[发明专利]一种基于分辨率提升的照片翻新方法

摘要

本发明针对较低的分辨率、较低的清晰度的照片，提出了一种基于分辨率提升的照片翻新方法，首先，预处理训练照片.其次，获取基于混合专家模型的映射关系模型，再次，将待处理的低分辨率照片分割为块，最后，根据映射关系模型将低分辨率照片提升为高分辨率照片，本发明所述方法具有自适应好、速度快、效果好、可扩展等优点。

主权项

1.一种基于分辨率提升的照片翻新方法，其特征在于：具体步骤为：(1)预处理训练照片，包括：(1.1)选择任意90～100幅高分辨率照片，使用均值为0，标准差为1的高斯核对这些照片进行卷积；(1.2)获取原始低分辨率照片分辨率和目标分辨率，根据两者计算放大倍数，据此，将步骤(1.1)卷积后的照片进行采样，得到对应的低分辨率照片；(1.3)把所得的每一幅低分辨率照片通过现有的分割标准，将其分割为不重叠小块作为训练数据；(2)基于混合专家模型获得映射关系模型，包括：(2.1)初始化混合专家模型，包括以下步骤：①指定专家的数量K；②指定专家的概率分布和专家参数的概率分布的参数σ和μ；③采用k‑均值算法将训练数据按照专家的数量K聚类，每个专家的参数的初始值Wi(0)指定为类内斜率，每个门函数参数的初始值vi(0)初始化为聚类中心；④根据下式计算每个门函数的初始值：其中x表示低分辨率照片块，vi(0)表示第i个门函数参数的初始值，vj(0)表示第j个门函数参数的初始值，K为混合专家模型中专家的个数，即树形结构中叶子节点的个数；(2.2)使用步骤(1.3)得到的训练数据，对步骤(2.1)得到的混合专家模型进行迭代优化，包括以下步骤：①指定迭代终止时的允许误差ε；②计算本轮迭代中每个门函数的后验概率：其中k为迭代步数，pi(y|x，Wi(k))和pj(y|x，Wj(k))表示专家的概率分布，gi(k)(x，vi(k))表示第i个门函数的第k步迭代值；③更新每个专家参数：其中k为迭代步数，X为训练数据中的所有低分辨率照片块x组成的向量，Y为训练数据中所有高分辨率照片块y组成的向量，XT表示X的转置，I表示单位矩阵，Hi(k+1)表示第k+1步中第i个专家所对应的所有低分辨率照片块x的后验概率组成的向量；④更新每一个门函数参数：其中表示第k步迭代中第i个门函数参数，为第k步迭代中第i个门函数的后验概率，x^(t)表示第t个低分辨率照片块；⑤计算本轮迭代中每个门函数的输出：⑥计算本轮迭代中的似然概率：其中，pi(y|x，Wi(k+1))表示专家的概率分布，p(Wi(k+1))表示专家参数的概率分布；⑦判断迭代是否收敛；当本轮迭代的似然概率与上一轮迭代的似然概率之差的绝对值小于迭代终止时的允许误差ε时，结束迭代；否则重复执行步骤②～⑦；迭代结束时得到的门函数参数vi、连同专家数量K、专家参数Wi、专家的概率分布的标准差σ和专家参数的概率分布的均值μ，一起作为最终的映射关系模型存储在磁盘中；(3)将待处理的低分辨率照片分割为块；(4)根据步骤(2)得到的映射关系模型将低分辨率照片提升为高分辨率照片，包括：(4.1)将步骤(3)得到的低分辨率照片块作为混合专家模型门函数的输入，计算每一个门函数的输出；其中，x为低分辨率照片块，K为混合专家模型中专家的个数，vi表示第i个门函数参数，vj表示第j个门函数参数，均通过步骤(2)获得；(4.2)使用输出值最大的门函数所对应的专家函数的参数计算对应的高分辨率照片块，其中专家函数的参数由步骤(2)得到；(4.3)对每一个低分辨率照片块按照(4.1)和(4.2)的步骤进行分辨率提升，得到对应的高分辨率照片块，将所有的高分辨率照片块按照其对应的低分辨率照片块在低分辨率照片中的位置拼接为对应的高分辨率照片。