[发明专利]基于可控核与高斯过程回归的单帧图像超分辨方法

说明书

本发明涉及一种基于可控核与高斯过程回归的单帧图像超分辨方法。首先基于训练图像随机获取插值图像块与高频图像块对；引入归一化可控核系数表征插值图像块，提取高频图像块中心像素，构造训练集；对训练集聚类，每个聚类通过高斯过程回归学习插值图像块到高频图像块中心像素间的映射关系；对于测试图像，通过归一化可控核系数表征每个测试图像块并寻找与之最近聚类的回归模型，从而预测缺失的高频图像块中心像素，最终将预测的高频图像与插值图像叠加得到超分辨重建图像。本发明在高斯过程回归模型中引入归一化可控核系数特征和各向异性的自动相关确认核函数提高模型适应性；结果表明，本发明具有较好的主观和客观重建质量。

技术领域

本发明涉及图像处理领域，具体是一种基于可控核与高斯过程回归的单帧图像超分辨方法。

背景技术

单帧图像超分辨是图像处理领域的一个基本问题，对于图像的后续处理具有重要意义，并已广泛应用于娱乐、视频监控、遥感、医学等领域。图像超分辨技术从一幅或者多幅低分辨图像中恢复出隐含的高分辨图像，由于提供了更丰富的细节信息，因此对于后续的处理具有重要的理论与实际价值。基于低分辨图像的个数，超分辨技术可以分为单帧与多帧超分辨。由于多帧超分辨技术要求多幅低分辨图像对应同一场景且相互之间须具有亚像素位移，相对限制较少的单帧图像超分辨逐渐成为超分辨研究中的主流。

基于超分辨的原理差异，超分辨技术可以大致分为基于插值的方法、基于重建的方法和基于学习的方法。

基于插值的方法采用不同的核函数度量高分辨图像网格上未知像素与已知像素之间的相似性，从而基于已知像素估计出未知像素。典型的插值方法有最近邻、双线性、双立方插值等。然而，上述插值方法所采用的插值核是各项同性的，难以对千变万化的图像结构进行自适应调整。基于此，研究人员提出了多种各向异性的插值核，从而可以根据图像结构自适应度量相似性，代表性的工作有边缘导向插值、可控核回归、位移场插值等。此种方法的优势是快速且易于实现，但却易于使图像产生模糊等失真。

基于重建的方法基于优化框架，在重建约束的基础上添加各种对超分辨图像的先验知识构造正则项，从而使求解出的结果具有某种倾向性。典型的正则项例如，可对噪声压制的总变分、双边总变分先验，可对边缘增强的梯度先验、边缘先验，可强化图像块相似性的非局部均值先验等等。此种方法可以等价地理解为最大后验框架，然而其结果会引入意外的内容，且会产生类似水彩的失真。

基于学习的方法使用机器学习方法，从训练集中学习低分辨与高分辨空间上的共生关系，从而重建出高分辨图像。此类方法按照学习方向的不同，可以进一步细分为基于编码的方法和基于回归的方法。基于编码的方法基于流形假设，认为低分辨空间上的编码关系与对应高分辨空间上的编码关系是近似的，首先得到低分辨空间上的编码系数，并借助它们重建出高分辨图像。典型的基于编码的方法有基于局部线性嵌入的方法、基于字典学习的方法等。基于回归的方法则直接学习训练集上低分辨到高分辨的映射关系，并通过低分辨输入图像重建出对应高分辨图像。典型的基于回归的方法有马尔科夫随机场(MRF)、高斯过程回归、神经网络、线性回归、Beta过程、岭回归、支撑向量回归等方法。

高斯过程回归作为一种核方法，可以有效地对数据中隐藏的非线性关系进行建模，且已应用在超分辨领域并取得了不错的性能。例如，何河等通过高斯过程回归构建超分辨两阶段框架，对输入图像先进行上采样，再进行去模糊从而得到边缘增强的超分辨图像。曲延云等基于聚类技术将原始的大规模训练样本集分割成多个子集，并在每个子集上利用高斯过程回归模型学习映射关系。然而，这些方法在进行高斯过程回归建模时为了便于计算和推理，采用了各向同性的径向基函数核，而自然图像中存在的结构复杂多样，径向基函数核难以精确度量不同图像块之间的相似性。