[发明专利]一种基于Stacking集成学习的图像超分辨方法

权利要求书

1.一种基于Stacking集成学习的图像超分辨方法，其特征在于，首先，对待处理图像进行特征提取，并用基模型估计高分辨图像块；然后，用元模型估计高分辨图像块；最后，将两种高分辨图像块依次添加至低分辨图像的插值图像上，以获得最终的高分辨图像；

具体按照以下步骤实施：

步骤1、提取待处理图像A的梯度特征和纹理特征，输出梯度特征矩阵、纹理特征矩阵；

步骤2、采用基模型中的梯度回归器对梯度特征矩阵进行处理，输出高分辨特征矩阵同时，采用基模型中的纹理回归器对纹理特征矩阵进行处理，输出高分辨特征矩阵

步骤3、对步骤2的输出高分辨特征矩阵和高分辨特征矩阵进行合并，输出高分辨特征矩阵

步骤4、采用元模型中的回归器对矩阵进行处理，输出高分辨特征矩阵

步骤5、将基模型的输出高分辨特征矩阵高分辨特征矩阵和元模型的输出高分辨特征矩阵添加至插值图像块特征，输出高分辨特征向量；

步骤6、将高分辨特征向量转换为图像块，并将图像块进行融合，输出高分辨率图像。

2.如权利要求1所述的基于Stacking集成学习的图像超分辨方法，其特征在于，所述步骤1具体按照以下步骤实施：

步骤1.1、采用双立方插值算法对待处理图像A进行上采样，输出插值图像A₀；

步骤1.2、将插值图像A₀从RGB颜色空间转换到YCbCr颜色空间，并分离出亮度通道图像A₁，及色度通道图像A₂和A₃；

步骤1.3、将亮度通道图像A₁分割为9×9的图像块，且相邻的两个图像块相互重叠；

步骤1.4、依次提取图像块的梯度特征和纹理特征，输出梯度特征矩阵纹理特征矩阵

3.如权利要求2所述的基于Stacking集成学习的图像超分辨方法，其特征在于，所述步骤1.4中，梯度特征提取过程具体如下：

将亮度通道图像A₁中的图像块转换为81×1的向量形式，采用Roberts算子对向量进行卷积，输出梯度特征向量；

所述步骤1.4中，纹理特征提取过程具体如下：

将亮度通道图像A₁中的图像块转换为81×1的向量形式，向量中每个元素减去所有元素的平均值，输出纹理特征向量。

4.如权利要求2所述的基于Stacking集成学习的图像超分辨方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、基模型对梯度特征矩阵、纹理特征矩阵进行处理

(1)采用基模型中的梯度回归器对梯度特征矩阵进行处理

对梯度特征矩阵中的每个特征向量进行如下处理：根据相关性最大原则从梯度回归器中选择最优回归器计算与特征向量的乘积，输出高分辨特征向量

(2)采用基模型中的纹理回归器对纹理特征矩阵进行处理

对纹理特征矩阵中的每个特征向量进行如下处理：根据相关性最大原则从纹理回归器中选择最优回归器计算与特征向量的乘积输出高分辨特征向量

步骤2.2、计算高分辨特征矩阵高分辨特征矩阵的平均值，输出高分辨特征矩阵和高分辨特征矩阵

5.如权利要求3所述的基于Stacking集成学习的图像超分辨方法，其特征在于，所述步骤4具体按照以下步骤实施：

步骤4.1、元模型对高分辨特征矩阵进行处理

对高分辨特征矩阵中的每个特征向量进行如下处理：根据相关性最大原则从元模型回归器中选择最优回归器计算回归函数与特征向量的乘积，输出高分辨特征向量

输出高分辨率特征矩阵

步骤4.2、计算高分辨率特征矩阵的平均值，输出高分辨率特征矩阵