[发明专利]基于多输出最小二乘支持向量回归的图像超分辨方法

说明书

技术领域

本发明属于图像处理领域，具体的说是一种提高图像分辨率的方法，该方法可用于改善卫星图像、高清晰电视成像质量。

背景技术

自二十世纪七十年代以来，电荷耦合设备CCD与互补型金属氧化半导体CMOS图像传感器被广泛地用于采集数字图像。虽然这些传感器适于大多数的图像应用，但是现有的分辨率级别和昂贵的硬件成本都不能满足人们的需求，需要找到可以增加当前图像分辨率的方法。

一个有前途的方法是利用信号处理技术从观测到的多帧低分辨率LR图像中获得高分辨率HR图像或序列，称为图像超分辨SR重建。图像超分辨技术可以在不改变硬件条件的前提下，重建出已丢失的成像系统截止频率外的信息，得到高于成像系统分辨率的图像，以达到改善和提高图像质量的目的。

通常，图像超分辨重建方法可分为三种类型：基于插值的方法、基于重构的方法和基于实例学习的方法。基于插值的方法是最简单的图像超分辨重建方法，如双线性插值、双立方插值和Lanczos插值等，这些插值算法简单高效，但视觉效果并不理想，得到的图像较模糊；基于重构的方法采用信号处理技术，充分利用图像的先验信息有效地对超分辨重建病态问题进行解空间的约束，从而求解病态问题的稳定解，进一步实现图像超分辨重建，但该方法通常很难引入先验约束且不能保证能有稳定的收敛特性；基于实例学习的方法主要是通过学习低分辨与高分辨图像之间的映射关系，预测低分辨图像中丢失的高频细节信息，从而实现高分辨图像的重建。

目前，单帧图像超分辨重建主要采用基于实例学习的方法，根据高分辨图像重建过程中实例样本的构造方式和学习算法的不同，人们提出了不同的实例学习超分辨算法。Freeman等人在文献Freeman W T,Jones T R and Pasztor E C.“Example-based super-resolution,”IEEE Computer Graphics and Application,2002,22(2):56-65.首次提出使用Markov网络建立低分辨图像和高分辨场景之间的关系模型，通过信令传播算法进行高分辨图像的最大后验估计实现超分辨重建。然而，该方法依赖于大量样本进行实例学习，因此计算复杂度较高。Ni等人在文献Karl S N,Truong Q N.“Image super-resolution using support vector regression,”IEEE Trans on Image Processing,2007,16(6):1596-1610.中采用支持向量回归SVR对去除中心点的低分辨率图像块和相应的初始高分辨图像块进行建模，通过建立的模型来预测最终的高分辨图像。但是，Ni等人在建立回归模型时将一个低分辨率点对应的m个高分辨率点分成m个独立的任务，使得单个高分辨率像素点作为输出，导致重建的像素点之间很难保持一致性。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于多输出最小二乘支持向量回归的图像超分辨方法，以简化计算复杂性，提高图像的分辨率。

实现本发明目的技术方案包括如下步骤：

(1)建立高分辨率亮度图像和低分辨率亮度图像的样本库：在网上随机下载t幅高分辨率图像，经下采样3倍后得到t幅低分辨率图像，将这些高分辨率图像和低分辨率图像映射到由亮度和色度分量组成的YIQ空间，提取每幅图像的亮度分量Y生成高分辨率和低分辨率亮度图像样本库；

(2)利用高分辨率和低分辨率亮度图像样本库，创建低分辨率图像矩阵和高分辨率图像矩阵

(3)利用低分辨率图像矩阵和高分辨率图像矩阵创建实现3倍放大的训练集和测试集：

(3a)从高分辨率图像矩阵和低分辨率图像矩阵中随机选取10幅图像对应的矩阵，从每个低分辨率图像矩阵L中任意选取50个行向量，在相应的高分辨率图像矩阵H中按照对应位置选取50个行向量，将10幅图像中选取的50个行向量拼接，生成大小为500×9的低分辨率矩阵I_LR和大小为500×9的高分辨率矩阵I_HR；将低分辨率矩阵I_LR和高分辨矩阵I_HR作为一组训练集，分别用于训练回归模型时的输入和输出；

(3b)将剩余的n幅图像对应的低分辨率图像矩阵作为测试集；

(4)训练多输出最小二乘支持向量回归机预测模型：