[发明专利]基于非局部高斯过程回归的图像超分辨方法

说明书

本发明公开了一种基于非局部高斯过程回归的图像超分辨方法，主要解决现有技术在纹理区域上超分辨效果不佳的问题。其实现步骤为：1.对输入图像进行非局部图像块网格采样，构造训练样本集；2.基于训练样本集学习高斯过程回归模型；3.对测试图像预处理并生成测试样本集；4.在测试样本集上应用学习好的高斯过程回归模型，预测并输出超分辨图像。本发明充分利用输入图像本身存在的图像块自相似性，通过非局部采样获取更多的非局部相似性信息，使得高斯过程回归模型的训练更为高效。仿真实验表明，本发明具有较好的超分辨能力，重建的图像能恢复更多的细节信息，更接近真实的高分辨图像，可广泛应用于图像压缩、刑事侦查、高清娱乐等领域。

技术领域

本发明属于图像处理领域，特别是涉及以单帧图像为输入的、基于机器学习的图像超分辨方法，可应用于医学成像、视频监控、高清电视成像，也可用于视频或图像压缩。

背景技术

图像保存着人类对世界最重要的视觉感知，是现代社会最重要的信息来源。图像超分辨算法尝试从同一场景的一帧或者多帧低分辨图像中恢复出高分辨图像，更好地呈现图像细节，具有重要的理论与应用价值。

图像超分辨算法基于处理方法的不同可分为三类：基于插值的方法、基于重建的方法和基于学习的方法。

基于插值的方法假设图像局部平滑，使用不同的插值核得到高分辨图像；例如双线性插值、双立方插值、最近邻插值法等。此类方法的优点在于方法简单易于实现且运行速度快，缺点在于当放大因子较大时，会产生模糊现象。

基于重建的方法基于图像降质模型，在重建约束的基础上添加各种先验或正则项，从而使逆问题的求解更加鲁棒。基于重建的超分辨方法尽管性能较插值方法有一定提升，但当放大因子较大或低分辨输入图像数量不足时，性能下降很快。

基于学习的方法则利用各种机器学习方法，从训练样本中学习出高分辨图像。其中，Yang等人在文献J.Yang,J.Wright,T.Huang,and Y.Ma,“Image super-resolution viasparse representation,”IEEE Trans.Image Process.,vol.19,no.11,pp.2861-2873中基于稀疏表示理论通过联合优化框架学习出对偶字典，从而重建出高分辨图像。Dong等人在文献W.Dong,L.Zhang,R.Lukac,and G.Shi,“Sparse representation based imageinterpolation with nonlocal autoregressive modeling,”IEEE Trans.ImageProcess.,vol.22,no.4,pp.1382-1394中借助稀疏与非局部相似性约束，利用多个局部主成分分析字典来自适应地重建高分辨图像块。Kwang等人在I.K.Kwang and K.Younghee,“Single-image super-resolution using sparse regression and natural imageprior,”IEEE Trans.Pattern Anal.Mach.Intell.,vol.32,no.6,pp.1127-1133一文中结合匹配追踪算法和梯度下降方法来稀疏化核岭回归框架，从而学习出低分辨图像块与对应高分辨图像块之间的映射。He等人在文献H.He and W.-C.Siu,“Single image super-resolution using Gaussian process regression,”in Proc.IEEEConf.Comput.Vis.Pattern Recognit.,2011,pp.449-456中利用图像块的自相似性提出一个自学习方法，该方法在每个局部区域内利用高斯过程回归学习一个从块到对应中心像素之间的映射。Wang等人在L.Wang,H.Wu,and C.Pan,“Fast image upsampling via thedisplacement field,”IEEE Trans.Image Process.,vol.23,no.12,pp.5123-5135一文中联合位移场插值与重建方法提出一个双尺度的图像超分辨算法来保持超分辨图像边缘的锐利性。He等人在文献L.He,H.Qi,and R.Zaretzki,“Beta process joint dictionarylearning for coupled feature spaces with application to single image super-resolution,”in Proc.IEEE Conf.Comput.Vis.Pattern Recognit.,2013,pp.345-352中使用Beta过程来学习对偶空间字典，从而重建出高分辨图像块。