[发明专利]基于主动采样和高斯混合模型的图像超分辨重建方法

说明书

本发明公开了一种基于主动采样和高斯混合模型的图像超分辨率重建方法，可用于受限设备采集图像的超分辨率重建。其实现步骤为：(1)获取训练图像块；(2)对训练图像块进行主动采样；(3)提取联合训练特征向量；(4)训练高斯混合模型；(5)获取低分辨率测试特征向量；(6)重建高分辨率测试图像。本发明提高了重建图像的清晰度，尤其在重建结构轮廓、自然纹理等细节时，表现更佳。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像重建技术领域中的一种基于主动采样和高斯混合模型的图像超分辨重建方法。本发明可应用于计算机视觉、模式识别等领域，对受限设备采集的低分辨图像进行图像重建。

背景技术

超分辨率重建技术是通过信号处理、机器学习、统计理论等方法，对安防监控、高清电视、医学检测、刑事侦查等多个领域中受限设备采集到的低分辨率图像进行图像重建。其中，基于实例学习的图像超分辨率重建方法是假设低分辨率图像与对应高分辨率图像存在一定的映射关系，通过学习这一映射关系，并将其转移到输入的低分辨率特征空间来重建高分辨率图像。

深圳市华星光电技术有限公司在其申请的专利文献“一种图像超分辨率重建方法”(专利申请号：201611153801.7；申请公布号：CN106780333A)中提出了一种图像超分辨率重建方法。该方法主要通过将低分辨率特征空间和高分辨率特征空间构造成多个成对设置的低分辨率特征子空间和高分辨率特征子空间；然后在成对设置的低分辨率特征子空间和高分辨率特征子空间之间建立线性映射关系；最后根据线性映射关系将低分辨率重构图像重构成高分辨率重构图像。该方法存在的不足之处是，在划分特征子空间过程中仅使用K-均值算法进行硬聚类，而且该方法在重建过程中使用的是最近邻方法进行最优锚点搜索，如此一来，该工作就仅仅成为了一个聚类与匹配问题，而没有考虑到图像统计信息。

清华大学深圳研究生院与深圳市未来媒体技术研究院在其申请的专利文献“一种图像的超分辨率重建方法”(专利申请号：201710084743.5；申请公布号：CN106886978A)中提出了一种图像的超分辨率重建方法。该方法主要通过计算各图像块的中心像素点的位置向量所对应的结构张量，然后计算该结构张量的特征值，来判断图像块是否为平滑图像块；在图像块为平滑图像块时，将初始高分辨率图像块作为该图像块的最终高分辨率图像块；在图像块为非平滑图像块时，结合图论进行重建计算，最终得到重建的高分辨率图像。该方法存在的不足之处是，只考虑图像自身的结构信息，而没有引入外部训练样本，使得图像的先验细节不够丰富，使得重建效果大打折扣。

发明内容

本发明的目的在于针对已有技术的不足，提出一种基于主动采样和高斯混合模型的图像超分辨率重建方法，以提升图像重建效果。本发明与现有技术中其他图像超分辨率重建方法相比，重建效果更佳，鲁棒性更强。

本发明实现的具体步骤包括如下：

(1)获取训练图像块：

(1a)读入待训练的高分辨率彩色图像，对高分辨率彩色图像进行YCbCr空间转化，得到YCbCr空间训练图像，将YCbCr空间训练图像的非线性亮度分量划分成500万个大小为9×9的高分辨率训练图像块；

(1b)使用插值算法，对YCbCr空间训练图像的非线性亮度分量进行1/3倍下采样，得到低分辨率尺寸的低分辨率训练图像，对低分辨率尺寸的低分辨率训练图像进行3倍上采样，得到高分辨率尺寸的低分辨率训练图像，将高分辨率尺寸的低分辨率训练图像划分成5000000个大小为9×9的低分辨率训练图像块；

(2)对训练图像块进行主动采样：

(2a)按照下式，计算每一个低分辨率训练图像块的细节差异值：