[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

说明书

本发明属于图像处理技术领域，公开了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及系统，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，对训练数据集进行聚类得到训练数据子集；对每一个训练数据子集训练出基于谱混合核的高斯过程回归模型的最优超参数；读取低分辨率测试图像并构建低分辨率测试数据集；在聚类中心中寻找与低分辨率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；进行高斯过程回归，得到高分辨率特征集，输出高分辨率图像。本发明使得重建图像包含更多高频细节，纹理结构清晰，重建效果得到提高。

技术领域

本发明属于图像处理技术领域，尤其涉及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。

背景技术

在现实生产生活中，由于成像系统性能有限或者成像条件的限制，所获取图像的分辨率可能较低，导致细节表现不足，不能满足需要。因此由低分辨率图像获得高分辨率图像有着很强的现实需求。图像超分辨率重建方法就是由已有的低分辨率图像经过软件方法处理，得到对应的高分辨率图像，以满足实际需要。该项技术在图像处理领域占有重要地位，受到广泛关注。

当前，图像超分辨率重建方法可以分为三类：基于插值的方法、基于学习的方法和基于重建的方法。

基于插值的方法是最常见的方法，包括最近邻插值法、线性插值法和双立方插值法。基于插值的方法是将待重建高分辨率图像网格中未知像素相邻的已知像素输入到预先设定的插值核函数中，估计出未知像素，从而达到提高图像分辨率的目的。这类方法原理简单，数据量小，实现快速。但是从数学原理上讲，这类方法预设的核函数不能准确反映出真实的图像纹理结构，往往导致重建结果缺乏细节，而且可能在图像边缘出现锯齿效应。更好的改进方法是采用更能体现图像细节的核函数来估计高分辨率图像。

基于重建的方法主要包括非均匀插值法、迭代反向投影法、最大后验概率法、凸集投影法等。这类方法将图像的降质模型作为先验知识，包括模糊、下采样、噪声叠加等过程，通过采取不同的约束条件，寻求初始的重建图像经过降质模型后与输入低分辨图像误差的最小化，从而估计出最终的高分辨率重建图像。在数学原理上，图像的重建过程属于逆问题的求解过程，是典型的不适定问题，因此不能保证解的存在性和唯一性。因此，在实现过程中，这类方法都存在迭代过程不易收敛、重建图像有一对多等问题。更好的方法是放弃过于简单的降质模型，而采用更接近真实的降质过程的数学描述。

基于学习的图像超分辨率重建方法通常先搜集大量的图像，建立训练集；然后对训练集进行学习，得到高、低图像块之间的对应关系(或映射模型)；接着，由输入低分辨率图像结合映射模型，预测出高分辨率图像所需要的信息(或者像素值)，重建出高分辨率图像。在这类方法中，由训练集学习得到映射模型是关键环节，而其中图像块及其特征之间的相似性，或称为距离，又是构建模型的核心。现有基于学习的方法大都使用欧式距离、角度距离等数学工具来衡量相似性。但是，这些数学工具过于简单和直接，不能充分地表征图像块之间的逻辑关系，反而有可能引入与图像块不相关的额外信息，导致映射模型的学习能力不足，重建权值分配不合理，致使最终的重建图像纹理结构模糊，重建效果不佳。因此在基于学习的图像超分辨率重建方法中，关键是找到合适的数学工具来表征特征之间的相似性，从而准确地估计出训练集中各个图像块在重建时的权重，寻求一个最优加权值。

现有的几种典型的基于学习的方法，其不足表现在：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中利用稀疏表示理论通过联合优化框架学习出对偶字典，再利用该字典对输入的低分辨图像进行超分辨重建。该方法在重建时采用欧氏距离查找低分辨字典中的最优特征组合，以期得到基于稀疏表示的最优解。然而，实际重建效果图像质量不高，存在边缘模糊。