[发明专利]一种基于Stacking集成学习的图像超分辨方法

说明书

本发明公开了一种基于Stacking集成学习的图像超分辨方法，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。本发明一种基于Stacking集成学习的图像超分辨方法，解决了现有技术中存在的图像特征过于单一、超分辨模型泛化能力不强的问题。

技术领域

本发明属于图像超分辨技术领域，具体涉及一种基于Stacking集成学习的图像超分辨方法。

背景技术

随着信息技术的飞速发展，电子图像已成为人们传递信息的重要手段。然而，受传统数字成像设备的固有限制，所获得的图像往往经过了光学模糊、运动模糊、欠采样以及系统噪声等一系列退化过程，使人们难以获得理想的高分辨率图像，如何获取更高质量的图像成为一个日益紧迫的问题。图像超分辨技术作为一种有效的图像复原手段，成功突破了物理成像环境的限制，能够以最低成本从一幅或多幅低分辨率图像中重建出高于成像系统物理分辨率的高质量图像，是解决上述难题的关键。

图像超分辨技术可大致分为三类：基于插值的方法、基于重构的方法和基于实例学习的方法。其中，基于实例学习的超分辨方法因其优越的重建性能而获得广泛应用。然而，目前大多数超分辨方法通常只采用某种单一的图像特征进行模型训练，而忽略了自然图像具有多样性和复杂性的特点。由于每种特征都有其自身局限性，总是有意突出图像某些方面的特征，简化甚至忽略其他方面的特征，从而导致模型泛化能力受限，重建效果不理。例如，梯度特征有利于保持清晰的图像边缘，但不利于恢复图像中复杂的纹理细节；而纹理特征有利于生成新的纹理细节，但不利于保持锐利的边缘。

发明内容

本发明的目的是提供一种基于Stacking集成学习的图像超分辨方法，解决了现有技术中存在的图像特征过于单一、超分辨模型泛化能力不强的问题。

本发明所采用的技术方案是，一种基于Stacking集成学习的图像超分辨方法，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。

本发明的特点还在于：

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。

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