[发明专利]基于多层支持向量回归机模型的图像超分辨重建方法

摘要

本发明公开了一种基于多层支持向量回归机模型的图像超分辨重建方法，主要解决现有超分辨方法存在丢失高频信息、产生振铃效应等问题。其实现步骤是：（1）分别创建训练样本库和测试样本库；（2）建立训练样本的第一层支持向量回归机模型；（3）预测高分辨亮度初始图像和初始训练图像；（4）计算初始训练图像的差值训练图像；（5）建立差值训练图像的第二层支持向量回归机模型；（6）预测高分辨亮度差值图像；（7）将高分辨亮度初始图像与高分辨亮度差值图像相加得到高分辨亮度图像。本发明重建的图像具有边缘清晰、纹理丰富、更逼近真实图像的优点，可用于视频监控、高清晰电视HDTV成像。

主权项

一种基于多层支持向量回归机模型的图像超分辨重建方法，包括：(1)创建高分辨亮度图像和低分辨亮度图像训练样本库；(2)创建低分辨亮度图像测试样本库；(3)使用横向边缘矩阵和纵向边缘矩阵组成索贝尔算子；(4)用索贝尔算子更新样本库；(4a)更新训练样本库：(4a1)将高分辨亮度训练图像I₁下采样2倍得到低分辨亮度训练图像I₂，将低分辨亮度训练图像I₂与索贝尔算子中的横向边缘矩阵A进行平面卷积，得到低分辨横向边缘检测图像U_X，将低分辨横向边缘检测图像U_X与低分辨亮度训练图像I₂进行矩阵点乘得到水平边缘训练图像I₃；(4a2)将低分辨亮度训练图像I₂与索贝尔算子中的纵向边缘矩阵B进行平面卷积，得到低分辨纵向边缘检测图像U_Y，将低分辨纵向边缘检测图像U_Y与低分辨亮度训练图像I₂进行矩阵点乘得到垂直边缘训练图像I₄；(4a3)将低分辨亮度训练图像I₂与水平边缘训练图像I₃进行矩阵减运算，得到的结果再与垂直边缘训练图像I₄进行矩阵减运算得到非边缘训练图像I₅；(4a4)将高分辨亮度训练图像I₁、低分辨亮度训练图像I₂、水平边缘训练图像I₃、垂直边缘训练图像I₄和非边缘训练图像I₅作为训练样本集ψ＝{I₁,I₂,I₃,I₄,I₅}；(4b)更新测试样本库：(4b1)将低分辨亮度测试图像H₁与索贝尔算子中的横向边缘矩阵A进行平面卷积，得到低分辨横向边缘检测测试图像D_X，将低分辨横向边缘检测图像D_X与低分辨亮度测试图像H₁进行矩阵点乘得到水平边缘测试图像H₂；(4b2)将低分辨亮度测试图像H₁与索贝尔算子中的纵向边缘矩阵B进行平面卷积，得到低分辨纵向边缘检测测试图像D_Y，将低分辨纵向边缘检测图像D_Y与低分辨亮度测试图像H₁进行矩阵点乘得到垂直边缘测试图像H₃；(4b3)将低分辨亮度测试图像H₁与水平边缘测试图像H₂进行矩阵减运算，得到的结果再与垂直边缘测试图像H₃进行矩阵减运算得到非边缘测试图像H₄；(4b4)将低分辨亮度测试图像H₁、水平边缘测试图像H₂、垂直边缘测试图像H₃和非边缘测试图像H₄作为一组测试样本集Φ_j＝{H₁,H₂,H₃,H₄},j＝1,…,k，其中k为测试样本库中的低分辨亮度测试图像H₁的个数；(5)取步骤(4)中的训练样本ψ＝{I₁,I₂,I₃,I₄,I₅}，分别建立水平边缘训练图像I₃与高分辨亮度图像训练I₁之间映射关系的第一层水平边缘支持向量回归机模型G₁、垂直边缘训练图像I₄与高分辨亮度训练图像I₁之间映射关系的第一层垂直边缘支持向量回归机模型G₂和非边缘训练图像I₅与高分辨亮度训练图像I₁之间映射关系的第一层非边缘支持向量回归机模型G₃；(6)将水平边缘训练图像I₃作为第一层水平边缘支持向量回归机模型G₁的输入，得到初始水平边缘高分辨亮度训练图像Y₁；将垂直边缘训练图像I₄作为第一层垂直边缘支持向量回归机模型G₂的输入，得到初始垂直边缘高分辨亮度训练图像Y₂；将非边缘训练图像I₅作为第一层非边缘支持向量回归机模型G₃的输入，得到初始非边缘高分辨亮度训练图像Y₃；初始水平边缘高分辨亮度训练图像Y₁、初始垂直边缘高分辨亮度训练图像Y₂和初始非边缘高分辨亮度训练图像Y₃进行矩阵加运算，得到初始高分辨亮度训练图像Y；(7)将步骤(4)中高分辨亮度训练图像I₁与步骤(6)得到的初始高分辨亮度训练图像Y进行矩阵减运算，得到差值训练图像Q；(8)取步骤(4)中的训练样本ψ＝{I₁,I₂,I₃,I₄,I₅}和步骤(7)中的差值训练图像Q，分别建立水平边缘训练图像I₃与差值训练图像Q之间映射关系的第二层水平边缘支持向量回归机模型B₁、垂直边缘训练图像I₄与差值训练图像Q之间映射关系的第二层垂直边缘支持向量回归机模型B₂、非边缘训练图像I₅与差值训练图像Q之间映射关系的第二层非边缘支持向量回归机模型B₃；(9)取步骤(4)中一组测试样本Φ₁＝{H₁,H₂,H₃,H₄}，将水平边缘测试图像H₂作为第一层水平边缘支持向量回归机模型G₁的输入，得到水平边缘高分辨亮度测试图像P₁；将垂直边缘测试图像H₃作为第一层垂直边缘支持向量回归机模型G₂的输入，得到垂直边缘高分辨亮度测试图像P₂；将非边缘测试图像H₄作为第一层非边缘支持向量回归机模型G₃的输入，得到非边缘高分辨亮度测试图像P₃；(10)将水平边缘高分辨亮度测试图像P₁、垂直边缘高分辨亮度测试图像P₂和非边缘高分辨亮度测试图像P₃进行矩阵加运算，得到初始高分辨亮度测试图像P；(11)取步骤(4)中一组测试样本Φ₁＝{H₁,H₂,H₃,H₄}，将水平边缘测试图像H₂作为第二层水平边缘支持向量回归机模型B₁的输入，得到水平边缘高分辨亮度测试图像将垂直边缘测试图像H₃作为第二层垂直边缘支持向量回归机模型B₂的输入，得到垂直边缘高分辨亮度测试图像将非边缘测试图像H₄作为第二层非边缘支持向量回归机模型B₃的输入，得到非边缘高分辨亮度测试图像(12)将水平边缘高分辨亮度测试图像垂直边缘高分辨亮度测试图像和非边缘高分辨亮度测试图像进行矩阵加运算，得到差值测试图像(13)更新测试低分辨图像的高分辨亮度图像，即将初始高分辨亮度测试图像P和差值测试图像进行矩阵加运算，得到高分辨亮度图像Z。