)将低分辨率卡通图像放大后的图像 的第i行第j列的像素值表示为
通过模板z1＝[-1 0 1]T对图像 进行模板加权运算，得到偏导 数学表达式如下式所示：
其中，x为图像的水平方向，y为图像的垂直方向；
步骤(3)通过模板z2＝[-1 0 1]对图像 进行模板加权运算，得到偏导 数学表达式如下式所示：
步骤(4)通过使用模板z3＝[-1 0 2 0 -1]T对图像 进行模板加权运算，得到偏导数学表达式如下式所示：
步骤(5)通过模板z4＝[-1 0 2 0 -1]对图像 进行模板加权运算，得到偏导 数学表达式如下式所示：
步骤(6)通过模板z1＝[-1 0 1]T，z2＝[-1 0 1]，z5＝[1 0 -1]T，z6＝[1 0 -1]对图像进行模板加权运算，得到偏导 数学表达式如下式所示：
步骤(7)当迭代次数小于10次时使用如下公式计算参数φJ：
当迭代次数大于10次时使用如下公式计算参数φJ：
步骤(8)将 与高斯低通滤波器做卷积运算得到
步骤(9)将 与高斯低通滤波器做卷积运算得到
步骤(10)高分辨率卡通图像的迭代公式为：
其中，J表示这次迭代的迭代次数，λ表示的是拉格朗日乘子，γ是一个正参数；
步骤S4包括以下步骤：
步骤(4.1)输入低分辨率的纹理测试图像Ut，通过双立方插值进行图像放大，并将放大后的图像表示为
步骤(4.2)使用f1＝[-1 0 1]对图像 进行卷积，得到图像 的一阶垂直梯度图像使用f2＝[-1 0 1]T对图像 进行卷积，得到图像 的一阶水平梯度图像 使用f3＝[-1
0 2 0 -1]对图像 进行卷积，得到图像 的二阶垂直梯度图像 使用f4＝[-1 0 2 0 -T
1] 对图像 进行卷积，得到图像 的二阶水平梯度图像 将 分别
分为M个图像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量 其中，R表示分块的数目；
步骤(4.3)根据训练好映射矩阵集 重建出具有高频分量的高分辨率块 重建公式如下所示：
步骤(4.4)将低频分量加到每一个重建的高分辨率块 上，得到最终的高分辨率纹理块 公式如下所示；
步骤(4.5)通过将高分辨率纹理块 放到合适的位置上并平均重叠区域输出高分辨率纹理图像。
2.如权利要求1所述的一种基于卡通纹理分解的图像超分辨率重建方法，其特征在于：
所述步骤S1具体包括以下步骤：
S11：收集高分辨率训练图像，然后对每一幅高分辨率训练图像进行卡通纹理分解，得到高分辨率训练纹理图像和高分辨率训练卡通图像，通过K-奇异值分解算法训练高低分辨率纹理字典对，并将训练结果存储在参数库中；
S12：对每一幅分解得到的高分辨率训练纹理图像实施如下步骤：
步骤(1)将高分辨率训练纹理图像切割成高和宽分别能被放大倍数整除的图像Y；
步骤(2)对图像Y进行采样得到低分辨率纹理图像Yl；然后通过双立方插值算法，将低分辨率纹理图像Yl进行图像放大，并将放大后的图像表示为Ym；
步骤(3)使用f1＝[-1 0 1]对图像Ym进行卷积，得到图像Ym的一阶垂直梯度图像 使用f2＝[-1 0 1]T对图像Ym进行卷积，得到图像Ym的一阶水平梯度图像 使用f3＝[-1 0 2 T
0 -1]对图像Ym进行卷积，得到图像Ym的二阶垂直梯度图像 使用f4＝[-1 0 2 0 -1] 对图像Ym进行卷积，得到图像Ym的二阶水平梯度图像 将 分别分为N个图
像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量 其中，N表示训练样本的数目；
步骤(4)将高分辨率图像Y与放大后的图像Ym进行减法操作，得到具有高频信息的图像Yh，数学公式如式(1)所示：
Y-Ym＝Yh (1)
然后将图像Yh分为N块，得到图像块集合 和 形成了样本对，N个训练样本对形成样本对集合
步骤(5)对每一个训练样本和每一个锚点分别进行标号；
步骤(6)计算每一个样本与第α个锚点的欧式距离，其中，α＝1,2,3…M，M表示锚点的个数，将距离按从小到大的顺序进行排序，然后按此顺序将样本进行排序并记录其标号；将前n个样本号码按顺序分别记为α1,α2…αn，将锚点α对应的与其最近的n个样本号码形成的集合记为Ωα，则得到Ωα＝{αw|w＝1,2,3…n}；
步骤(7)计算每一个锚点与样本αw的欧式距离，将距离按从小到大的顺序进行排序，然后按此顺序将锚点进行排序并记录其标号，将前m个锚点号码形成的集合记为Γ，则得到样本αw对应的与其最近的m个锚点形成的集合即Γ；如果集合Γ中包括α，则将αw记入最终的第α个锚点的匹配样本号码集 即 重复该步骤直到确定所有Ωα中的样本是否能计入 当确定 中的所有样本号码之后，将这些号码对应的样本对记为 将所有号码在 中低分辨率特征样本 合并为矩阵，记为 合并的方法是将 作为
的每一列，将所有号码在 中高分辨率特征样本 合并为矩阵，记为 将
作为 的每一列；重复操作步骤(6)和步骤(7)，直到将M个锚点对应的样本集找完；
步骤(8)根据以上步骤得出 计算映射矩阵Λα，数学表达式如式(2)
其中， 表示的是对应低分辨率空间的邻域， 表示的是对应高分辨率空间的邻域，Λα表示的是从低分辨率空间到高分辨率空间的映射矩阵，I表示单位矩阵，λ表示的是拉格朗日乘子；最后将训练结果储存到参数库中。
3.如权利要求1所述的一种基于卡通纹理分解的图像超分辨率重建方法，其特征在于：
所述步骤S2具体步骤如下：
步骤(1)输入低分辨率测试图像；
步骤(2)将低分辨率测试图像切割为图像块，记图像块集合为 其中，H表示分块数目，并用这H个图像块训练一个低分辨率字典A，其训练过程采用K-奇异值分解方法；
步骤(3)设定一个纹理/卡通原子的阈值E；
步骤(4)将低分辨率字典A的第g个原子排成方阵Ag；
步骤(5)使用g1＝[1 -1]对方阵Ag进行卷积，得到方阵Ag的一阶垂直梯度矩阵 使用g2＝[1 -1]T对方阵Ag进行卷积，得到方阵Ag的一阶水平梯度矩阵
步骤(6)使用如下公式计算第g个原子对应的参数μg：
步骤(7)重复步骤(4)、(5)、(6)直到完成所有原子对应的参数μ的计算；
步骤(8)将所有原子对应的参数μ进行比较，将其中参数值最大的记为
步骤(9)使用如下公式计算第g个原子对应的活性Qg；
步骤(10)判断第g个原子对应的活性Qg是否满足下列不等式：
Qg≤E (5)
如果满足则将该原子归属于卡通字典原子；如果不满足则将该原子归属于纹理字典原子；
步骤(11)通过以上步骤就将整体字典A分解为卡通字典Ac和纹理字典At；
步骤(12)通过下面的公式分别得到卡通字典Ac和纹理字典At所对应的稀疏表示系数；
其中，U表示测试图像，λ表示拉格朗日乘子，Ac表示卡通字典，At表示纹理字典，xc表示卡通部分对应的稀疏表示系数，xt表示纹理部分对应的稀疏表示系数；
步骤(13)通过下面的公式分别得到卡通图像Uc和纹理图像Ut；
一种基于卡通纹理分解的图像超分辨率重建方法
【技术领域】
1]T对图像Ym进行卷积，得到图像Ym的二阶水平梯度图像 将 分别分为N
个图像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量 其中，N表示训练样本的数目；
作为 的每一列；重复操作步骤(7)和步骤(8)，直到将M个锚点对应的样本集找完；
分别分为M个图像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量 其中，R表示分块的数目；
1]T对图像Ym进行卷积，得到图像Ym的二阶水平梯度图像 将 分别分为N
个图像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量 其中，N表示训练样本的数目。
作为 的每一列。将所有号码在 中高分辨率特征样本 合并为矩阵，记为
合并的方法是将 作为 的每一列。重复操作步骤(7)和步骤(8)，直到将M个锚点对应的样本集找完。
分别分为M个图像块，将对应位置的图像块都变成列向量，再将四个列向量连接为一个列向量，并通过主成分分析算法来完成这些向量的降维，记这些向量为低频特征向量其中，R表示分块的数目。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种降低机器人运动能耗的工位布局方法 | 2020-05-11 | 862 |
| 一种基面曲线导向的复杂点云模型上的数控加工路径生成方法 | 2020-05-11 | 94 |
| 一种基于点云缺失的盘类元件识别方法及系统 | 2020-05-12 | 465 |
| 一种基于三元特征的深度注意力谣言鉴别方法及装置 | 2020-05-14 | 139 |
| 基于电压时序数据的台区户变关系识别方法及系统 | 2020-05-08 | 608 |
| 一种基于分布式麦克风阵列的声源定位系统 | 2020-05-14 | 224 |
| 三维重建的数据处理方法、装置、电子设备与存储介质 | 2020-05-14 | 555 |
| 用于行人重识别的模型训练方法、识别方法、装置及介质 | 2020-05-13 | 188 |
| 一种基于心脏电影磁共振图像的左心肌分割方法 | 2020-05-12 | 346 |
| 基于三维成像的隧道钢拱识别方法 | 2020-05-13 | 889 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
