[发明专利]基于遗传算法和正则先验模型的图像超分辨重建方法

摘要

本发明公开一种基于遗传算法和正则先验模型的图像超分辨重建方法，主要解决现有方法重建结果质量差的问题。其实现步骤是：(1)从自然图像中学习一组子词典；(2)获取低分辨图像LR插值放大3倍后的高分辨率图像Xs的亮度分量估计X；(3)构造初始种群；(4)计算每个个体的适应度值；(5)对父代种群中个体进行选择和复制；(6)对父代种群个体依次进行交叉和变异；(7)重复步骤(5)-(6)共20次，得到最优解X'；(8)用正则先验模型对X'进行局部优化；(9)重复步骤(3)-(8)共4次，得到高分辨图像亮度分量X²，最终合成高分辨率图像。本发明能很好的保持图像边缘和纹理信息，可用于图像识别以及目标分类。

主权项

一种基于遗传算法和正则先验模型的图像超分辨重建方法，包括如下步骤：(1)输入n幅自然图像，n≥5，从这n幅自然图像中获取含有大量的边缘和结构信息的图像块，采用K‑means将这些图像块分成K类，使用主成分分析PCA从每类中获得一个子字典Φ_k；(2)输入低分辨图像LR，使用bicubic插值将其放大3倍，得到高分辨率图像的初始估计Xs，并将高分辨率图像的初始估计Xs从红绿蓝RGB空间转换到YCbCr颜色空间，得到高分辨率图像的亮度分量初始估计Y、蓝色色度分量估计Cb和红色色度分量估计Cr，其中亮度分量初始估计Y用X来表示，X是一个s×r的矩阵，s是矩阵的行数，r是矩阵的列数；(3)将X中的所有元素以自身元素值为中心，在[‑8,8]范围内上下随机浮动一个值，得到一个染色体矩阵，重复多次，得到N‑1个矩阵，这些染色体矩阵与未浮动前的X矩阵一起就构成了遗传算法的初始种群；(4)定义适应度函数为：F_i＝1/(E_i+ε)，i＝1,2,…,N，Y为LR图像的亮度分量，H为高斯模糊算子，D为下采样算子，ε为大于零任意小的数；(5)利用适应度函数计算当前种群中每个个体的适应度值；(6)保留当前种群中适应度值最高的个体，计算除适应度值最高的个体外的其他个体的选择概率：i＝1,2,…,N，依照每个个体的选择概率，对这些个体进行复制；(7)采用算术交叉方式对复制的个体进行交叉操作产生新个体；(8)将新个体的所有像素值在[‑8,8]这个范围内进行一次上下随机浮动，得到变异后的个体，产生新的种群；(9)将(5)‑(8)步骤重复20次，得到亮度分量估计的最优解X'；(10)利用正则先验模型对亮度分量估计的最优解X'进行局部优化；(11)重复步骤(3)‑(10)共4次，得到最终的高分辨图像亮度分量X²；(12)将得到的高分辨图像亮度分量X²与高分辨率图像蓝色色度分量估计Cb和红色色度分量估计Cr，合成最终的彩色高分辨率图像。