一种自学习的新型单幅图像超分辨率高质量重建算法

经典的基于稀疏表示和字典学习的超分辨率算法在图像重建质量和计算复杂度上都具备较好的表现。然而，基于外部样本训练得到的字典和待重建图像缺少相关性，会伴随算法鲁棒性较差的问题。为克服这一缺点，提出了一种基于自学习的新型单幅图像超分辨率高质量重建算法。该算法无需引入外部训练图像，即完全通过待重建图像自身构建的样本进行字典学习和图像重建；这一机制增强了训练字典与待重建图像的相关性。具体而言，在字典训练阶段，针对输入的待重建图像，基于二维经验模态分解进行高频修复预处理，以增强样本源的高频特征；随后构建训练样本集，使用K-奇异值分解算法获得自学习主字典和自学习残差字典，构成双字典。在图像重建阶段，将双字典结构与自学习相结合，先通过主字典实现主高频恢复，再进一步通过残差字典恢复图像的残差高频信息。实验结果表明，所提算法在重建图像的主观视觉效果以及专业质量评价指标上，相对于传统插值算法及经典的字典学习算法具有显著优势。