[发明专利]基于多输出最小二乘支持向量回归的图像超分辨方法

摘要

本发明公开了一种基于多输出最小二乘支持向量回归的图像超分辨方法，主要解决现有图像分辨率低的问题。其实现步骤为：(1)建立HR亮度图像和LR亮度图像的样本库，并创建LR图像矩阵和HR图像矩阵；(2)根据图像矩阵创建实现3倍放大的训练集和测试集；(3)利用训练集训练多输出最小二乘支持向量回归机预测模型；(4)使用最小二乘支持向量回归预测模型估计测试集中的低分辨率图像矩阵的高分辨率亮度图像；(5)利用图像自相似性对估计的高分辨率亮度图像进行更新，得到最终的高分辨率图像。本发明不仅运行时间短，而且能够有效地提高图像分辨率，可用于改善卫星图像、高清晰电视成像质量。

主权项

一种基于多输出最小二乘支持向量回归的图像超分辨方法，包括如下步骤：(1)建立高分辨率亮度图像和低分辨率亮度图像的样本库：在网上随机下载t幅高分辨率图像，经下采样3倍后得到t幅低分辨率图像，将这些高分辨率图像和低分辨率图像映射到由亮度和色度分量组成的YIQ空间，提取每幅图像的亮度分量Y生成高分辨率亮度图像样本库和低分辨率亮度图像样本库；(2)利用高分辨率亮度图像样本库和低分辨率亮度图像样本库，创建低分辨率图像矩阵和高分辨率图像矩阵(3)利用低分辨率图像矩阵和高分辨率图像矩阵创建实现3倍放大的训练集和测试集：(3a)从高分辨率图像矩阵和低分辨率图像矩阵中随机选取10幅图像对应的矩阵，从每个低分辨率图像矩阵L中任意选取50个行向量，在相应的高分辨率图像矩阵H中按照对应位置选取50个行向量，将10幅图像中选取的50个行向量拼接，生成大小为500×9的低分辨率矩阵I_LR和大小为500×9的高分辨率矩阵I_HR；将低分辨率矩阵I_LR和高分辨矩阵I_HR作为一组训练集，分别用于训练多输出最小二乘支持向量回归模型时的输入和输出；(3b)将剩余的n幅图像对应的低分辨率图像矩阵作为测试集；(4)训练多输出最小二乘支持向量回归模型：(4a)取训练集中的低分辨率矩阵I_LR作为输入，高分辨率矩阵I_HR作为输出，利用多输出最小二乘支持向量回归模型训练超参数α^*和阈值b；(4b)利用超参数α^*和阈值b得到多输出最小二乘支持向量回归模型；(5)初始估计测试集中的低分辨率图像矩阵L的高分辨率亮度图像(5a)将测试集中的低分辨率图像矩阵L作为多输出最小二乘支持向量回归模型的输入，预测出高分辨率图像矩阵(5b)将预测得到的高分辨率图像矩阵的每个行向量排成3×3的图像块，并按照从左到右，从上到下的顺序排成高分辨率亮度图像每行包含的图像块和每列包含的图像块等于低分辨率图像的行数和列数；(6)利用图像自相似性更新高分辨率亮度图像以得到最终的高分辨率亮度图像(6a)将预测出的高分辨率亮度图像分割成5×5的图像块，对于每个以像素x_i为中心的图像块在以像素x_i为中心的13×13区域内，取与图像块相似的图像块图像块的中心像素为x_j，大小为5×5；(6b)计算图像块和它的相似图像块的相似性权值$w_{ij}^N=\exp \left(-\frac{\left|\right|R_{x_i}\tilde{X}-R_{x_j}\tilde{X}|{|}_G^2}{h_n^2}\right),$其中h_n是控制指数表达式衰减速度的全局滤波参数，G表示给靠近图像块中心的像素赋予较大权值的核矩阵，表示将图像中的第i个图像块拉成列向量的操作；(6c)利用图像自相似性更新高分辨率亮度图像得到最终的高分辨率亮度图像$\hat{X}=\arg min\left\{\underset{i\∈\tilde{X}}{\Σ}\right||x_i-c_i^N\·S_i|{|}_2^2\},$其中，S_i表示图像块的相似像素排成的列向量，表示由图像块的相似像素计算得到的相似性权值构成的行向量，x_i是高分辨率亮度图像的第i个像素；(7)将最终的高分辨率亮度图像对应的低分辨率测试图像在YIQ空间的色度分量I和Q利用双三次方插值3倍后作为高分辨率图像色度空间的估计值，将该估计值与最终的高分辨率亮度图像一起组成YIQ空间上的结果图像，并将该结果图像转换到RGB颜色空间，将转换结果作为最终的高分辨率图像。