[发明专利]基于谱混合核高斯过程回归的单帧图像超分辨率重建方法

权利要求书

1.一种基于谱混合核高斯过程回归的单帧图像超分辨率重建方法，其特征在于，所述基于谱混合核高斯过程回归的单帧图像超分辨率重建方法在训练阶段，选取高分辨率自然图像，并利用双立方插值法对其进行下采样得到低分辨率训练图像，再对低分辨率训练图像进行插值放大得到对应的插值图像；对高分辨率图像及插值图像进行分块并提取特征，形成训练数据集；对训练数据集做聚类，得到K个训练数据子集；对这K个训练数据子集利用谱混合核函数学习得到高斯过程回归模型的最优超参数θ；

在测试阶段，选取低分辨率图像作为输入图像；对输入图像进行双立方插值放大得到插值测试图像，并进行分块及特征提取，得到低分辨率测试数据集；

在训练数据集的K个聚类中心中寻找与测试数据集内每一个特征最近的聚类中心，形成最近邻训练数据子集，再利用先前学习得到的最优超参数θ进行回归，得到高分辨率图像特征集；将这些高分辨率图像特征叠加到插值测试图像上，重建出高分辨率结果图像。

2.如权利要求1所述的基于谱混合核高斯过程回归的单帧图像超分辨率重建方法，其特征在于，所述基于谱混合核高斯过程回归的单帧图像超分辨率重建方法具体包括以下步骤：

步骤一，选取高分辨率图像形成高分辨率训练图像集；对高分辨率训练图像集元素进行下采样和插值放大操作得到插值训练图像集；提取特征形成训练数据集C＝{H，L}，其中H和L分别表示高、低分辨率训练数据集；

步骤二，对训练数据集C进行聚类得到训练数据子集及对应的K个聚类中心；

步骤三，对每一个训练数据子集C_i训练出基于谱混合核的高斯过程回归模型的最优超参数θ_i，θ_i为列向量；

步骤四，读取低分辨率测试图像并构建低分辨率测试数据集X；

步骤五，在K个聚类中心中寻找与低分辨率测试数据集X内每一个特征最近的聚类中心，形成最近邻训练数据子集；

步骤六，利用步骤三中训练得到的θ_i进行高斯过程回归，得到高分辨率特征集F；

步骤七，输出高分辨率图像Y。

3.如权利要求2所述的基于谱混合核高斯过程回归的单帧图像超分辨率重建方法，其特征在于，步骤一具体包括：

选取多幅彩色高分辨率自然图像并从RGB颜色空间转换到YCbCr颜色空间；选取亮度图像形成高分辨率训练图像集；

选定当前超分辨率重建放大倍数为S＝3，将高分辨率训练图像集利用双立方插值下采样S倍、再利用双立方插值放大S倍，得到插值训练图像集；

选定图像块大小为N×N，N＝7为奇数，对高分辨率图像训练集和插值训练图像集中对应的图像按照从上到下、从左到右的顺序逐像素取图像块；然后求高、低分辨率图像块中心像素的差值，得到高分辨率训练数据集对低分辨率图像块向量化，得到低分辨率训练数据集其中P＝100000，P小于取到的图像块的最大块数；

步骤二具体包括：

步骤1，设定类数为K＝35，对低分辨率训练数据集L进行K-means聚类，得到{L₁，L，₂，...，L_K}以及对应的聚类中心集V＝(o₁，o₂，...，o_K)；

步骤2，在高分辨率训练数据集H中找到对应的高分辨率数据形成{H₁，H₂，...，H_K}；

步骤3，合并{L₁，L₂，...，L_K}与{H₁，H₂，...，H_K}形成{C₁，C₂，...，C_K}，其中第i项C_i＝{L_i，H_i}称为训练数据子集。