[发明专利]基于主动采样与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主动采样与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这一问题。其充分利用现有的大量外部自然图像构造训练集，以表征性和多样性为指标来度量样本信息量，从而提取出精简的训练子集，使得高斯过程回归模型的训练更为高效。实现步骤为：1.生成外部训练样本集，并对其进行主动采样得到训练子集；2.基于该训练子集学习出高斯过程回归模型；3.对测试图像预处理并生成测试样本集；5.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。本发明具有较强的超分辨能力，在纹理等区域能恢复更多的细节信息，可用于视频监控、刑事侦查、航空航天、高清娱乐、视频或图像压缩。

技术领域

本发明属于图像处理技术领域，特别是涉及一种图像超分辨方法，可应用于视频监控、刑事侦查、航空航天、高清娱乐、视频或图像压缩。

背景技术

图像超分辨技术旨在从同一场景的一幅或者多幅低分辨图像中估计出对应的隐藏高分辨图像，该技术可恢复出更多的图像细节，提高辨识度，因此具有十分重要的使用价值。

一般来说，图像超分辨方法可大致归为三类：基于插值的方法，基于重建的方法，以及基于实例学习的方法。

基于插值的方法使用不同的核函数，利用已知像素值来估计高分辨图像网格上的未知像素。典型的插值方法有双立方插值，双线性插值，以及最近邻插值等。此类方法的优点在于简单快速，但易在纹理区域产生模糊或在边缘区域产生锯齿效应。

基于重建的方法从图像降质模型出发将超分辨理解为图像降质的逆问题。由于逆问题解的不唯一性，此类方法往往在保真项的基础上，引入各种先验来约束求解。这些先验包括总变分、双边总变分、梯度先验、边缘先验、非局部先验等。此类方法往往有利于产生锋利的边缘并能有效抑制混叠伪影，然而其同时也会引入异常的图像内容从而导致超分辨结果产生类水彩痕迹。

基于学习的方法则假设LR特征空间与对应的HR特征空间存在共生先验，从而为在不同的空间上应用相同或相似的映射模型提供了理论基础。其中，Yang等人在文献J.Yang,J.Wright,T.Huang,and Y.Ma,“Image super-resolution via sparse 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 image interpolation withnonlocal autoregressive modeling,”IEEE Trans.Image Process.,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 image prior,”IEEETrans.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 usingGaussian process regression,”in Proc.IEEE Conf.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 the displacement field,”IEEE Trans.ImageProcess.,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,andR.Zaretzki,“Beta process joint dictionary learning for coupled feature spaceswith application to single image super-resolution,”in Proc.IEEEConf.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。